Centro de noticias | México
AI in Healthcare

feb 10, 2022

IA en la atención médica: Cuatro áreas de enfoque para promover una adopción clínica más amplia

Por Henk van Houten y Tina Mahonaran

Tiempo estimado de lectura: 8-10 minutos

La inteligencia artificial (IA) ha irrumpido en la escena en la atención médica en los últimos años, e impulsado nuevas innovaciones que prometen mejorar la atención y los resultados del paciente al tiempo que se reducen los costos. Pero como cualquiera que trabaje en este campo sabe, el camino desde la investigación la IA hasta la práctica clínica puede ser difícil, por razones que se extienden mucho más allá de la tecnología en sí. ¿Cómo podemos impulsar la adopción de la IA en la atención médica a escala para cumplir plenamente su promesa para los pacientes y los profesionales de la salud?

 

Desde el diagnóstico de precisión hasta el monitoreo de pacientes graves y la autogestión de las enfermedades crónicas, la IA aplicada a la atención médica ha demostrado potencial para apoyar a los proveedores y pacientes en cada etapa del proceso de la atención médica.

Las aplicaciones van desde algoritmos que aumentan la experiencia de los proveedores de atención médica y respaldan la toma de decisiones centrada en el paciente, hasta herramientas de automatización del flujo de trabajo que pueden mejorar la eficiencia operativa y liberar el enfoque para la atención al paciente. La IA también está ayudando a los hospitales a pronosticar y administrar el flujo de pacientes, desde la admisión hasta el alta hospitalaria, lo que les permite adaptarse a circunstancias que cambian rápidamente. Y dado que la atención médica se traslada cada vez más al hogar, los conocimientos basados en IA pueden ayudar a las personas a cuidar su propia salud y bienestar para mantenerlas fuera del hospital, mientras se mantienen estrechamente conectados con los profesionales de la salud a través del monitoreo remoto de pacientes.

 

La necesidad de tales tecnologías solo se sentirá con más fuerza en los próximos años. Los sistemas de salud ya estaban luchando para satisfacer la creciente demanda de los pacientes antes de que los golpeara la COVID-19. Con la escasez mundial de personal proyectada para aumentar a 18 millones para 2030 [1], la atención médica está en una trayectoria insostenible si no repensamos con urgencia cómo y dónde se presta.

Una encuesta de Medscape de 2021 reveló que el 42 % de los profesionales de la salud se sentían agotados, y las continuas repercusiones de la pandemia se suman a la tensión para muchos [2]. La creciente carga administrativa en la atención médica también es un peso importante sobre ellos, que aleja su atención de lo que los atrajo a la medicina en primer lugar: el cuidado de los pacientes [3]. Nos obliga a preguntarnos cómo las tecnologías como la IA pueden aliviar la carga para los profesionales de la salud y hacer que su trabajo sea más gratificante, y les permita pasar su tiempo donde agrega más valor.

 

Sin embargo, a pesar de alentar las primeras aplicaciones y una gran cantidad de investigación, hay varios desafíos que se interponen en el camino de una adopción más amplia de la IA en la práctica clínica, que van desde la (falta de) integración y confianza en el flujo de trabajo, hasta las dificultades con el acceso a los datos y las preocupaciones sobre la privacidad de datos [4,5].

 

En un intento por abordar tales desafíos, hemos identificado cuatro áreas que permiten aprovechar todo el potencial de la IA en la atención médica.

AI in healthcare: AI enablers

Exploremos cada una de estas cuatro áreas con más detalle.

1. Personas y experiencias

AI in healthcare

El valor de la IA en la atención médica es tan fuerte como la experiencia humana que respalda. Por lo tanto, la innovación en términos de IA debe centrarse en las necesidades insatisfechas de los proveedores y los pacientes en primer lugar.

 

Las innovaciones de IA más beneficiosas en la atención médica, como cualquier otra innovación, están impulsadas por la necesidad en lugar de impulsadas por la tecnología. Mejoran la experiencia de la atención humana sin entorpecerla. O, como lo dijo un director de informática (CIO) de un hospital: «La medicina digital es solo medicina de la misma manera que la tecnología realmente buena no tiene que ver con la tecnología. Se mezcla con el tejido de nuestra vida cotidiana». [6]

Diseño centrado en el ser humano para una integración perfecta del flujo de trabajo


Para lograr este tipo de integración perfecta del flujo de trabajo, el diseño centrado en el ser humano es esencial. Esto requiere la participación de todas las partes interesadas relevantes, incluidos los usuarios finales, desde el comienzo del proceso de desarrollo. En Philips, utilizamos herramientas como sesiones de cocreación, flujos de experiencia y análisis de flujo de trabajo de 360 grados en el lugar para comprender el contexto en el que se utiliza la tecnología habilitada para IA.

 

Un aprendizaje constante de tales colaboraciones es que la IA en la atención médica debería reducir la sobrecarga de información en lugar de aumentarla. Lo que puede parecer un algoritmo útil en un entorno de investigación en realidad puede resultar una carga para los profesionales de la salud si significa agregar otra cosa a su flujo de trabajo.

 

Veamos la radiología, por ejemplo. Los radiólogos trabajan en un entorno complejo y con presión debido al tiempo, ejecutando diferentes aplicaciones de software en paralelo y en múltiples pantallas. Si los algoritmos de IA requieren que se administren aplicaciones adicionales, el efecto neto puede ser que, en realidad, los radiólogos pasen más tiempo, no menos, procesando imágenes médicas [7]. En su lugar, los algoritmos deben integrarse a la perfección en sus flujos de trabajo, y ofrecer una experiencia unificada sin la necesidad del cambio de tarea adicional.

AI in healthcare: AI in radiology

Desarrollo de una fuerza laboral preparada para la IA


Para preparar a la fuerza laboral médica de hoy y de mañana para un futuro habilitado por la IA y otras tecnologías digitales, la educación también es esencial. Cada vez más, los médicos deberán estar bien versados tanto en biomedicina como en ciencia de datos, con una comprensión adecuada de las fortalezas y limitaciones de la IA. El personal de enfermería a la cabecera también deben sentirse cómodo con los sistemas de apoyo a la toma de decisiones clínicas basados en la IA, y saber cómo aprovechar al máximo los conocimientos basados en datos junto con su propia experiencia profesional. Y deben poder explicarles a los pacientes cómo la IA ayuda a tomar decisiones médicas informadas.

 

Por lo tanto, los sistemas nacionales de salud deben priorizar la IA y la ciencia de datos en sus planes de estudio. Instituciones como la Sociedad Europea de Radiología han pedido con razón que la IA se incluya en los planes de estudio para futuros residentes de radiología [8]. Otras especialidades en las que es más probable que la IA genere nuevas aplicaciones primero, como la patología y la oncología, también se beneficiarían de nuevos programas educativos que incorporen los últimos conocimientos de los profesionales de la salud, la universidad y los actores de la industria. Además, la colaboración virtual puede apoyar el aprendizaje entre pares.

 

En Philips, también estamos promoviendo una conciencia pública más amplia sobre el papel emergente de la IA en la atención médica. Por ejemplo, a través del consorcio holandés Kickstart AI hemos contribuido a un curso nacional de IA dirigido al público en general. Tales iniciativas pueden ayudar a que las personas estén más familiarizadas y sean más receptivas al uso de la IA en dispositivos de salud personal y de atención médica.

2. Datos y tecnología

AI in Healthcare

El desarrollo de soluciones habilitadas para IA se basa en el acceso a datos de alta calidad. La realidad, sin embargo, es que los datos de la atención médica de hoy en día a menudo están encerrados en sistemas dispares y desconectados, lo que representa una barrera que debe abordarse para que la IA en la atención médica se amplíe.

 

En nuestro informe Future Health Index de 2021, los líderes de la atención médica citaron las dificultades con la gestión de datos (44 %) y la falta de estándares de interoperabilidad y datos (37 %) como los mayores obstáculos para la adopción de tecnología de salud digital en su hospital o centro de atención médica. Estos desafíos también pueden dificultar la compilación de los datos de alta calidad necesarios para entrenar modelos de IA, particularmente si esos modelos se basan en datos multimodales y longitudinales de diferentes fuentes.

AI in healthcare: Data challenges

Promoción del intercambio de datos y la interoperabilidad


Para superar estos desafíos, se necesitan infraestructuras de plataforma robustas e interconectadas para recopilar, combinar y analizar datos a escala. A medida que la atención médica se distribuye cada vez más, y se extiende desde el hospital hasta el hogar, tales infraestructuras deben cubrir todo el proceso de atención para conectar los datos de los pacientes en todos los entornos. A través de nuestra plataforma Philips HealthSuite en la nube, estamos ayudando a los proveedores de atención médica a recopilar, compilar y analizar datos de múltiples fuentes, incluidos los registros médicos, las imágenes y los datos de monitoreo, así como de los dispositivos de salud personal.

 

En segundo lugar, la interoperabilidad y el intercambio estandarizado de datos entre diferentes hospitales y sistemas de salud es clave para explotar todo el potencial de los datos y la IA en la atención médica. Los datos deben estar disponibles en formatos que se puedan compartir sin esfuerzo, de forma transparente y segura, de una forma que cumpla con las regulaciones de privacidad relevantes. En Philips, estamos promoviendo el uso de estándares de datos abiertos y con interoperabilidad semántica, a través de métodos como un sistema de lenguaje de información unificado, para permitir a los proveedores de atención médica conectarse e integrar datos de manera significativa.

 

En tercer lugar, la legislación y la colaboración regionales deben permitir el intercambio seguro y el acceso a datos debidamente anotados para la investigación de la IA y la práctica clínica, y salvaguardar al mismo tiempo la privacidad del paciente. Por lo tanto, apoyamos iniciativas como la creación de un Espacio europeo común de datos de salud, que está destinado a promover un mejor intercambio y acceso a diferentes tipos de datos de salud que van desde historias clínicas electrónicas hasta datos de genómica, en todos los estados miembros de la UE.

Pioneros en la IA de próxima generación


Los enfoques de próxima generación para el desarrollo de la IA también pueden ayudar a abordar algunos de los desafíos en torno al acceso a los datos. Por ejemplo, el aprendizaje federado le permite a múltiples instituciones de atención médica obtener información a través de un modelo de IA compartido, sin tener que mover los datos de los pacientes más allá de las instituciones donde residen. El proceso de aprendizaje automático se produce localmente en cada institución participante. Solo las características del modelo de IA se transfieren a un servidor central en la nube. Los datos se quedan donde están. En investigaciones recientes se ha demostrado que los modelos entrenados por el aprendizaje federado pueden alcanzar niveles de rendimiento comparables a los entrenados mediante conjuntos de datos alojados centralmente y resultan superiores a los modelos basados en datos de una sola institución [9].

AI in healthcare: Federated learning

Cuando los datos para entrenar modelos de IA son escasos, también podemos aprovechar el conocimiento existente basado en la ciencia para ayudar a llenar los vacíos. Por ejemplo, el conocimiento anatómico y fisiológico de los pulmones o el corazón se puede utilizar para crear imágenes sintéticas que complementen los datos anotados existentes. Los modelos de segmentación de imágenes médicas entrenados con tales conjuntos de datos aumentados de forma sintética han mostrado una mejor precisión que los modelos entrenados solo en un pequeño conjunto de datos del mundo real, lo que muestra la promesa de un enfoque de modelado híbrido que combina el poder de los datos con el conocimiento basado en la ciencia [10].

 

Al explorar las posibilidades de estos y otros métodos de IA de próxima generación, podremos asumir desafíos relacionados con los datos en el desarrollo de la IA con un conjunto de herramientas más versátil y eficaz.

3. Gobernanza y confianza

AI in Healthcare

Para fortalecer la confianza pública y profesional en la IA en la atención médica, los avances tecnológicos deben ir de la mano con una gobernanza adecuada en torno a la privacidad de los datos, la seguridad y la ética de la IA.

 

Cuando se les preguntó a los consumidores que les impediría usar la tecnología de salud digital, el 41 % clasificó las «preocupaciones sobre mi privacidad o la seguridad de mis datos» como la barrera número uno [11]. Del mismo modo, para los directores de informática (CIO) del sector sanitario encargados de mantener seguros los datos de los pacientes en una creciente plétora de canales y dispositivos, la seguridad de los datos es una preocupación tan grande como siempre [12]. En Philips, nos comprometemos a abordar de forma proactiva las preocupaciones de seguridad y privacidad, tal como se expresa en nuestros Principios de datos.

 

Pero la IA en la atención médica también trae consigo otros riesgos, que requieren estándares y salvaguardas adicionales. Por ejemplo, debemos fomentar la confianza adecuada en la IA y evitar al mismo tiempo que los médicos lleguen a confiar ciegamente en ella, porque ningún algoritmo será nunca perfecto. También debemos ser conscientes de que la IA puede exacerbar las desigualdades de salud existentes a través de conjuntos de datos sesgados que no representan con precisión a la población objetivo.


Tales consideraciones nos llevaron a desarrollar e implementar un conjunto de principios rectores para el uso responsable de la IA, todos basados en la noción de que la IA debe beneficiar a los proveedores de atención médica, los pacientes y la sociedad en general, y evitar al mismo tiempo consecuencias no deseadas como el sesgo. Hemos escrito sobre estos Principios de IA y la importancia de una IA justa y libre de sesgos antes, consulte estos artículos para obtener más detalles sobre este tema vital.

AI in healthcare: Trustworthy AI

Lo que vale la pena destacar aquí es que la IA también está siendo reconocida cada vez más como una fuerza para el bien que puede promover una atención médica más justa y equitativa. Por ejemplo, Philips recibió recientemente una subvención de la Fundación Bill y Melinda Gates para desarrollar una aplicación basada en IA para mejorar la calidad y la accesibilidad de la atención obstétrica en países de ingresos bajos y medios. La aplicación estará diseñada para ayudar al personal de enfermería a identificar posibles problemas en el embarazo en una etapa temprana, y les darán así a las madres embarazadas una mejor oportunidad de traer un niño sano al mundo. Esta es solo una de las muchas oportunidades para que la IA en la atención médica marque la diferencia donde más se necesita.

4. Alianzas y nuevos modelos de negocios

Fairness image

En un sector tan complejo como el sanitario, ningún actor individual tiene todas las soluciones. Por lo tanto, las asociaciones, la integración de ecosistemas y los nuevos modelos de negocio, como los mercados de software basados en SaaS, son cada vez más importantes para llevar la IA a la práctica clínica.

 

La implementación de proyectos exitosos de IA a escala requiere una intensa colaboración entre personas con antecedentes muy diversos, desde médicos hasta científicos de datos, pacientes, quienes toman las decisiones en los hospitales y los profesionales de TI. Las asociaciones son la clave para unir estas disciplinas. Por ejemplo, como parte de BigMedilytics, un consorcio de big data respaldado por la UE dirigido por Philips Research, hemos estado trabajando en estrecha colaboración con socios clínicos en el desarrollo de modelos predictivos de los resultados de la intervención quirúrgica en el cáncer de próstata, que pueden apoyar a médicos y pacientes en sus decisiones de tratamiento, para obtener mejores resultados y calidad de vida.

 

A través de asociaciones e integración de ecosistemas, los grandes proveedores de soluciones de atención médica como Philips también pueden facilitar a los hospitales la incorporación de aplicaciones de IA de nuevas empresas en sus flujos de trabajo. Por ejemplo, en radiología, esto puede tomar la forma de un mercado de software curado que permite a los radiólogos descargar aplicaciones validadas de un gran número de desarrolladores externos a través de una plataforma común, sin tener que preocuparse por las integraciones punto a punto. Al proporcionar tales servicios a través de la nube sobre una base de software como servicio (SaaS), las aplicaciones de IA se pueden implementar más fácilmente y actualizarse con el tiempo, para una innovación continua.

AI in healthcare: Robustness image

Por último, los criterios claros para el reembolso de la IA en la asistencia sanitaria también serán cruciales para una adopción más amplia. Hoy en día, la financiación de la IA sigue siendo incierta en muchos casos. Los esquemas de reembolso no se diseñaron teniendo en cuenta la IA. Una transición de los de pago por servicio a modelos de pago basados en el valor contribuiría en gran medida a crear el marco de incentivos adecuado para la adopción sostenible de la IA en la atención médica. Esto debe ir de la mano con más estudios clínicos prospectivos que establezcan mejores resultados a través del uso de la IA, que demuestren su valor para los proveedores, pagadores y pacientes [13].

 

Queda claro que sigue existiendo una amplia gama de desafíos, muchos de los cuales no tienen que ver con la tecnología como tal. Para impulsar la adopción de la IA en la atención médica a escala, debemos tener una visión mucho más amplia y preguntarnos cómo se puede integrar mejor la IA en los flujos de trabajo, las políticas y los ecosistemas que hacen posible la transformación real. Solo abordando estos facilitadores de manera concertada podremos cumplir con la promesa completa de la IA. Se lo debemos a todos los profesionales de la salud y pacientes cuyas vidas podrían mejorar con ella.

Leer más sobre la IA en la atención médica

Para una conocer más sobre cómo la IA puede agregar valor a los pacientes y profesionales de la salud en todo el proceso de la atención, descargue nuestro documento de posición “How AI can enhance the human experience in healthcare”.

Referencias

[1] World Health Organization. https://www.who.int/news/item/28-05-2019-addressing-the-18-million-health-worker-shortfall-35-concrete-actions-and-6-key-messages
[2] Medscape National Physician Burnout & Suicide Report 2021
[3] Scientific American. https://blogs.scientificamerican.com/observations/electronic-health-records-and-doctor-burnout/
[4] Kelly, CJ, Karthikesalingam, A, Suleyman, M, Corrado, G, King, D. 2019. Key challenges for delivering clinical impact with artificial intelligence. BMC Medicine 17, 1:195. https://doi.org/10.1186/s12916-019-1426-2
[5] Strohm, L, Hehakaya, C, Ranschaert, ER, Boon, WPC, Moors, EHM. 2020. Implementation of artificial intelligence (AI) applications in radiology: hindering and facilitating factors. European Radiology. 30, 5525–5532. https://doi.org/10.1007/s00330-020-06946-y
[6] Marx, E & Padmanabhan, P. Healthcare Digital Transformation. 2020
[7] Kwee, TC, Kwee, RM. 2021. Workload of diagnostic radiologists in the foreseeable future based on recent scientific advances: growth expectations and role of artificial intelligence. Insights Imaging 12, 88 https://doi.org/10.1186/s13244-021-01031-4
[8] Richardson, ML, Garwood, ER, Lee, Y, et al. 2021. Noninterpretive Uses of Artificial Intelligence in Radiology, Academic Radiology, 28(9). https://doi.org/10.1016/j.acra.2020.01.012
[9] Rieke, N, Hancox, J, Li, W, et al. 2020. The future of digital health with federated learning.  NPJ Digital Medicine, 3, 119. https://doi.org/10.1038/s41746-020-00323-1
[10] Frid-Adar, M, Diamant, I, Klang, E, et al. 2018. GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classification. Neurocomputing. 321:321-331. https://doi.org/10.1016/j.neucom.2018.09.013
[11] https://www.accenture.com/us-en/insights/health/leaders-make-recent-digital-health-gains-last
[12] https://www.beckershospitalreview.com/healthcare-information-technology/healthcare-cios-in-2020-3-key-priorities-how-the-role-is-evolving.html
[13] McKinsey and EIT Health. Transforming healthcare with AI: the impact on the workforce and organisations. https://www.mckinsey.com/industries/healthcare-systems-and-services/our-insights/transforming-healthcare-with-ai

Share on social media

Topics

Authors

Henk van Houten

Henk van Houten

Former Chief Technology Officer at Royal Philips from 2016 to 2022

Tina Manoharan

Tina Manoharan

Global Lead Data Science & AI Center of Excellence

As the Global Lead of the Data Science & AI Center of Excellence, Tina leverages data science and AI to support Philips clusters, businesses and markets with the creation of smart connected devices, services, and solutions. She also leads the Digital Division of Research in Europe focusing, among other, on the Internet of Things, data science and AI.

Follow me on

Más noticias relacionadas

You are about to visit a Philips global content page

Continue

Nuestro sitio se puede visualizar mejor con la última versión de Microsoft Edge, Google Chrome o Firefox.