Los sistemas de apoyo para decisiones clínicas basados en inteligencia artificial, tienen el potencial de mejorar la atención médica y mejorar la toma de decisiones de los profesionales de la salud.
La inteligencia artificial (IA) tiene el potencial de revolucionar la atención médica, y aunque ya ha sido utilizada en diversos entornos y sobre todo para facilitar la investigación sobre la predicción, diagnóstico o tratamiento de enfermedades, todavía existen grandes retos para su adopción. Por ejemplo, algunos modelos de predicción basados en IA han demostrado un rendimiento igual o superior al de los médicos experimentados en diversas investigaciones por ejemplo sobre imágenes radiológicas. No obstantes son pocos modelos implementados realmente en la práctica clínica.
En este sentido, el uso de algoritmos y modelos de IA han sido útiles en diversas disciplinas, como dermatología, oftalmología y radiología. Especialistas creen que la IA será de mayor utilidad en sistemas de apoyo a decisiones clínicas (CDSS, en inglés), ya que ayudan a los médicos a tomar decisiones complejas para mejorar la calidad de la atención.
Un estudio reciente evaluó cómo la IA podría integrarse en un escenario clínico específico, utilizando un modelo de IA para identificar síndrome de dificultad respiratoria aguda (SDRA) en radiografías de tórax. Para ello se probaron cuatro estrategias de colaboración entre el modelo de IA y los médicos, y se encontró que la estrategia en la que el modelo de IA revisaba primero la radiografía y luego se recurría al médico en casos de incertidumbre obtuvo la mayor precisión diagnóstica. Esto indica que la IA puede ser útil para el triaje de pacientes con SDRA en casos más sencillos, mientras que los médicos pueden enfocarse en interpretar imágenes más complicadas.
Sin embargo, existen retos clave para la implementación de este tipo de modelos en la práctica clínica:
- Confianza: Tanto pacientes como médicos deben confiar en los modelos de IA utilizados para el apoyo en decisiones clínicas para lograr su adopción de manera generalizada. Para ello, los modelos de IA necesitarán ser explicables, mostrando transparencia y explicaciones sobre sus decisiones para generar confianza.
- Sesgo: Los conjuntos de datos utilizados para entrenar los modelos de IA pueden contener sesgos que afectan negativamente a poblaciones desfavorecidas. Por esto, se requieren estrategias para detectar y reducir o eliminar el sesgo para lograr una atención justa y equitativa.
- Escalabilidad: La implementación generalizada de CDSS basados en IA debe considerar cómo adaptar herramientas generalizables a diferentes entornos clínicos. Se necesita infraestructura tecnológica adecuada y mayor alfabetización en informática para aprovechar al máximo estas tecnologías.
- Implementación: La implementación de CDSS basados en IA plantea desafíos regulatorios y de responsabilidad en caso de errores. Son necesarias nuevas reglas, directrices y regulaciones para definir responsabilidades y evitar mal uso de estas herramientas.
Aunque los CDSS probados han demostrado mejores resultados cuando los algoritmos de IA colaboran con los médicos, es necesaria la validación clínica rigurosa en entornos reales antes de implementarlos en la práctica clínica. Tomando en cuenta los retos y desafíos mencionados anteriormente es necesario se puede asegurar el éxito de la implementación de esta clase de modelos.
