TOP
La inteligencia artificial (IA) ha ido ganando cada vez más atención en el mundo científico médico en los últimos años, y existe un gran entusiasmo por el papel que podría llegar a desempeñar en este campo. El número de artículos científicos sobre este tema se ha triplicado recientemente y, al buscar «IA en medicina» en cualquier buscador de plataformas de publicaciones médicas, se obtienen más de 23 000 resultados. Además, cada vez son más los dispositivos basados en IA que cuentan con la aprobación de la Administración de Alimentos y Medicamentos de Estados Unidos (FDA, por sus siglas en inglés), principalmente en el campo de la radiología – que actualmente es la especialidad médica que más invierte en IA – seguida de la cardiología.1
La IA abarca un amplio conjunto de métodos para replicar habilidades similares a las humanas, como la percepción, el razonamiento y la toma de decisiones, mediante el uso de reglas, estadísticas o enfoques basados en el aprendizaje. El aprendizaje automático (machine learning) surgió como una técnica de IA centrada en aprender patrones a partir de datos. El aprendizaje profundo (deep learning) es una forma especializada de aprendizaje automático que utiliza redes neuronales multicapa. Por su parte, la IA generativa es una rama avanzada que crea nuevos contenidos a partir de estos modelos.
El aprendizaje automático es una técnica basada en la IA que a menudo se aplica en el campo de la medicina. Este aprendizaje comienza con una gran cantidad de datos sobre los que se aplican algoritmos específicos. Estos algoritmos utilizan técnicas estadísticas para detectar patrones y realizar predicciones o tomar decisiones basadas en los datos históricos con los que se entrenan. La información se utiliza para generar un resultado útil que permita resolver un problema concreto del sistema médico, ya sea mediante una acción o una categorización.
El aprendizaje automático ofrece muchas posibilidades en los campos médicos en los que el diagnóstico se basa en imágenes, como la histopatología. La IA puede ayudar a los patólogos a realizar diagnósticos más precisos, rápidos y numerosos. Entre sus objetivos se encuentra la reducción de errores en el diagnóstico, como los relacionados con el cáncer. Las revisiones sistemáticas y los metaanálisis – incluidos los estudios de precisión diagnóstica de todo el mundo que utilizan la IA aplicada a imágenes de portaobjetos completos para cualquier enfermedad – informan de una sensibilidad media del 96,3 % y una especificidad media del 93,3 % para realizar cualquier tipo de diagnóstico. Con la ayuda de los sistemas de aprendizaje profundo, la precisión de los diagnósticos de los patólogos mejoró significativamente, lo que supuso una reducción del 85 % en la tasa de error humano.2
Los dispositivos con IA también se utilizan en radiología, una ciencia muy digital y basada en imágenes por ordenador. La IA aplicada a las imágenes médicas utiliza algoritmos para acelerar, perfeccionar y optimizar el análisis de imágenes como radiografías, resonancias magnéticas y tomografías computarizadas, lo que facilita el diagnóstico de enfermedades, la planificación de tratamientos y la monitorización. Entre sus ventajas destacan un análisis más rápido y la detección de anomalías sutiles que podrían pasar desapercibidas para el ojo humano, lo que conduce a diagnósticos más precisos y, potencialmente, a mejores resultados para los pacientes.3
Sin embargo, la IA en medicina no se limita solo al reconocimiento de imágenes. Se ha demostrado que también es eficaz para resolver problemas y predecir afecciones médicas. Esta capacidad es muy valiosa en la práctica clínica, ya que permite pronosticar situaciones y afecciones específicas, lo que ofrece a los médicos la oportunidad de tratar a los pacientes de manera oportuna y mejorar la eficacia del diagnóstico y el tratamiento.
Por ejemplo, una predicción importante en el ámbito clínico es la detección temprana de sepsis subyacente. La sepsis es una de las principales causas de muerte y es responsable de la mitad de todas las muertes hospitalarias. Se produce cuando una infección provoca una reacción en cadena en todo el organismo. La inflamación puede provocar la aparición de coágulos y fugas en los vasos sanguíneos, lo que, en última instancia, puede causar daños o fallos en los órganos. Cada año, alrededor de 3,4 millones de personas desarrollan sepsis en Europa y casi 700 000 mueren por esta causa. Aproximadamente un tercio de los supervivientes de sepsis sufren problemas físicos, mentales o cognitivos de por vida.4
El problema es que la sepsis se puede pasar por alto fácilmente, ya que síntomas como la fiebre y la confusión son inespecíficos y comunes a otras afecciones. Además, si el paciente desarrolla síntomas, el personal médico ya va retrasado en el tratamiento y necesita actuar con rapidez. Una de las formas más eficaces de mejorar los resultados de la sepsis es detectarla tempranamente y aplicar terapias eficaces de manera oportuna, pero históricamente esto ha sido un reto difícil de alcanzar debido a la falta de sistemas que permitan identificar la sepsis de manera precoz y precisa en los pacientes.
Para abordar este difícil problema, médicos e investigadores han desarrollado sistemas de alerta temprana en tiempo real basados en inteligencia artificial para identificar antes a los pacientes con sepsis. Estos sistemas detectan los síntomas con varias horas de antelación respecto a los métodos tradicionales, ya que puntúan los datos estructurados y no estructurados de los historiales médicos y las notas clínicas para identificar a los pacientes con riesgo de sufrir complicaciones potencialmente mortales. Al combinar el historial médico del paciente con los síntomas y los resultados de las pruebas (por ejemplo, los de laboratorio y los de las mediciones de los signos vitales), el sistema de aprendizaje automático muestra a los médicos cuándo alguien está en riesgo de sufrir sepsis.5
El potencial de la IA ofrece muchas oportunidades en el ámbito de la medicina clínica, con grandes perspectivas de futuro, ya que permite obtener una visión más clara al combinar todos los datos e información, y encajar las piezas del rompecabezas para obtener una visión global.
La IA puede utilizar datos procedentes de electrocardiogramas, análisis de laboratorio, pruebas de imagen y muchos otros exámenes médicos, todos ellos incluidos en los historiales clínicos, que cada vez están más disponibles en formato digital. También se pueden añadir datos de diferentes sensores portátiles (wearables), como los relojes inteligentes. La información específica del paciente se puede combinar con la evidencia médica disponible en grandes conjuntos de datos biológicos, como la genómica, la proteómica o la metabolómica. También se podría incluir información sobre el estilo de vida del paciente, como la nutrición o la actividad física, y muchos otros datos. Los modelos computacionales basados en IA pueden integrar toda la información y tomar decisiones que tengan en cuenta todos los datos.
La IA también podría servir para predecir el resultado de un tratamiento aplicado a un diagnóstico concreto y para hallar la mejor opción terapéutica para cada paciente. Gracias a la IA, podría ser posible pronosticar la respuesta a los medicamentos y optimizar la dosificación. Podría ayudar a los médicos a tratar enfermedades crónicas, lo que podría reducir los reingresos hospitalarios y la duración de los tratamientos de los pacientes hospitalizados.
La IA podría ayudar a los investigadores a desarrollar nuevos fármacos o a reutilizar los ya existentes, al descubrir todo el potencial de los medicamentos actuales. Por ejemplo, el grupo de análogos del receptor del péptido similar al glucagón tipo 1 (GLP‑1R) se percibe generalmente como un nuevo grupo de sustancias y se conoce principalmente como «el nuevo medicamento para perder peso». Sin embargo, el primer análogo del GLP‑1 se comercializó en 2004 para tratar la diabetes tipo 2. El sector médico tardó diez años en aprobarlo como fármaco para el control del peso a largo plazo en personas obesas no diabéticas, y otros ocho años en aprobarlo como fármaco cardioprotector. La IA puede acelerar este proceso de identificación del potencial de los fármacos mediante un cribado más rápido de las moléculas.
Otro beneficio potencial podría ser la predicción de la eficacia del tratamiento. Actualmente, se están llevando a cabo estudios sobre la eficacia de algunos medicamentos ya existentes, como los inhibidores de puntos de control inmunitario (ICI). Los ICI son un tipo de inmunoterapia que se utiliza para tratar diferentes tipos de cáncer y que está dando muy buenos resultados. Sin embargo, solo algunos pacientes responden a los ICI, mientras que otros no. Actualmente, no está claro qué causa esta diferencia en la respuesta ni cómo se puede predecir qué paciente responderá positivamente al tratamiento.
Un tratamiento ineficaz resulta caro y supone una experiencia muy frustrante para el paciente, que además puede sufrir efectos secundarios graves. Un estudio coreano reveló que una herramienta basada en aprendizaje automático podía identificar las vías de comunicación clave con los agentes responsables de la respuesta inmunitaria del paciente o de su resistencia a los ICI.6
La IA también puede ayudar a los médicos a avanzar en la medicina de precisión y en los tratamientos invasivos. Los dispositivos basados en la IA, como la cirugía asistida por robots, se utilizan ampliamente en el ámbito clínico. Es probable que esta técnica se extienda aún más y esté disponible para múltiples cirugías y tipos de tratamientos invasivos. Las técnicas disponibles actualmente también seguirán mejorando.
La cirugía asistida por robots permite realizar procedimientos menos invasivos, con menos complicaciones, menos pérdida de sangre y una recuperación más rápida, lo que reduce el tiempo de estancia en el hospital y en la unidad de cuidados intensivos.
La IA tiene el potencial de revolucionar la medicina, pero hay muchos retos que superar. La calidad de los datos utilizados para entrenar a la IA es una preocupación importante. La IA depende de datos fiables, transparentes y revisados por pares para generar información útil que pueda transferirse a la población general. Además, es necesario abordar la variabilidad de las máquinas utilizadas en el ámbito clínico para recopilar todos los datos médicos. Este problema de falta de comparabilidad es una preocupación importante que debe abordarse para desarrollar modelos fiables basados en la IA.
El acceso a grandes volúmenes de datos para entrenar modelos que proporcionen resultados significativos sigue siendo esencial, lo que plantea un enorme problema de protección de datos. Hay problemas relacionados con la propiedad de los datos, su recopilación legal y la información de los sujetos de estudio, y también existe el riesgo de piratería informática, de que se abuse de la información sanitaria o de que se haga un uso indebido de ella con fines delictivos o políticos. A esto se suma la cuestión de las responsabilidades legales en caso de que falle un tratamiento o se realice un diagnóstico erróneo.
En resumen, el futuro de la IA en la asistencia sanitaria parece prometedor. Aún queda mucho por hacer, pero la investigación médica nunca ha retrocedido en la historia de la humanidad y es muy improbable que esto vaya a cambiar.
Entonces, ¿cómo afectará esto al sector de los seguros de vida? Es posible que las enfermedades que antes eran devastadoras se conviertan en afecciones crónicas. Probablemente las enfermedades crónicas y agudas se detectarán antes, se controlarán más de cerca y se tratarán de forma más eficaz. Las compañías de seguros de vida pueden esperar solicitantes y asegurados con diagnósticos más precisos, pronósticos a largo plazo más claros y mejores gracias a un diagnóstico más precoz, un tratamiento idóneo y una estratificación más temprana del riesgo en el ámbito clínico.
