Fases de entusiasmo, desilusión con la inteligencia artificial

Levy J, Madrigal E, Vaickus L. Editorial: Artificial intelligence: applications in clinical medicine. Front Med Technol. 2023 Jun 9;5:1206969. doi: 10.3389/fmedt.2023.1206969. PMID: 37361925; PMCID: PMC10289260.

---

Abundan las oportunidades interesantes para explorar el potencial de las tecnologías de inteligencia artificial (IA) en medicina. El interés en la IA ha crecido sustancialmente en todas las industrias, incluida la atención médica, en parte debido al advenimiento de tecnologías de IA populares y altamente publicitadas. Por ejemplo, la aparición de ChatGPT ha permitido un acceso rápido al conocimiento y la información en un formato altamente digerible (a pesar de su tendencia a generar respuestas sin sentido) (1). El auge de estas nuevas tecnologías ha creado mucho entusiasmo y anticipación sobre el potencial de la IA para revolucionar la atención médica al funcionar como un observador imparcial capaz de procesar de manera eficiente conjuntos de datos grandes e intrincados. Este afán a veces puede eclipsar las consideraciones prácticas para la traducción de la IA del desarrollo a la implementación clínica. Si bien es tentador aplicar la IA a todos los problemas clínicos, debe tenerse en cuenta que no todos los problemas se pueden resolver de manera más eficiente con tecnologías de IA. En comparación con ChatGPT, que ya ha proporcionado a los usuarios una serie de útiles «hacks de productividad», las tecnologías médicas de IA aún no han cumplido sus promesas de transformar la atención médica. Esto ha llevado a un punto de vista creciente de que estas tecnologías están en un «valle de desilusión»: la emoción inicial y las expectativas aún no se han cumplido, dando paso a un creciente escepticismo.

Pasar del «valle de la desilusión» a la «meseta de la productividad» en la tecnología médica de IA (Figura 1), es importante abordar consideraciones prácticas para el desarrollo y la implementación antes de invertir en ensayos clínicos multicéntricos. Esto requiere un conjunto más amplio de herramientas para comprender la idoneidad de las tecnologías para los ensayos clínicos e identificar las barreras para la adopción. Los marcos científicos de implementación, como el Marco Consolidado para la Investigación de la Implementación (CFIR), pueden promover la adopción de prácticas basadas en la evidencia y considerar un contexto adicional más allá de la efectividad de la intervención (2–4). Los equipos transdisciplinarios son esenciales para aprovechar el potencial de las tecnologías médicas de IA, ya que no todos los expertos en informática son científicos de implementación o clínicos.

Este gráfico intenta representar las fases de la evolución de los sistemas de inteligencia artificial sobre la desilusión, aplicación correcta y generar una productividad adecuada a las necesidades del sistema de salud. Ilustración de la curva de exageración para las tecnologías emergentes de IA médica, que demuestra la importancia de la implementación, la educación y la capacitación para progresar desde el punto más bajo de la desilusión hasta la meseta de la productividad.

El desarrollo de tecnologías de IA puede conducir a sesgos si no se aborda con una combinación de perspectivas, valores, experiencias y puntos de vista. Este sesgo puede resultar en un comportamiento algorítmico que afecta negativamente a los grupos históricamente desatendidos y puede conducir a mayores tasas de subdiagnóstico y diagnóstico erróneo en estas poblaciones. Por ejemplo, se ha descubierto que los algoritmos de predicción de imágenes de cáncer de piel son menos precisos para los grupos demográficos desfavorecidos (5). A medida que los algoritmos de IA se utilizan más ampliamente en la atención clínica, es crucial ampliar la participación en su desarrollo para que sean más representativos de poblaciones variadas.

Investigaciones anteriores han demostrado que los grupos de investigación muy diversos superan a los grupos homogéneos (6), por lo que es esencial involucrar a los profesionales y participantes de poblaciones desatendidas en el desarrollo de la IA. Los marcos de aprendizaje remoto presentan una oportunidad para exponer a los estudiantes de grupos subrepresentados a la investigación de IA y las trayectorias profesionales de STEM donde el transporte y el acceso a las oportunidades son limitados. Aún así, existe la necesidad de desarrollar una comprensión más profunda de las adaptaciones educativas, curriculares y de infraestructura necesarias para implementar con éxito experiencias de investigación totalmente remotas para estudiantes de entornos desatendidos (7, 8). Esto incluye proporcionar acceso a mentores como modelos a seguir para ayudarlos a encontrar y aprovechar los recursos que pueden avanzar en las perspectivas de carrera.

Solicitamos artículos que se adhirieran a los principios educativos y de implementación para diseñar, validar e implementar tecnologías médicas emergentes de IA. Los artículos presentados incluyen dos revisiones, un artículo de diseño curricular educativo y un artículo de investigación original que cubre ampliamente los avances en ortopedia, administración y diseño de medicamentos, radiología y evaluación de márgenes.

Farhadi et al. Resumió los avances actuales y las aplicaciones de los algoritmos de aprendizaje automático en cinco disciplinas ortopédicas clave, a saber, reconstrucción articular, columna vertebral, oncología ortopédica, trauma y medicina deportiva. Señalaron la falta de adopción de estas tecnologías para uso clínico y sugirieron métricas como la reducción en el tiempo de interpretación, menores tasas de interpretación errónea, resultados de pacientes y complicaciones para comunicar el alcance y el impacto de estas tecnologías. Los autores también destacaron la importancia de utilizar modelos interpretables capaces de recapitular la incertidumbre diagnóstica y explorar procedimientos para facilitar la adquisición rápida de datos a través de múltiples socios institucionales.

Kaushik et al. exploraron áreas donde las tecnologías de IA podrían usarse para facilitar la planificación del tratamiento para pacientes con cáncer mediante la extracción de datos genómicos para medir y optimizar las propiedades materiales de la terapéutica y la selección de terapias óptimas basadas en interacciones con el sistema inmune (Das y Chandra). El aprendizaje por refuerzo, un enfoque de aprendizaje automático que opera con la retroalimentación del entorno o el sistema de interacción dada la selección de una solución potencial (es decir, el diseño de medicamentos y el espacio de administración), se discutió como una herramienta potencial para predecir una secuencia de acciones futuras a tomar en función del estado del paciente y las recompensas esperadas. Si bien solo hay aplicaciones escasas de aprendizaje por refuerzo en el espacio biomédico, la retroalimentación en tiempo real sobre el descubrimiento / entrega de fármacos es un dominio donde estos algoritmos se están aplicando para futuras investigaciones farmacogenómicas.

Chen et al. exploró la aplicación de métodos de aprendizaje automático a una evaluación de márgenes basada en radiómica de imágenes de agentes emparejados basadas en fluorescencia. Las imágenes de agentes pareados mejoran la discriminación de tumores basada en objetivos EGFR mediante la administración prequirúrgica de ABY-029, ofreciendo ventajas significativas más allá de la evaluación histológica estándar. Complementar las modalidades mejoradas de imágenes con flujos de trabajo de análisis de imágenes puede mejorar la precisión, la eficiencia y la integridad de la evaluación del margen tumoral intraoperatorio en tiempo real. Las tecnologías que mejoran la eficiencia del flujo de trabajo de patología quirúrgica tienen una alta probabilidad de adopción.

Los estudiantes de medicina y los residentes están entrando en un panorama de atención médica que cambia rápidamente donde la tecnología y los datos desempeñarán un papel crucial. Será esencial que los profesionales en ejercicio se familiaricen con las herramientas de aprendizaje automático y cómo operarlas. Tener un conjunto de habilidades cuantitativas junto con la experiencia en el dominio clínico es crucial para desarrollar tecnologías pertinentes para trabajar en la clínica. Lindqwister et al. personificó estas aspiraciones a través de un plan de estudios de educación longitudinal para residentes de radiología y demostró una alta satisfacción y comprensión percibida de los conceptos de IA de un curso de 7 meses y ofertas de talleres. Considerar cómo la IA y la informática médica pueden integrarse perfectamente en el plan de estudios de estudiantes / residentes de medicina es un debate en curso, ya que los aprendices están muy presionados por el tiempo con demandas competitivas.

En resumen, abordar las consideraciones prácticas para el desarrollo y la implementación de la tecnología de IA médica, involucrar diversas perspectivas en el proceso de desarrollo y proporcionar acceso a tutoría y recursos para estudiantes de entornos desatendidos son pasos cruciales para avanzar hacia la «meseta de productividad» y darse cuenta del potencial de la tecnología de IA médica.