Inteligencia Artificial en la toma de desiciones clínicas

[rodrigorojass]

Inteligencia artificial en el apoyo a la toma de decisiones clínicas: desafíos en la evaluación de la IA e implicaciones prácticas

Este trabajo se enfoca en el rol de la IA en lo que son decisiones clínicas y como realizar la elección de algoritmos.

Los desafíos en la evaluación de la IA para el apoyo en las decisiones clínicas:

Diseño y desarrollo de IA: Por ejemplo, un algoritmo utilizado para la clasificación necesita una alta discriminación, mientras que un algoritmo que predice la mortalidad o los riesgos de complicación en la toma de decisiones compartida debe ser muy exacto y preciso para todo tipo de pacientes.
Un desafío fundamental es que las IA creadas mediante el aprendizaje automático no se generalizan necesariamente mucho más allá de los datos sobre los que están capacitadas. Incluso en tareas restringidas como la interpretación de imágenes, la IA puede realizar diagnósticos erróneos debido a las diferencias en el entrenamiento y las poblaciones del mundo real.

Selección y uso de IA: Cuando hay varios algoritmos disponibles y se debe seleccionar uno, es importante evaluar los riesgos de problemas de calidad de los datos y el ajuste de los datos fundamentales a una nueva situación, como diferentes patrones de población y morbilidad. ¿Qué nos dice la procedencia de un algoritmo sobre su generalización? Por ejemplo, un cálculo que encuentre una asociación entre la presión arterial y las complicaciones en pacientes de la UCI donde la presión arterial se mide continuamente podría no ser aplicable a otros pacientes hospitalizados donde la presión arterial se mide quizás solo una vez al día.

Supervisión continua de IA: Una vez implementado, se necesita una vigilancia continua para monitorear y recalibrar los algoritmos de IA. Esta vigilancia también es necesaria para los algoritmos dinámicos que se actualizan continuamente en función de los datos de la práctica y la evidencia clínica publicada. Otro aspecto es la detección y evaluación de errores "ocultos": fallas sutiles en los datos inferidos o una configuración incorrecta que puede no ser tan obvia.

Conclusiones: Los avances tecnológicos están superando nuestra capacidad para predecir los efectos de la IA en la práctica de la medicina, la atención que reciben los pacientes y el impacto en sus vidas. En el futuro inmediato, podemos esperar que la IA apoye las decisiones clínicas con los humanos en el ciclo de decisiones. Es probable que la dinámica de los procesos de toma de decisiones se altere y los médicos necesiten sopesar los consejos generados por la IA con otras pruebas y preferencias del paciente. Para garantizar la integración segura y eficaz de la IA en la prestación de cuidados, es fundamental un compromiso sólido con la evaluación.

Inteligencia artificial para apoyar los procesos de toma de decisiones clínicas

Escenarios clínicos para predicciones
Este trabajo se enfoca en la IA en relación con los procesos de toma de decisiones clínicas cuando informaron de la alta frecuencia de tratamientos antibióticos empíricos inapropiados en pacientes neutropénicos con infección del torrente sanguíneo. Estos tratamientos antibióticos empíricos inadecuados tuvieron un impacto directo en la mortalidad. Ofrecer un tratamiento amplio con antibióticos a todos los pacientes no es una opción adecuada debido a su asociación con una mayor selección de resistencia a los antimicrobianos, toxicidad innecesaria y / o aumentos en los costos de atención médica. Con estos antecedentes, se creó un programa de IA para comprobar si, mediante el uso de datos obtenidos directamente de los HCE, y se pudo predecir qué pacientes hematológicos con neutropenia febril tendrían infecciones por bacilos gramnegativos multirresistentes (MDR-GNB).

Disponibilidad de datos en HCE (Historia Clínica Electrónica)
Casi toda la investigación médica se ha realizado a través de datos recopilados manualmente cargados en programas estadísticos. Este enfoque actual presenta varias debilidades, como un gran sacrificio de tiempo para recopilar datos, análisis de solo pequeños conjuntos de variables o falta de datos en tiempo real. Sin embargo, como la mayoría de los hospitales han comenzado a transformar sus procesos de atención al paciente mediante la integración de registros médicos electrónicos, los datos disponibles en ordenadores han alcanzado una tasa de crecimiento anual que supera a los datos procedentes de cualquier otro medio. Una dificultad en la construcción de un conjunto de datos principal que integre todos los HCE requirió primero una tarea difícil para crear un diccionario para traducir los códigos del sistema en variables clínicas legibles por los médicos. Para lograr este proceso de minería de datos, es imperativo que un equipo multidisciplinario de médicos e informáticos motivados trabajen juntos. Si una institución clínica puede recopilar todos los datos disponibles, la utilidad potencial de dicha información para la investigación y las aplicaciones de inteligencia artificial es inimaginable.

¿Qué debe saber un médico sobre machine learning y las redes neuronales?
El objetivo de este artículo es explicar a los médicos el gran potencial positivo de la IA para mejorar los procesos de toma de decisiones clínicas.
La investigación médica ha empleado ampliamente el uso de regresión logística como un modelo estadístico para lograr diferentes puntos finales. La predicción lineal divide los eventos en posibles o no posibles. Sin embargo, como ha demostrado la vida real, la mayoría de los eventos no son tan blancos y negros. Si volvemos al problema clínico presentado inicialmente en esta revisión, predecir qué pacientes tendrán una infección causada por bacterias multirresistentes, significa que el riesgo de infección multirresistente dependerá del uso de antibióticos, el entorno hospitalario y el estado de la microbiota del huésped. Pero, de hecho, estos factores dependen simultáneamente de otros factores, como la gravedad clínica, las comorbilidades, la experiencia del equipo en el uso de antibióticos o las características del hospital. Según el mismo argumento, se cae en la razón de que estos factores también dependen simultáneamente de otros factores, y así sucesivamente. Dependiendo del peso de cada uno de estos factores en juego, un paciente en particular podría tener un riesgo mayor o menor de contraer una infección multirresistente. Es imposible para la mente predecir cómo un cambio en cualquiera de estos numerosos factores afectará con precisión la probabilidad de riesgo de una infección multirresistente junto con los diversos ejes que componen este complejo modelo.

Conclusiones: La disponibilidad de una gran cantidad de datos EHR; el uso de ML o NN, y el alto nivel de rendimiento de las nuevas computadoras revelan el inmenso poder que la IA puede ejercer para mejorar el panorama médico. Es tanto la alta precisión como la objetividad de los algoritmos de IA lo que la práctica clínica podría observar la personalización de la medicina; optimización de los costes sanitarios; y mejoras en los resultados de los pacientes. Sin embargo, existe una salvedad para tal progreso. El auge de las aplicaciones de inteligencia artificial invitará a discusiones éticas y pedirá a los médicos e investigadores que consideren cuestiones como la evaluación de los algoritmos de decisión y las ramificaciones legales de tales decisiones.

Referencias
Artificial Intelligence in Clinical Decision Support: Challenges for Evaluating AI and Practical Implications - IMIA and Georg Thieme Verlag KG
http://dx.doi.org/10.1055/s-0039-1677903
Artificial intelligence to support clinical decision-making processes - EBioMedicine 46 (2019) 27
https://doi.org/10.1016/j.ebiom.2019.07.019