Inteligencia Artificial en la atención médica

El cuidado de la salud ha llegado a un cierto punto donde la IA se está introduciendo en todas las áreas de la medicina. Esto nos da grandes expectativas, puesto que la IA tiene el potencial para mejorar las tecnologías existentes y de esa manera perfeccionar los medicamentos personalizados. También beneficiar a poblaciones históricamente desatendidas gracias al Big Data.


Para poder hacer esas cosas, es importante que la comunidad de atención médica, se asegure de que esas herramientas son confiables y no perpetúan sesgos existentes en el sistema actual. Investigadores de la Clínica Abdul Latif Jameel del MIT, piden la creación de una infraestructura sólida para ayudar a científicos y médicos en esta misión.

IA justa y equitativa para el cuidado de la salud

La Clínica Jameel, organizó una conferencia para evaluar el trabajo en este espacio, incluyendo las nuevas técnicas de Machine Learning (Aprendizaje Automático) las cuales respaldan equidad, personalización y inclusión.


Casi 1400 personas asistieron a esta conferencia virtualmente para escuchar a los líderes de opinión de la academia, industria y los del gobierno, que están trabajando en mejorar la equidad en la atención médica y comprender mejor los desafíos técnicos actuales.


Durante la conferencia, la profesora distinguida en IA y salud de la Escuela de Ingeniería y líder de la facultad de IA de la Clínica Jameel, Regina Barzilay, y el líder de tecnología en la Clínica Wellcome Trust, Bilal Mateen, anunciaron la subvención del ‘Wellcome Fund’ otorgada a la Clínica Jameel para crear una plataforma para apoyar a las herramientas de IA en la atención médica.
El objetivo final de este proyecto es mejorar realmente la vida de los pacientes de todo el mundo, es por eso que las herramientas no deben diseñarse pensando en una sola parte de la población, sino para ser reiterativas e inclusivas para toda la población. Para eso, la IA determinada debe estudiarse y validarse en muchas poblaciones distintas.


“Lo que se hizo cada vez más evidente para nosotros como financiador es que la naturaleza de la ciencia ha cambiado fundamentalmente en los últimos años, y es sustancialmente más computacional por diseño que nunca”, dijo Mateen.

La perspectiva clínica

Esta llamada a la acción viene en respuesta a la atención médica del 2020. En la conferencia Collin Stultz, profesos de ingeniería eléctrica e informática y cardiólogo del Hospital General de Massachusetts, habló sobre como los proveedores de atención médica suelen recetar tratamientos incorrectos.


El médico recopila la información sobre su paciente y la usa para crear un plan de tratamiento. Según Stultz: “Las decisiones que toman los proveedores pueden mejorar la calidad de vida de los pacientes o hacer que vivan más tiempo, pero esto no sucede en el vacío”.


En cambió Stultz dice que una compleja red de fuerzas puede influir en la forma de recibir tratamiento de los pacientes. Estas fuerzas van de ser hiperespecíficas a universales, las cuales van des de un paciente individual, a sesgos de un proveedor, como el conocimiento de ensayos clínicos defectuosos.

Conjuntos de datos y algoritmos

Una de las preguntas centrales de la conferencia giraba en torno a como se representa la raza en los conjuntos de datos, puesto que es una variable que puede ser fluida, auto informada y definida en términos no específicos.


Según la profesora asistente de epidemiología y bioestadística en la Universidad de Drexel, Sharrelle Barber: "Las desigualdades que estamos tratando de abordar son grandes, llamativas y persistentes", “Tenemos que pensar en cuál es realmente esa variable. Realmente, es un indicador de racismo estructural”, No es biológico, no es genético. Lo hemos estado diciendo una y otra vez".


Algunos aspectos de la salud son hereditarias como la fibrosis quística, pero la mayoría no son sencillas. Según el oncólogo del Hospital General de Massachusetts T. Salewa Oseni, en lo que respecta a la salud y resultados, la investigación tiende a asumir que los factores biológicos tienen una influencia enorme, sin tener en cuenta que los socio económicos también.


Incluso cuando los investigadores de Machine Learning detectan sesgos preexistentes en el sistema de atención médica, estos deben abordar las debilidades de los algoritmos. Deben lidiar con preguntas importantes que surgen en todas las etapas del desarrollo, desde encuadre inicial hasta la supervisión de la implementación en el mundo real.


La estudiante de doctorado en el MIT, Irene Chen, examina todos los pasos del proceso de desarrollo a través de la lente de la ética. Chen se alarmó al encontrar un algoritmo “Listo para usar”. Este proyectaba la mortalidad de los pacientes, produciendo predicciones basadas en la raza. Este algoritmo puede tener impactos reales. Nos muestra cómo los hospitales asignan recursos a los pacientes.


Chen se propuso conocer por qué se producían resultados tan desiguales. Ella definió tres fuentes específicas de sesgo. La primera es el “Sesgo” pero en sentido estadístico. La segunda la varianza controlada por el tamaño de la muestra. Y la ultima el ruido. En cambio indica que sucedió algo durante el proceso de recopilación de datos, un paso antes del desarrollo del modelo. Muchas inequidades sistémicas, como un seguro médico limitado o una desconfianza medica en ciertos grupos.
Chen indicó: “Una vez que se identifica qué componente es, se puede poner una solución”.


Marzyeh Ghassemi, profesora asistente en la Universidad de Toronto y profesora entrante en el MIT, ha estudiado el compromiso entre anonimizar los datos de salud y garantizar que todos los pacientes estén representado de manera justa. En casos como la privacidad diferencial, una herramienta de aprendizaje automático que garantiza el mismo nivel de privacidad para cada punto de datos, las personas que son demasiado "únicas" en su cohorte comenzaron a perder influencia predictiva en el modelo. En los datos de salud, donde los ensayos a menudo no representan a determinadas poblaciones, “las minorías son las que parecen únicas”, dice Ghassemi.


A parte de la Clínica Jameel, otras organizaciones reconocen el poder de aprovechar diversos datos para crear una atención médica más equitativa. El director de datos del Broad Institute del MIT y Harvard, Anthony Philippakis, presentó el programa de investigación “All of Us”, un proyecto que tiene como objetivo cerrar la brecha para las poblaciones históricamente poco reconocidas mediante recopilación de datos observacionales y longitudinales.


Una de las cuestiones más importantes de la conferencia gira en torno a la política. Según Kadija Ferryman, la regulación de la IA, está en su infancia y eso puede ser bueno. “Hay muchas oportunidades para que se creen políticas con estas ideas en torno a la equidad y la justicia, en lugar de tener políticas que se han desarrollado y luego trabajar para tratar de deshacer algunas de las regulaciones de las políticas”


Incluso antes de que la política entre en juego, existen ciertas prácticas recomendadas que los desarrolladores deben tener en cuenta. Najat Khan, director de ciencia de datos de I + D de Janssen, anima a los investigadores a ser "extremadamente sistemáticos y minuciosos desde el principio" al elegir conjuntos de datos y algoritmos; La viabilidad detallada de la fuente de datos, los tipos, la falta, la diversidad y otras consideraciones son fundamentales. Incluso los grandes conjuntos de datos comunes contienen sesgos inherentes.


Según Khan: "Tenemos que asegurarnos de que estamos desarrollando e invirtiendo en talentos de ciencia de datos que sean diversos tanto en sus antecedentes como en sus experiencias y asegurarnos de que tengan oportunidades de trabajar en problemas realmente importantes para los pacientes que les importan", "Si hacemos esto bien, verá ... y ya estamos empezando a ver ... un cambio fundamental en el talento que tenemos: un grupo de talentos más bilingüe y diverso".

Este texto es una adaptación del noticiario del MIT