Frente a la oficina de Nigam Shah, científico de datos de Stanford Health Care, cuelga un recuerdo anticuado de la primera ola de entusiasmo por la inteligencia artificial de mediados de los años 60. Sí, de los años 60.
En un contexto de amor libre y la acritud de la Guerra de Vietnam, la primera ola de IA sobrevino en la Universidad de Stanford y en numerosas otras instituciones académicas sin apenas causar impacto en un mundo exterior distraído.
Su llegada en los primeros días de Silicon Valley coincidió con la de dos científicos informáticos pioneros que vinieron para ayudar a Stanford a lanzar el primer «supercomputador» del país para IA en medicina. Ubicado en la Biblioteca Lane, se llamaba — como lee el letrero de vidriera en tonos de azul oceánico que ahora cuelga en la oficina de Shah — SUMEX-AIM, abreviatura de Stanford University Medical Experimental Computer for Artificial Intelligence in Medicine (Computador Experimental Médico de la Universidad de Stanford para Inteligencia Artificial en Medicina).
El término «inteligencia artificial» había sido acuñado una década antes por el profesor de matemáticas y ciencias de la computación John McCarthy, PhD, quien se trasladó desde el MIT hacia el oeste para lanzar el influyente Laboratorio de Inteligencia Artificial de Stanford en 1963.
En otras palabras, incluso con todo el revuelo que rodea la actual explosión de la IA, realmente no es nada nuevo, especialmente en Stanford.
«Si haces una encuesta entre los 1,200 profesores de la Facultad de Medicina, me sorprendería si más del 10% sabe algo sobre la historia de la IA en Stanford«, dijo Shah, MBBS, PhD, profesor de medicina y de ciencia de datos biomédicos y científico de datos jefe para Stanford Health Care. «Mucha gente piensa que este momento es el primer ciclo de exageración de la IA».
Esto ayuda a explicar por qué Shah, quien ha estado sumergido por décadas en terabytes de aprendizaje automático y redes neuronales, toma en serio sus deberes como historiador y pragmático de la IA. Desea que los recién llegados, que apenas comienzan a sintonizar, entiendan el contexto al descifrar qué tiene una relevancia profunda y qué es solo otra ronda de ruido futurista.
Shah describe este momento como uno de gran frenesí y enorme oportunidad, con una carrera impulsada por capital de riesgo para entregar aplicaciones de valor duradero —un objetivo que estima solo el 5% al 10% de las aplicaciones están alcanzando en la cultura de hoy inspirada por influencers que busca “avances cada 24 horas”. A través de esa neblina de ambición, están surgiendo innovaciones reales en medicina. Son simplemente más sutiles que llamativas; más incrementales que revolucionarias.
Como el principal evaluador de IA en Stanford Health Care, Shah observa de cerca. Si los algoritmos están bien diseñados y sirven para un propósito útil, incluso críticos del hype como él están dispuestos a comprar en esta ola de anticipación que ha cubierto cada sector de la sociedad. Las expectativas son especialmente altas en un lugar como Stanford Medicine, donde los intereses de la industria y la academia se sintetizan de una manera que ocurre en pocas otras instituciones médicas.
“Si aprovechamos este momento de atención, es una gran oportunidad”, dijo Shah, agregando que tomará las mejores ideas siendo probadas en los 600 sistemas de salud del país —no es una tarea pequeña. “Si hacemos eso”, añadió, “habremos realizado un experimento nacional a una escala que ninguna agencia gubernamental o compañía individual podría haber hecho. Eso es inmensamente emocionante.”
Es una oportunidad histórica, y plantea preguntas sobre cómo utilizar la IA en medicina de manera responsable, cómo establecer expectativas realistas sobre su potencial y qué papel jugarán los humanos detrás de los algoritmos. Aquí hay algunas de las preguntas más urgentes.
¿Qué está haciendo Stanford Medicine para asegurar que la IA se use de manera responsable en la investigación y el cuidado de la salud?
Los temores sobre la IA son reales, especialmente en el delicado mundo del cuidado de la salud. ¿Podrían estos nuevos algoritmos agravar desafíos existentes como el sesgo en el trato de las personas basado en su raza y la pérdida de privacidad debido a brechas de datos de salud? ¿Podrían aumentar la desconfianza en el sistema de salud y aquellos que brindan atención?
En junio, una colaboración entre el Instituto de Inteligencia Artificial Centrada en el Ser Humano de Stanford, o HAI, y la Facultad de Medicina resultó en la iniciativa RAISE-Health, cuya misión es «guiar el uso responsable de la IA en toda la investigación biomédica, educación y atención al paciente«.
Copatrocinada por Lloyd Minor, MD, decano de la Facultad de Medicina y vicepresidente de asuntos médicos en la Universidad de Stanford, y Fei-Fei Li, PhD, codirectora de HAI y profesora de ciencias de la computación, la iniciativa reúne un conjunto diverso de voces de toda la comunidad de Stanford —éticos, ingenieros y científicos sociales.
Alimentando ese reservorio de conocimiento están investigadores como Tina Hernandez-Boussard, PhD, decana asociada de investigación y profesora de medicina, de ciencia de datos biomédicos y de cirugía, cuyo trabajo tiene como objetivo asegurar que las poblaciones diversas reciban recursos y cuidados equitativos. Y el de Sanmi Koyejo, PhD, co-líder de RAISE-Health, cuyo trabajo se centra en la equidad y la detección de posibles sesgos en el análisis asistido por IA de imágenes médicas.
“La IA está preparada para revolucionar la biomedicina, pero desbloquear su potencial está intrínsecamente ligado con su uso responsable”, dijo Minor. “Debemos actuar con urgencia para asegurar que esta tecnología avance en el mejor interés de todos”.
Esto implicará una regulación gubernamental sólida, algo en lo que está trabajando Sherri Rose, PhD, profesora de política de salud. La investigación de Rose se ha centrado en asegurar que los intereses de las poblaciones marginadas sean considerados en el apuro de la investigación de IA.
¿Y qué hay sobre cómo estamos formando a una nueva generación —quizás la primera verdadera generación de IA— sobre cómo lidiar con todos los nuevos problemas que la IA en medicina está planteando? Hay una beca para eso. A través de un programa liderado por el Centro de Ética Biomédica de Stanford, con financiamiento de la compañía farmacéutica GSK, tres becarios postdoctorales están explorando las consideraciones éticas, legales y sociales que surgen del uso de la inteligencia artificial en la industria farmacéutica, desde los esfuerzos de descubrimiento de fármacos en etapas iniciales hasta su uso en consultorios médicos.
¿Cómo estamos definiendo la IA?
Entre redes neuronales profundas, aprendizaje automático, modelos de lenguaje grande y IA generativa versus no generativa —solo para empezar—, la jerga de la inteligencia artificial puede volverse confusa rápidamente. Incluso el término “inteligencia artificial” tiene múltiples significados.
“Depende de con quién hables”, dijo Shah. “Puede estar en la mente del observador”.
Su significado original es la imitación por parte de las computadoras de la inteligencia humana. Eso es un gran desafío —y podría no suceder jamás. Más a menudo la gente usa el término para referirse a computadoras que pueden realizar tareas complejas, pero no hay una división clara entre un algoritmo común y corriente que realiza computación rutinaria y un programa de IA. ¿Es una calculadora de bolsillo una IA? La mayoría diría que no. Pero la función de reconocimiento facial en un smartphone sí pasaría la prueba.
La lista de definiciones “IA 101” de Shah se ve así:
- El aprendizaje automático es la base para construir algoritmos o modelos alimentando a una computadora con ciertos conjuntos de datos. Es donde comienza toda la resolución de problemas de IA.
- Una red neuronal es la forma más compleja de aprendizaje automático, utilizando todas las entradas matemáticas posibles sin restricciones —y con múltiples capas, puede convertirse en una red neuronal profunda, produciendo lo que se conoce como aprendizaje profundo.
- Si puedes tomar ese algoritmo o modelo producido por el aprendizaje automático y generar datos con él, se llama IA generativa. Irónicamente, ChatGPT, el modelo que genera revuelo hoy en día, “inventa cosas”, dijo Shah. “Eso es para lo que está diseñado”.
- Modelos de lenguaje grande, como el GPT-4.0 alimentado por internet y Bard, son el combustible que da vida a la IA generativa.
- Shah es claro en un punto: Incluso si la IA generativa es responsable de toda la atención, no jugará un papel prominente en medicina y cuidado de la salud pronto debido a las preocupaciones sobre la precisión y la confianza.
- Ni, dijo, lo harán el 90% de los algoritmos que se están produciendo hoy.
- “Diez años a partir de ahora, estaremos inmensamente agradecidos por el 10% que dio resultado y cambió la ciencia, la práctica o la entrega de cuidados en medicina”, dijo.
¿De qué manera está Stanford Medicine tomando la delantera en IA?
La formación del Centro de Stanford para la Inteligencia Artificial en Medicina e Imagenología (conocido como AIMI) en 2018, que reunió a 50 profesores de 20 departamentos, impulsó la amplia gama de ciencia interdisciplinaria de equipo que se está realizando hoy en día en Stanford Medicine en aprendizaje automático.
Shah fue uno de los primeros en adoptar tal colaboración. Como el principal científico de datos de Stanford Health Care, está en la primera línea de llevar la IA del laboratorio de investigación a la clínica. Su equipo está buscando los ganadores inmediatos que podrían servir un propósito importante tanto para médicos como para pacientes.
En Stanford Health Care, el enfoque inicial con la IA generativa ha sido en cómo los modelos de lenguaje grande pueden usarse para comunicarse con los pacientes. Por ejemplo, ¿puede la IA apoyar tareas como tomar notas para que los médicos puedan estar más comprometidos con sus pacientes? ¿Puede la IA ayudar a organizar los registros de cuidado del paciente —particularmente para múltiples proveedores— de manera más eficiente?
«Paradójicamente, creo que la IA ayudará a sacar la computadora de la habitación y permitirá que los dos humanos formen un vínculo humano más cercano«, dijo Euan Ashley, MBChB, DPhil, decano asociado y profesor de medicina, de genética y de ciencia de datos biomédicos. «Y creo que la medicina será mejor por eso.»
Patricia Garcia, MD, profesora asociada clínica de gastroenterología y hepatología, está liderando un programa piloto en el que una herramienta de IA generativa basada en ChatGPT redacta automáticamente respuestas a las solicitudes de consejo médico de los pacientes para que los clínicos las revisen, editen y envíen.
Russ Altman, MD, PhD, profesor de bioingeniería, de genética, de medicina y de ciencia de datos biomédicos, y uno de los directores asociados de HAI y uno de los cuatro co-líderes de la iniciativa RAISE-Health, se ha centrado en gran medida en las aplicaciones de la IA para el descubrimiento de fármacos y cómo esos medicamentos funcionarán en los pacientes, junto con las implicaciones éticas involucradas.
La mayor preocupación de Shah se centra en cómo la espuma generada por el entusiasmo de la IA está afectando el proceso de iteración. Mucho de lo que se está creando, dijo, se forma al revés. En lugar de seguir lo que se conoce como un proceso de biodiseño, donde la necesidad dicta soluciones, el entusiasmo por la IA tiene a muchos investigadores buscando a tientas la próxima gran cosa. «Hay muchos martillos mal diseñados buscando clavos», dijo Shah.
¿En qué áreas está mostrando la IA la promesa más inmediata?
Si la huella de la IA de Stanford Medicine hasta la fecha requiriera una única palabra para resumirla, sería la imagenología. De los más de 500 algoritmos de IA aprobados por la FDA, el 75% están enfocados en radiología y el 85% en imagenología. En Stanford Medicine, la innovación en IA también se inclina fuertemente hacia la imagenología.
En radiología, tecnologías de imagen como rayos X y MRI se usan para diagnosticar a los pacientes, y el campo ha producido uno de los pocos conjuntos de datos robustos y consistentes en medicina. El genoma humano es otro. En su intersección yace un ejemplo perfecto de la oportunidad para el descubrimiento.
«La IA puede ser, de algunas maneras, superhumana debido a su capacidad para vincular fuentes de datos dispares», dijo Curtis Langlotz, MD, PhD, profesor de radiología, de medicina y de ciencia de datos biomédicos, así como director del Centro para la Inteligencia Artificial en Medicina e Imagenología. «Puede tomar información genómica e información de imagenología y potencialmente encontrar vínculos que los humanos no son capaces de hacer.»
«Estamos en un momento interesante en el que hemos demostrado que hay poder: que las computadoras pueden predecir cosas que un humano no puede«.
Euan Ashley
Langlotz, que también es codirector de RAISE-Health y director asociado de HAI, ha estado a la vanguardia de la IA y las imágenes durante muchos años. Su laboratorio introduce imágenes médicas y notas clínicas en redes neuronales profundas con el objetivo de detectar enfermedades y eliminar errores de diagnóstico que podrían ocurrir con solo la evaluación de un médico.
Como dice Langlotz: «La correlación cruzada de conjuntos de datos masivos no se adapta bien a la capacidad de procesamiento de información de los humanos».
Ashley, que dirige el Centro de Enfermedades Cardiovasculares Hereditarias de Stanford Medicine , ha estado impulsando algoritmos con éxito similar en la intersección de la genética y la cardiología en un esfuerzo por mejorar la detección del riesgo cardíaco. Dijo que hay pocas dudas de que computadoras altamente capacitadas pueden sintetizar datos médicos de maneras que los humanos no pueden. Pero ahora es cuestión de llevar los primeros éxitos metodológicos del laboratorio a ensayos clínicos y demostrar que funcionan en humanos.
«Estamos en un momento interesante en el que hemos demostrado que hay poder: que las computadoras pueden predecir cosas que un humano no puede», dijo. “Ahora bien, ¿cómo lo llevamos a la práctica médica?”
¿Cuáles son algunos de los otros enfoques de IA de Stanford Medicine?
Christina Curtis , PhD, RZ Cao Profesora de medicina, genética y ciencia de datos biomédicos, está analizando los perfiles moleculares de muestras de tumores e integrando imágenes de patología de rutina para mejorar el estándar de atención para pacientes con cáncer de mama. Al agregar datos genómicos detallados a la mezcla, los médicos algún día podrían identificar el mejor tratamiento para cada paciente.
«Actualmente, la mayoría de los pacientes con cáncer se someten a la secuenciación sólo una vez que han desarrollado una enfermedad metastásica resistente al tratamiento«, dijo Curtis. “Se pierde la oportunidad de disponer de dicha información en una fase más temprana del curso de la enfermedad, en el momento del diagnóstico inicial, tanto para comparar a un paciente determinado con otros pacientes similares como para controlar cómo cambia la enfermedad con el tiempo. Esto podría permitir una atención más precisa y anticipada”.
Sylvia Plevritis , PhD, profesora de ciencia de datos biomédicos y de radiología, también es una de las líderes de la iniciativa RAISE-Health. Desarrolló un programa de investigación del cáncer en biología de sistemas que une la genómica, la biocomputación, las imágenes y las ciencias demográficas para descifrar las propiedades de la progresión del cáncer. «Hoy en día, la IA está cambiando por completo la forma en que conectamos los puntos entre la investigación científica básica y la atención clínica», afirmó Plevritis, que forma parte del grupo de liderazgo de Stanford Medicine y se centra en lo que significa este nuevo camino para la educación médica.
«Tenemos que repensar qué son la erudición y la creatividad cuando tenemos herramientas que pueden escribir por nosotros», dijo.
Es una de las muchas preguntas sin respuesta que hacen que este momento sea a partes iguales precario y estimulante. Aquí se ofrece una mirada más cercana al trabajo de algunos de los muchos humanos de Stanford Medicine que intentan navegar por el laberinto de la IA en busca de respuestas.
Multiplicadores de Fuerza
La IA ayuda a los pediatras a comprobar la salud del corazón
Evaluación del bombeo cardíaco más rápida y sencilla para los niños
Un indicador importante de la función del corazón es su capacidad para bombear sangre al cuerpo, una acción típicamente impulsada por el ventrículo izquierdo. Pero estimar la cantidad de sangre bombeada con cada latido requiere mucho tiempo y las mediciones pueden variar entre cardiólogos. Esta evaluación se ha automatizado para adultos pero no para pacientes pediátricos.
Entonces, la cardióloga pediátrica Charitha Reddy , MD, se asoció con ingenieros e informáticos para desarrollar un modelo que estima automáticamente la función del ventrículo izquierdo en niños con precisión y confiabilidad. Las decisiones médicas para niños que dependen de la evaluación de un médico sobre la capacidad del corazón para bombear, como determinar dosis seguras de quimioterapia, pueden beneficiarse de modelos adaptados a los niños, afirmó.
Reddy, profesor clínico asistente de pediatría, ayudó a recopilar videos de ecografías cardíacas y anotar imágenes de 1.958 pacientes pediátricos atendidos en el Lucile Packard Children’s Hospital Stanford . El modelo que ella ayudó a desarrollar analizó más de 4.000 videoclips de corazones y generó estimaciones de la función del ventrículo izquierdo con alta precisión. Sus evaluaciones de la capacidad de bombeo del corazón fueron más rápidas y consistentes que las de los médicos, dijo Reddy, autor principal de un estudio del modelo publicado en febrero de 2023 en el Journal of the American Society of Echocardiography .
«Funcionó esencialmente tan bien como un humano haciendo las mismas mediciones, aunque fue menos variable», dijo Reddy. «El modelo podría mejorar la eficiencia en esta tarea o servir como ‘experto’ cuando no haya uno disponible».
Los médicos podrían usar el modelo para evaluar la capacidad de bombeo del corazón con la confianza de que la medición está dentro de aproximadamente el 3% de lo que ellos mismos medirían, dijo Reddy.
El algoritmo podría ofrecer una plantilla para que los modelos de IA evalúen la función del ventrículo derecho y la capacidad de bombeo de los corazones fetales y de los corazones con anomalías estructurales.
El modelo necesita más pruebas antes de ponerse en uso, pero Reddy espera que algún día ayude a los no cardiólogos, como los padres de niños con problemas cardíacos que viven lejos de un hospital, a detectar debilidades en el bombeo del corazón. También cree que podría mejorar la atención en las zonas rurales con menos cardiólogos.
Mejores fotos de la piel visitas de Tele Salud
En la era de las citas médicas virtuales, esta aplicación podría mejorar las fotos de los pacientes y agilizar el tratamiento
Cuando se produjo la pandemia de COVID-19 en 2020, Roxana Daneshjou , MD, PhD, era residente en la clínica de dermatología de Stanford Medicine, donde ayudaba a realizar exámenes de detección de afecciones de la piel, como culebrilla, eczema y lunares sospechosos. Pero cuando la clínica se vio obligada a pasar de las visitas en persona a la telesalud, los médicos tuvieron que depender de fotografías tomadas por los pacientes, que a menudo eran difíciles de interpretar. Daneshjou y sus colegas pasaron horas revisando fotografías borrosas con mala iluminación.
«Estaba revisando estas fotografías y pensé: ‘Creo que podemos desarrollar un algoritmo para evaluar esto automáticamente'», dijo Daneshjou, quien también estaba investigando cómo aplicar la inteligencia artificial en la atención médica. «Tal vez podría ayudar a los pacientes a enviar fotografías clínicamente útiles».
Con ese fin, Daneshjou y un equipo de investigadores recopilaron imágenes de afecciones de la piel que representaban una variedad de tonos de piel y las utilizaron para entrenar un algoritmo para identificar fotografías de baja calidad y recomendar formas de solucionarlas. Financiado por el programa Catalyst de Stanford , que apoya las innovaciones médicas en el campus, Daneshjou desarrolló el algoritmo en una aplicación web llamada TrueImage a la que los pacientes pueden acceder desde un teléfono inteligente o una tableta.
La idea es que los pacientes sigan las indicaciones de la aplicación para tomar una foto que sea lo suficientemente buena para su médico. TrueImage rechaza imágenes de baja calidad y les dice a los pacientes que se muevan a una habitación más luminosa, amplíen su lesión o agudicen el enfoque. Actualmente, hay una larga espera para nuevas citas de dermatología a nivel nacional, lo que la aplicación podría acelerar al ayudar a los médicos a obtener rápidamente imágenes de calidad, dijo Daneshjou, quien ahora es instructor de ciencia de datos biomédicos y dermatología.
Pero algoritmos como el suyo sólo importan si los humanos realmente los usan y cambian su comportamiento, afirmó Daneshjou. En un estudio piloto de 2021 realizado en la clínica, descubrió que TrueImage reducía la cantidad de pacientes que enviaban imágenes deficientes en un 68 %. Ahora, está llevando a cabo un ensayo clínico más amplio para probar la eficacia de la aplicación cuando los pacientes la usan en casa.
Si la prueba confirma la capacidad de la aplicación para mejorar las fotografías que envían los pacientes, el equipo la lanzará en las clínicas de Stanford Medicine. Daneshjou espera que la aplicación también pueda ayudar a los médicos fuera de la dermatología, como los proveedores de atención primaria, a recopilar imágenes de calidad mientras detectan afecciones de la piel.
Las exploraciones de Tórax cambian la mente de los pacientes
La IA analizó imágenes de tomografía computarizada de tórax reutilizadas para identificar la acumulación de calcio en las arterias, alentando a los pacientes a realizar cambios en su estilo de vida.
El cardiólogo Alexander Sandhu tiene muchos pacientes que podrían beneficiarse de una tomografía computarizada del corazón para detectar la acumulación de calcio dentro de las arterias coronarias. La placa es el mayor predictor de riesgo de ataques cardíacos. Sin embargo, la mayoría de los pacientes optan por no realizar esta reveladora exploración, a menudo porque su seguro no la cubre. Pero hace unos años, Sandhu notó una feliz coincidencia.
«Con mucha frecuencia, a los pacientes ya se les ha realizado una TC de tórax por algún motivo totalmente ajeno a su corazón», dijo Sandhu, MD, profesor asistente de medicina en la división de medicina cardiovascular. Se preguntó si la inteligencia artificial podría discernir información valiosa del corazón en exploraciones de tórax realizadas previamente por algún motivo, por ejemplo, para detectar cáncer de pulmón. «Pensé que existe una oportunidad increíble de reutilizar esas exploraciones y brindar esa información a los pacientes y sus médicos».
Junto con su mentor, el Dr. David Maron , director de cardiología preventiva de la Facultad de Medicina, Sandhu ayudó a diseñar un algoritmo de aprendizaje profundo que podría evaluar la cantidad de calcio en las arterias coronarias de los pacientes a partir de una tomografía computarizada de tórax con tanta precisión como una exploración solicitada para ese propósito específico. En 2022, el equipo probó el algoritmo en 173 pacientes, la mayoría de los cuales tenían un alto riesgo de enfermedad cardíaca pero no tomaban estatinas, que se sabe que reducen el riesgo de ataque cardíaco y accidente cerebrovascular.
Descubrieron que cuando notificaron a los pacientes y a sus médicos de atención primaria sobre el calcio detectado y les mostraron imágenes de los depósitos blancos en las arterias de los pacientes, el 51% de ellos comenzaron a tomar estatinas en un plazo de seis meses. Eso es aproximadamente siete veces la tasa de prescripción de estatinas que el equipo observó en un grupo similar al que no notificaron, escribió Sandhu en un análisis publicado en noviembre de 2022 en la revista Circulation . (Al final del estudio, los investigadores notificaron a todos los pacientes sobre el calcio coronario).
«Por lo general, se trata de pacientes que no presentan síntomas, y esto les motiva a realizar cambios en el estilo de vida y tomar estatinas», dijo Maron.
En 2023, su investigación recibió el premio James T. Willerson en ciencias clínicas y el premio Hearst Health. El sistema de notificación se utiliza actualmente en unos 50 hospitales estadounidenses, dijo Sandhu.
Sandhu, Maron y sus colaboradores de investigación están planeando un ensayo clínico para probar si el sistema previene ataques cardíacos y accidentes cerebrovasculares.
¿Podría la IA competir con un especialista en el cuidado de la salud ocular?
Un modelo de IA podría predecir si los pacientes necesitarán cirugía ocular para prevenir la pérdida de visión
Cuando se trata de glaucoma, los ojos de los pacientes están bien… hasta que dejan de estarlo. Muchas personas con esta enfermedad ocular permanecen asintomáticas durante años. Sin embargo, otras personas con esta afección progresan rápidamente hacia una ceguera irreversible y pueden necesitar cirugía para prevenirla.
«No es fácil determinar qué pacientes son cuáles», dijo la especialista en glaucoma Sophia Wang , MD, profesora asistente de oftalmología en la Facultad de Medicina.
Wang se preguntó si la IA podría ayudar. Recientemente, la tecnología de procesamiento del lenguaje ha abierto puertas para analizar rápidamente las notas de los médicos, descubriendo una gran cantidad de información (como los antecedentes familiares) para ayudar a predecir qué pacientes con glaucoma necesitarán cirugía pronto.
Wang y sus colaboradores entrenaron un modelo de IA de dos frentes para «leer» las notas del médico y sopesar las mediciones clínicas de 3.469 pacientes con glaucoma para comprender qué factores de salud (captados mediante mediciones de la presión ocular, medicamentos y códigos de diagnóstico) parecían indicar que necesitarían cirugía en el próximo año. La idea es que los médicos puedan usar el modelo para detectar a los pacientes más riesgosos y comenzar con tratamientos agresivos para prevenir la pérdida de la visión, dijo Wang.
El modelo puede indicar a los médicos las posibilidades de que un paciente necesite cirugía dentro del año con más del 80% de precisión, según un estudio publicado en abril de 2023 en Frontiers in Medicine . Es probable que los médicos quieran actuar rápidamente si el modelo predice una alta probabilidad de que un paciente necesite cirugía, mientras que un paciente con una probabilidad baja podría ser monitoreado de manera segura con opciones de tratamiento menos invasivas. Si bien no es perfecto, les da a los médicos una idea de cuán preocupados deberían estar por el paciente, dijo Wang, autor principal del estudio. Sorprendentemente, descubrió que el modelo era más preciso que sus propias evaluaciones.
«Si reviso 300 notas y trato de predecir quién necesitará cirugía, mi desempeño es abismal, incluso como un especialista en glaucoma altamente capacitado», dijo Wang. Los detalles diferentes y dispares en los registros médicos no necesariamente se suman intuitivamente a la necesidad de cirugía, dijo Wang, lo que hace que la predicción sea especialmente difícil para los médicos. «El modelo supera con creces a los humanos en esta tarea».
Pero antes de que el modelo pueda usarse en la clínica, Wang y su equipo quieren perfeccionarlo aún más incorporando datos de imágenes. También planean probar el modelo en grandes cohortes de pacientes que son racial, étnica y socioeconómicamente diversos y viven en varias regiones de los Estados Unidos.
Mejora de la detección de ataques cardiacos
Juntos, los humanos y la IA podrían detectar ataques cardíacos de manera más precisa y equitativa
El protocolo del servicio de urgencias es claro. Cuando los pacientes llegan con signos de un ataque cardíaco, el equipo de urgencias tiene menos de 10 minutos para evaluarlos con un electrocardiograma o EKG, para determinar si una obstrucción está reduciendo el flujo sanguíneo a su corazón. A medida que aumentan los segundos, también aumenta el riesgo de que el paciente sufra daño cardíaco permanente.
«Eso supone mucha presión para el personal que registra a los pacientes entrantes para que tomen la decisión correcta», afirmó Maame Yaa AB Yiadom , MD, profesora asociada de medicina de emergencia. Tenía curiosidad por saber si la IA podría reducir los retrasos en la atención. «Teníamos la intención de construir un modelo que pudiera superar a los humanos en esta tarea de detección», dijo Yiadom.
Financiado por HAI, el laboratorio de Yiadom , que incluye un equipo de estadísticos, científicos de datos, informáticos médicos y médicos de emergencia, creó un modelo predictivo que podría determinar en 10 minutos si un paciente de urgencias debe ser examinado para detectar un ataque cardíaco al llegar con un electrocardiograma.
Para evaluar el rendimiento del modelo, lo utilizaron para analizar registros médicos electrónicos de 279.132 visitas anteriores al servicio de urgencias del Hospital Stanford. Utilizando información como la edad del paciente, el motivo principal y otros datos recopilados de forma rutinaria, el modelo predijo qué pacientes serían diagnosticados con un evento cardíaco adverso, lo que significa que deberían ser examinados con un electrocardiograma. El modelo no era perfecto: no captó el 18% de los casos, pero superó la evaluación del personal del servicio de urgencias, que normalmente omitió alrededor del 27%.
Aún así, no era la solución que esperaba el equipo de Yiadom.
«Nuestra mayor sorpresa fue que el modelo estaba sesgado en lo que respecta a la raza», dijo. En su estudio, el modelo fue peor para detectar el riesgo de ataque cardíaco en pacientes nativos americanos, isleños del Pacífico y negros que en pacientes blancos. El equipo observó que los miembros de estas poblaciones históricamente desfavorecidas tienden a sufrir ataques cardíacos a edades más tempranas, y el modelo generalmente categorizó a los pacientes jóvenes como de bajo riesgo, dijo Yiadom.
“Hay algo que los humanos están haciendo que es introducir equidad en la evaluación. No queremos desperdiciar eso”, dijo Yiadom.
Entonces, ella y su equipo probaron un enfoque de detección «a prueba de fallos», en el que los pacientes se sometían a pruebas cardíacas si el personal o el modelo de IA indicaban una necesidad. El método combinado humano-IA funcionó mejor que cualquiera de los dos por separado, omitiendo solo el 8% de los casos y mostrando poca variación entre pacientes de diferentes sexos, razas, etnias y edades, escribió Yiadom en un estudio publicado en junio de 2023 en la revista Diagnostics .
Tiene la intención de probar el método combinado en clínicas para asegurarse de que no impida los procesos de urgencias y que funcione de manera equitativa en un entorno real. Yiadom también está diseñando un nuevo modelo de IA que espera que sea imparcial al tener en cuenta el rango de edades en las que ocurren los ataques cardíacos en diferentes poblaciones.
La IA podría mejorar los procesos quirúrgicos
La IA podría actuar como un colega experto para evaluar las habilidades quirúrgicas
¿Qué pasaría si, al igual que los atletas, los cirujanos pudieran mejorar su técnica basándose en información obtenida de imágenes de vídeo? Serena Yeung cree que esto podría ser posible con un poco de ayuda automatizada.
«Existe la posibilidad de proporcionar retroalimentación continua a los cirujanos en formación», dijo Yeung, PhD, profesor asistente de ciencia de datos biomédicos. «Con la cirugía, lo que influye en los resultados de los pacientes es directamente observable a simple vista».
Se registran muchas cirugías, especialmente aquellas en las que los cirujanos operan utilizando un robot. En estos procedimientos, los cirujanos controlan brazos robóticos para operar con más precisión y destreza que la que pueden lograr las manos humanas. Los cirujanos experimentados pueden revisar los vídeos de cirugía robótica para evaluar la técnica de los alumnos, pero las evaluaciones de habilidades quirúrgicas como estas suelen llevar mucho tiempo y varían según el evaluador. Yeung, un experto en inteligencia artificial, se enteró de este problema por la cirujana Brooke Gurland , MD, profesora clínica de cirugía, y desarrolló un algoritmo impulsado por IA para ayudar.
El modelo analizó el movimiento de herramientas en 92 cirugías robóticas. Luego evaluó la habilidad quirúrgica de los médicos, basándose en la técnica y la eficiencia quirúrgicas. Seis cirujanos expertos vieron esos mismos vídeos y proporcionaron sus propias evaluaciones. Las evaluaciones de habilidades del modelo se alinearon con las calificaciones de los expertos, con alta precisión, informaron Yeung y sus colegas en la revista Surgical Endcopy en abril.
La idea es que los cirujanos en formación puedan utilizar el modelo para obtener comentarios frecuentes y objetivos sobre su técnica, dijo Yeung.
«Creo que el modelo está muy cerca de ser útil para la formación y la evaluación de habilidades», afirmó.
Está trabajando para llevar algoritmos similares a las facultades de medicina para ayudar a evaluar los movimientos de las manos que realizan los residentes mientras aprenden a realizar nuevas cirugías.
A continuación, Yeung espera que la IA pueda “aprender” a dar retroalimentación en vivo a los cirujanos y prevenir errores durante las operaciones, actuando como un colega experto. Por ejemplo, está realizando una investigación con su colaborador desde hace mucho tiempo Dan Azagury , MD, profesor asociado de cirugía, para ver si la IA puede analizar las transmisiones de video de muchas operaciones e identificar qué aspectos de la técnica del cirujano pueden estar más fuertemente relacionados con la pérdida excesiva de sangre. El trabajo está financiado en parte por el Centro de Investigación de Excelencia Clínica de Stanford Medicine.
Estos modelos podrían tener un impacto particular en comunidades con pocos cirujanos, donde los expertos (y su tiempo para capacitar a los residentes) son limitados, dijo Yeung.
“Creo que hay mucho más que podemos hacer aquí. Esto es sólo el comienzo”, dijo Yeung.
La IA captura por qué algunas personas no san medicamentos para el corazón
Al señalar las razones por las que los pacientes no están tomando medicamentos para el corazóniones, la IA podría informar soluciones equitativas
La cardióloga Fátima Rodríguez , MD, recuerda cuando un colega de la clínica de cardiología preventiva de Stanford Health Care dijo: «Todos nuestros pacientes con enfermedades cardíacas que deberían tomar estatinas las toman, ¿correcto?»
Rodríguez hizo una pausa. Aunque los medicamentos con estatinas son generalmente seguros y eficaces para reducir la probabilidad de sufrir un ataque cardíaco y un derrame cerebral, muchos pacientes que están en riesgo (como aquellos con enfermedades cardíacas y diabetes) no los toman. «¿Sabes que? Realmente no sé la respuesta a eso. Déjame investigarlo”, había dicho Rodríguez, profesor asociado de medicina cardiovascular.
Entonces, ella y otros ayudaron a entrenar múltiples modelos de IA para determinar si un paciente tenía una receta de estatinas y, si no la tenían, por qué no. Los científicos refinaron un modelo de procesamiento del lenguaje natural que había sido entrenado para reconocer e interpretar el lenguaje clínico en las notas de los médicos.
Desarrollaron diferentes versiones del modelo entrenándolo adicionalmente en miles de registros médicos electrónicos de poblaciones de pacientes del norte de California con un mayor riesgo de ataque cardíaco, como aquellos con enfermedades cardiovasculares o diabetes, y demostraron que los modelos actualizados analizaban los casos de falta de uso de estatinas. y las razones por las que los pacientes no los tomaban con gran precisión.
Utilizando uno de los modelos actualizados, el equipo encontró que aproximadamente la mitad de 33,461 pacientes con diabetes en la cohorte del norte de California que podrían haberse beneficiado de las estatinas no las estaban tomando, entre ellos, los pacientes de Stanford Health Care. Los pacientes de la cohorte que eran más jóvenes, mujeres y negros tenían un nivel desproporcionadamente bajo de uso de estatinas, informó Rodríguez en un estudio publicado en marzo de 2023 en el Journal of the American Heart Association . El modelo señalaba los motivos de la falta de uso, que iban desde preocupaciones personales sobre los efectos secundarios hasta obstáculos dentro de las clínicas.
«Las barreras del idioma afectan a muchos de los pacientes hispanos que trato», dijo Rodríguez. «¿Estamos comunicando eficazmente la importancia de estos medicamentos?»
Rodríguez espera que algoritmos como estos puedan informar a programas específicos para aumentar el uso de estatinas de manera equitativa. Quizás las soluciones a nivel de sistema, como asignar tiempo adicional a las citas para que los proveedores de atención médica eduquen a los pacientes, aumentarían el uso de estatinas y aliviarían a los cardiólogos la responsabilidad de realizar un seguimiento de sus pacientes fuera del horario clínico, dijo.
El truco consiste en pensar de forma amplia para ayudar a los pacientes a buscar y utilizar las recetas que necesitan. «No hay una solución», dijo Rodríguez. «Habrá diferentes soluciones que funcionarán para diferentes personas».
La IA guía la evolución de las proteínas
Un algoritmo puede acelerar la evolución de las proteínas para atacar virus y enfermedades
La evolución es ineficiente. Las mutaciones genéticas aleatorias que conducen a una mejor aptitud proteica son raras pero poderosas. A los científicos que esperan aprovechar el poder de la evolución para crear proteínas beneficiosas les gustaría acelerar el proceso, para promover la evolución de, por ejemplo, anticuerpos que se unan a los virus desagradables y los señalen. Pero para cada proteína, las variaciones son casi infinitas. Identificar la mejor combinación de aminoácidos, los componentes básicos de las proteínas, es como revisar todos los átomos del universo, dijo Brian Hie, PhD, investigador postdoctoral en bioquímica.
Tenía curiosidad por saber si la IA podría limitar la búsqueda de variantes de proteínas que puedan hacer mejor su trabajo. Esto podría ahorrar tiempo y dinero a los científicos cuando prueban proteínas potenciales para nuevas terapias, dijo Hie. «Por ejemplo, aproximadamente la mitad de los medicamentos más exitosos de la actualidad se basan en anticuerpos», añadió.
Le llevó la idea a su asesor de la facultad, Peter Kim, PhD, profesor de Bioquímica de Virginia y DK Ludwig. Con sus colaboradores, desarrollaron un algoritmo que se ejecutaba en modelos de lenguaje entrenados en muchas secuencias de aminoácidos, que forman proteínas. Los seis modelos que utilizaron habían sido entrenados en conjuntos de datos que contienen, en total, las secuencias de aminoácidos de más de 100 millones de proteínas de humanos, animales y bacterias.
«Es básicamente el equivalente de ChatGPT, sólo que en lugar de alimentarlo con palabras en inglés, el modelo recibió secuencias de aminoácidos de proteínas», dijo Kim. «A partir de estas secuencias de proteínas, la computadora identifica patrones que no podemos ver».
En una prueba de concepto , los modelos guiaron la evolución de los anticuerpos humanos que se unen al coronavirus, el ébolavirus y la influenza A. En segundos, cada modelo analizó miles de variantes de proteínas y recomendó un puñado de cambios de aminoácidos. Los modelos coincidieron en algunos que en última instancia mejoraron la capacidad de los anticuerpos para unirse a su virus objetivo.
Básicamente, los modelos aprendieron las reglas de la evolución, rechazando los cambios de aminoácidos que causaban proteínas mal plegadas y priorizando los cambios que las hacían más estables o mejoraban su aptitud para un propósito determinado.
Espera que los modelos puedan ayudar a desarrollar fármacos de anticuerpos para el cáncer y las enfermedades autoinmunes y neurodegenerativas. Otros científicos de la Universidad de Stanford están probando su utilidad en diferentes tipos de proteínas, como las enzimas.
«Existe un vasto universo de proteínas», dijo Hie. «Es realmente emocionante pensar en las posibles aplicaciones, desde editores de ADN hasta eliminadores de CO2 atmosférico relacionados con el clima».
La IA morfoloma
Ayuda a revelar formas celulares únicas, informando terapias
Cuando los científicos estudian las células, las observan de diferentes maneras. A menudo, recopilan pistas de diferentes grupos de moléculas, como el ADN o las proteínas (o el genoma y el proteoma, respectivamente), para buscar signos de salud y enfermedad. Recientemente, los científicos de Stanford Medicine agregaron una nueva categoría a la lista: el «morfoloma», que se refiere a la gama completa de formas que adoptan las células de un organismo. Han desarrollado una tecnología para capturar el aspecto de varias células en estados normales y patológicos y también clasificarlas según su morfología.
Hasta ahora, las formas de las células han quedado en gran medida fuera de la investigación biomédica, dijo Euan Ashley , MBChB, DPhil, director del Centro de Enfermedades Cardiovasculares Heredadas de Stanford .
«Es como estudiar una población de humanos observando el genoma, su ARN, sus proteínas, pero sin detenerse nunca a observar el cuerpo», dijo. “Si lo hiciéramos, encontraríamos que algunos miden 7 pies de alto y otros 3 pies de alto. Al igual que nosotros, las células tienen mucha diversidad en su morfología y están en constante movimiento”.
Hace aproximadamente una década, Ashley y Maddison Masaeli, PhD, investigador postdoctoral en el laboratorio de Ashley, comenzaron a desarrollar una tecnología para hacer que la morfología celular fuera más fácil de estudiar. El experto en inteligencia artificial Mahyar Salek, PhD, entonces científico informático en Google, se unió al equipo y comenzaron a programar un modelo de IA para organizar imágenes de células en categorías basadas en mediciones de su forma y etapa de desarrollo, como la circularidad y el tamaño. El modelo resultante puede analizar imágenes de células vivas de una muestra de tejido y agrupar células con formas similares utilizando una red neuronal multipropósito. El programa entrega esta información a una máquina que filtra la muestra de tejido para que los científicos puedan identificar poblaciones de células de interés y aislarlas en función de su morfología.
En 2017, Ashley, Masaeli y Salek fundaron una empresa, Deepcell, que produce y vende la plataforma a investigadores. Este verano, la tecnología regresó al laboratorio de Ashley a través de un programa de pruebas beta, y Ashley la usó para estudiar células de pacientes con enfermedades cardíacas hereditarias.
Al analizar el morfoloma de las células cardíacas, espera diferenciar la forma de las células enfermas de otras que han sido «curadas» mediante tecnología de edición de genes. La discrepancia en las características entre las células enfermas y restauradas podría informar las terapias para enfermedades cardíacas, dijo Ashley.
Automatización de ensayos inclusivos
La IA ayuda a ampliar los grupos de ensayos clínicos para que sean más grandes e inclusivos
Los criterios de elegibilidad para ensayos clínicos pueden tener consecuencias no deseadas. Estos criterios están destinados a excluir a los pacientes que podrían tener reacciones adversas a las terapias experimentales y permitir que el resultado del estudio se interprete con confianza, pero las reglas a veces son tan estrictas que los ensayos con medicamentos no pueden reclutar suficientes participantes.
«Muchas de estas reglas de elegibilidad buscan a los llamados atletas olímpicos, o a los más sanos entre los pacientes que padecen la enfermedad», dijo James Zou PhD, profesor asistente de ciencia de datos biomédicos. «Esto perjudica la solidez del ensayo porque es posible que no refleje cómo funcionan los medicamentos en pacientes promedio como nosotros». Además, el estrecho rango de resultados de laboratorio aceptables y la exclusión de personas con condiciones médicas adicionales tienden a descartar a participantes mujeres, ancianos y no blancos más que otros, dijo. Esto podría deberse, en parte, a que los resultados de laboratorio aceptables a menudo se establecen en función de valores comunes en hombres blancos sanos, añadió Zou.
Ampliar el conjunto de ensayos clínicos podría acelerar los ensayos de medicamentos y conducir a resultados que reflejen con mayor precisión la eficacia y seguridad de nuevos tratamientos. Junto con Ruishan Liu , estudiante de posgrado; Ying Lu, PhD, profesora de ciencia de datos biomédicos; y colaboradores de la empresa de biotecnología Genentech, Zou diseñó un algoritmo de inteligencia artificial que evalúa los registros médicos de los pacientes según los criterios de elegibilidad para los ensayos y hace recomendaciones para ayudar a los científicos a inscribir a más participantes sin comprometer su seguridad.
Para probar el algoritmo, llamado Trial Pathfinder, el equipo primero analizó los registros médicos electrónicos de cientos de miles de pacientes con cáncer y seleccionó a aquellos elegibles para participar en ensayos clínicos de cáncer de pulmón según los criterios actuales. Luego, relajó los valores para cada métrica de salud, de modo que el ensayo simulado incluyó a personas que eran más representativas de la población con la enfermedad, manteniendo al mismo tiempo un «índice de riesgo» bajo, lo que significa que probablemente vivirían más tiempo mientras tomaban el tratamiento. que un placebo.
«En promedio, utilizando las recomendaciones de Trial Pathfinder, podemos más que duplicar el número de pacientes elegibles», dijo Zou. «Y cuando inscribimos a estos pacientes adicionales, a veces es probable que se beneficien más del tratamiento que el pequeño grupo de pacientes que fueron reclutados previamente». Zou y sus colegas publicaron su estudio en abril de 2021 en Nature .
Trial Pathfinder tuvo particularmente éxito al inscribir a más participantes con cáncer de pulmón cuando amplió el rango de valores aceptables en las pruebas de laboratorio, como los niveles de plaquetas y hemoglobina.
El modelo tuvo un éxito similar al reclutar pacientes para otros ensayos clínicos, incluidas terapias para el cáncer de mama colorrectal y metastásico. «Resulta que muchos aprendizajes se pueden generalizar entre los tipos de cáncer», dijo Zou. La tecnología le valió el premio Top Ten Clinical Research Achievement Award del Foro de Investigación Clínica en 2022.
Ahora, Genentech está utilizando el algoritmo para ayudar a diseñar ensayos clínicos, y Zou está trabajando en algoritmos similares que pueden aplicarse a afecciones además del cáncer, como enfermedades autoinmunes e infecciosas.
Escrito por Marcos Conley de Stanford Medicine.