Introducción
El siglo XXI tiene solo dos décadas y es seguro que una de las mayores tecnologías transformadoras y facilitadores para la sociedad humana de este siglo será la inteligencia artificial (IA). Es una idea bien establecida que la IA y los servicios y plataformas asociados están configurados para transformar la productividad global, los patrones de trabajo y los estilos de vida y crear una enorme riqueza.
Por ejemplo, McKinsey cree que generará una actividad económica global de alrededor de $ 13 billones para 2030 . A corto plazo, la firma de investigación Gartner espera que la actividad económica global basada en IA aumente de aproximadamente $ 1.2 trillones en 2018 a aproximadamente $ 3.9 Trillones para 2022 .
Estudio de Inteligencia Artificial Global de PwC: dimensionando el premio
No es ningún secreto que esta transformación está siendo, en gran medida, impulsada por las poderosas herramientas y técnicas de Machine Learning (ML) como Redes Convolucionales Profundas, Redes Adversarias Generativas (GAN), Modelos de árbol impulsado por gradiente (GBM), Aprendizaje de refuerzo profundo (DRL), etc.
Sin embargo, los sectores empresariales y tecnológicos tradicionales no son los únicos campos afectados por la IA. La asistencia sanitaria es un campo que se considera muy adecuado para las aplicaciones de herramientas y técnicas de IA .
Prácticas obligatorias como los registros médicos electrónicos (EMR) ya han preparado los sistemas de atención médica para la aplicación de herramientas de Big Data para el análisis de datos de próxima generación. Las herramientas AI / ML están destinadas a agregar más valor a este flujo. Se espera que mejoren la calidad de la automatización y la toma inteligente de decisiones en la atención primaria / terciaria de los pacientes y los sistemas de salud pública. Este podría ser el mayor impacto de las herramientas de inteligencia artificial, ya que potencialmente puede transformar la calidad de vida de miles de millones de personas en todo el mundo.
Ejemplos clave de la aplicación de ML en la asistencia sanitaria
Radiología y patología asistida por IA
En estos días, los datos de imágenes médicas almacenados electrónicamente son abundantes y los algoritmos DL se pueden alimentar con este tipo de conjunto de datos, para detectar y descubrir patrones y anomalías. Las máquinas y los algoritmos pueden interpretar los datos de imágenes de manera muy similar a como lo haría un radiólogo altamente capacitado: identificar puntos sospechosos en la piel, lesiones, tumores y hemorragias cerebrales. El uso de herramientas / plataformas AI / ML para ayudar a los radiólogos está, por lo tanto, preparado para expandirse exponencialmente.
Este enfoque resuelve un problema crítico en el ámbito de la atención médica porque, en todo el mundo, es difícil encontrar radiólogos bien capacitados. En la mayoría de las circunstancias, estos trabajadores calificados están bajo una enorme presión debido al diluvio de datos médicos digitales. Un radiólogo promedio, según este artículo , necesita producir resultados de interpretación para una imagen cada 3-4 segundos para satisfacer la demanda.
Inteligencia artificial en radiología.
La identificación de enfermedades raras o difíciles de diagnosticar a menudo depende de la detección de los llamados 'casos límite'. Como este tipo de sistema de ML se basa en grandes conjuntos de datos que contienen imágenes en bruto (y diversas transformaciones) de estas enfermedades, a menudo son más confiables que los humanos para este tipo de detección.
Se espera que mejoren la calidad de la automatización y la toma inteligente de decisiones en la atención primaria / terciaria de los pacientes y los sistemas de salud pública. Este podría ser el mayor impacto de las herramientas de inteligencia artificial, ya que potencialmente puede transformar la calidad de vida de miles de millones de personas en todo el mundo.
Un excelente caso de prueba es el Proyecto InnerEye de Microsoft, que emplea métodos de ML para segmentar e identificar tumores utilizando imágenes radiológicas en 3D. Puede ayudar en la planificación precisa de la cirugía, la navegación y el contorno eficiente del tumor para la planificación de la radioterapia.
La resonancia magnética y otros sistemas de imágenes avanzados, cada vez más utilizados para la detección temprana del cáncer, están siendo equipados con algoritmos ML. El siguiente artículo proporciona una visión general completa a este respecto:
El aprendizaje profundo y la IA mejoran la precisión de la detección del cáncer de mama
El siguiente artículo de Nature describe cómo se aplican las técnicas de ML para realizar análisis de imágenes avanzados, como la segmentación de próstata y la fusión de múltiples fuentes de datos de imágenes (p. Ej., Ultrasonografía, tomografía computarizada y resonancia magnética):
Una nueva era: inteligencia artificial y aprendizaje automático en cáncer de próstata
Las herramientas de ML también están agregando un valor significativo al aumentar la visualización del cirujano con información como la localización del cáncer durante los procedimientos robóticos y otras intervenciones guiadas por imágenes.
El uso de herramientas / plataformas AI / ML para ayudar a los radiólogos está, por lo tanto, preparado para expandirse exponencialmente.
ML y ciencia de datos para obtener información procesable
En el mundo actual, los datos médicos del tamaño de exabytes se están digitalizando en varias instituciones de salud (hospitales públicos, hogares de ancianos, clínicas médicas, laboratorios de patología, etc.). Desafortunadamente, estos datos son a menudo desordenados y desestructurados . A diferencia de los datos comerciales de tipo transaccional estándar, los datos del paciente no son particularmente susceptibles de modelación estadística simple y análisis.
La necesidad de la hora son plataformas robustas y ágiles habilitadas para IA, capaces de conectarse a una multitud de bases de datos de pacientes y analizar una mezcla compleja de tipos de datos (por ejemplo, patología de la sangre, genómica, imágenes de radiología, historial médico). Además, estos sistemas deberían poder analizar los análisis de manera profunda y descubrir los patrones ocultos.
Además, deberían poder traducir y visualizar sus hallazgos a formas inteligibles para los humanos para que los médicos y otros profesionales de la salud puedan trabajar en su producción con alta confianza y total transparencia.
Sistemas de inteligencia artificial y ML distribuidos: se ajustan muy bien a estas facturas y están preparados para cumplir con los requisitos de dichos sistemas en el futuro cercano.
Robots físicos para asistencia quirúrgica
Los robots quirúrgicos pueden proporcionar asistencia única a los cirujanos humanos,
- mejorando la capacidad de ver y navegar en un procedimiento,
- creando incisiones precisas y mínimamente invasivas.
- causando menos dolor con una geometría de puntada y herida óptimas
Hay posibilidades realmente emocionantes para la aplicación de AI / ML para tales robots de cirugía digital.
- Una colaboración de robots centrada en software con la ayuda de un procesamiento distribuido masivo
- Información basada en datos y orientación basada en los historiales quirúrgicos (realizados por máquinas y humanos) y sus resultados (favorables o no)
- Espacio de realidad virtual generado por IA para orientación y orientación en tiempo real
- Posibilidad de telemedicina y cirugía remota para procedimientos relativamente simples.
El siguiente artículo resume las posibles aplicaciones de manera sucinta:
Cómo los robots y la IA están creando al cirujano del siglo XXI
IA para la gestión de operaciones de atención médica y la experiencia del paciente
En los Estados Unidos, el costo y la dificultad de recibir atención médica adecuada, por parte del público en general, han sido objeto de un largo y amargo debate.
La IA y las técnicas asociadas basadas en datos están especialmente preparadas para abordar algunos de los problemas, identificados como las causas principales: larga cola, miedo a facturas irrazonables, el proceso de citas excesivamente complejo y prolongado, sin acceso al profesional de la salud adecuado.
Esos mismos problemas han afectado a las empresas tradicionales durante muchas décadas y las técnicas de IA / ML ya son parte de la solución. Esto se debe a que las grandes bases de datos y los algoritmos de búsqueda inteligentes, que son un fuerte de los sistemas de inteligencia artificial, se destacan en tales problemas de optimización o coincidencia de patrones. Por lo tanto, las herramientas y técnicas avanzadas de IA / ML deben ser aprovechadas por los hospitales y las organizaciones de salud pública en sus aspectos operativos cotidianos. Vea el siguiente artículo sobre ese tema:
11 Aplicaciones operativas para la IA de la salud: oliva
Lo bueno es que la preocupación por la privacidad de los datos, que es un tema complejo y difícil para los sistemas de salud, no representa un gran desafío para este tipo de aplicación de IA. Muy a menudo, un problema operativo no involucra datos confidenciales del paciente relacionados con enfermedades, diagnósticos o medicamentos, pero, al igual que cualquier otra empresa comercial moderna, consiste en datos relacionados con asuntos financieros, de capital, de marketing o de recursos humanos.
El objetivo central de tales sistemas debería ser hacer que las plataformas asistidas por IA apunten a mejorar la experiencia de los servicios de atención médica para la sección más grande de personas comunes . El objetivo general de los sistemas ya implementados en las empresas tradicionales es maximizar las ganancias. Las potentes herramientas de IA para la gestión de operaciones de atención médica deben distinguirse de los sistemas convencionales al combinar la empatía con el objetivo de la generación de ganancias.
Descubrimiento de fármacos con la ayuda de técnicas de IA / ML
Las técnicas de IA y ML son cada vez más elegidas por grandes nombres en la industria farmacéutica para resolver el problema infernalmente difícil del descubrimiento exitoso de medicamentos. Algunos ejemplos destacados, que involucran a Sanofi, Genentech, Pfizer, se extraen de este artículo . Todos los tipos de dominios terapéuticos (enfermedades metabólicas, tratamientos contra el cáncer, medicamentos inmuno-oncológicos) están cubiertos en estos estudios de caso:
Cómo la inteligencia artificial está cambiando el descubrimiento de drogas
Más allá del proceso convencional de larga distancia, las técnicas de IA se aplican cada vez más para acelerar los procesos fundamentales de la selección de candidatos en etapa temprana y el descubrimiento de mecanismos .
Por ejemplo, la compañía de biotecnología Berg utiliza su plataforma de IA para analizar inmensas cantidades de datos biológicos y de resultados (perfiles de lípidos, metabolitos, enzimas y proteínas) de los pacientes para resaltar las diferencias clave entre las células enfermas y las sanas e identificar nuevos mecanismos de cáncer.
Inteligencia artificial en Berg: ¿solo otra biotecnología o empresa que cambia la industria?
Otro ejemplo destacado a este respecto provino de la publicación de DeepMind de las posibles estructuras de proteínas asociadas con el virus COVID-19 ( SARS-CoV-2 ) utilizando su sistema AlphaFold .
Predicciones computacionales de estructuras proteicas asociadas con COVID-19
Muchas empresas de nueva creación también están trabajando en el uso de sistemas de inteligencia artificial para analizar datos multicanal (documentos de investigación, patentes, ensayos clínicos y registros de pacientes) utilizando las últimas técnicas en inferencia bayesiana, modelos de cadena de Markov, aprendizaje de refuerzo y natural. procesamiento de lenguaje (PNL). Encontrar patrones y construir representaciones de alta dimensión, para ser almacenados en la nube y utilizados en el proceso de descubrimiento de fármacos, son los objetivos clave.
Aquí hay un artículo de revisión que muestra el uso de DL para el descubrimiento de fármacos:
Revisión: Aprendizaje profundo en el descubrimiento de drogas
Las potentes herramientas de IA para la gestión de operaciones de atención médica deben distinguirse de los sistemas convencionales al combinar la empatía con el objetivo de la generación de ganancias.
Hacia el futuro: medicina de precisión y atención médica preventiva
Según la Biblioteca Nacional de Medicina de EE. UU., La medicina de precisión es “ un enfoque emergente para el tratamiento y la prevención de enfermedades que tiene en cuenta la variabilidad individual en los genes, el medio ambiente y el estilo de vida de cada persona. "
Mirando hacia el futuro, este podría ser uno de los beneficios más impactantes de la aplicación de AI / ML en la atención médica.
El objetivo aquí es extremadamente complejo y exigente: encontrar opciones de tratamiento precisas para un individuo en función de su historial médico personal, opciones de estilo de vida, datos genéticos y pruebas patológicas que cambian continuamente. Naturalmente, necesitamos traer las técnicas de IA más poderosas: redes neuronales profundas, algoritmos de búsqueda impulsados por IA / aprendizaje de refuerzo avanzado, modelos gráficos probabilísticos, aprendizaje semi-supervisado, para enfrentar el desafío.
Más allá de la predicción y el modelado de la enfermedad y el tratamiento, un sistema de IA de este tipo también puede predecir potencialmente la probabilidad de futuros pacientes de tener enfermedades específicas si se les realiza un examen temprano o datos de exámenes físicos anuales de rutina. Además, las herramientas de IA podrían modelar por qué y en qué circunstancias es más probable que ocurran enfermedades y, por lo tanto, pueden ayudar a guiar y preparar a los médicos para intervenir (de manera personalizada) incluso antes de que un individuo comience a mostrar síntomas.
El objetivo aquí es extremadamente complejo y exigente: encontrar opciones de tratamiento precisas para un individuo en función de su historial médico personal, opciones de estilo de vida, datos genéticos y pruebas patológicas que cambian continuamente.
Cómo la inteligencia artificial está avanzando en la medicina de precisión
IA para sistemas de salud pública
Valga decir que tales técnicas poderosas se pueden aplicar a los sistemas de salud pública a gran escala junto con la atención individual del paciente. De hecho, la vigilancia digital de pandemias y el análisis de datos de salud asistidos por IA están listos para la expansión:
La vigilancia digital puede ayudar a controlar la pandemia de coronavirus, pero también amenaza ...
La Organización Mundial de la Salud (OMS) también dice lo mismo ...
Big data e inteligencia artificial
La crisis actual de COVID-19 ha demostrado lo importante que es ejecutar cientos de ensayos paralelos de desarrollo de vacunas y proyectos de investigación terapéutica . Ingerir datos y reconocer patrones de todas estas fuentes dispares, a menudo produciendo resultados con un alto grado de incertidumbre, es casi imposible de lograr con técnicas estándar de modelado estadístico, que están optimizadas para ensayos a pequeña escala. Las técnicas de IA deben aplicarse para una resolución de problemas a escala planetaria:
Posibles opciones terapéuticas en ensayos clínicos de COVID-19
Resumen
Se discutió una amplia variedad de aplicaciones emocionantes y de futuro de las técnicas y plataformas de AI / ML, en el espacio de la atención médica. Se revisaron temas que iban desde el asistente de radiología hasta la gestión inteligente de las operaciones de salud, desde la medicina personalizada hasta la vigilancia digital para la salud pública.
Los desafíos conocidos de la privacidad de los datos y los marcos legales seguirán siendo obstáculos para la implementación completa de estos sistemas. Puede ser extremadamente complejo determinar qué tipo de datos pueden ser vistos y utilizados legalmente por proveedores externos (por ejemplo, el propietario de las herramientas de IA y ML, dispositivos físicos o plataformas). En consecuencia, se necesita un esfuerzo de racionalización masiva de la formulación de políticas y leyes, en paralelo para abordar esos desafíos.
Como tecnólogos y profesionales de IA / ML, debemos luchar por un futuro brillante donde el poder de los algoritmos de IA beneficien a miles de millones de personas comunes para mejorar su salud y bienestar básicos.
, ON Semiconductor.
Los avances en las ciencias biológicas se han acelerado desde que se mapeó el genoma humano, un proceso de 13 años completado en 2003. Como lo demuestra una nueva investigación del McKinsey Global Institute, la biorevolución resultante ha sido impulsada por el rápido progreso en informática, automatización, e inteligencia artificial (IA).
La investigación de MGI identificó alrededor de 400 aplicaciones biotecnológicas ya visibles en la línea de innovación, que juntas podrían generar hasta $ 4 billones anuales durante las próximas 1-2 décadas. Más de la mitad de eso quedaría fuera del ámbito de la salud humana, en ámbitos como la agricultura y la alimentación, los productos y servicios de consumo, y los materiales, productos químicos y producción de energía.
Pero el impacto final de la biorevolución será un orden de magnitud mayor. Por ejemplo, hasta el 60% de los insumos físicos de la economía global podrían, en principio, producirse utilizando medios biológicos. Esto incluye no solo materiales biológicos (un tercio), sino también bienes producidos mediante procesos biológicos innovadores, como los bioplásticos (dos tercios). Dichos bienes podrían ofrecer un rendimiento y sostenibilidad superiores.
Además, la innovación biológica podría reducir la carga global de enfermedad en un 1-3%, aproximadamente equivalente a la carga combinada de cáncer de pulmón, mama y próstata, en los próximos 10-20 años. Si se aprovecha todo el potencial de estas innovaciones, la carga global de enfermedad podría reducirse en un 45%.
Alcanzar ese punto requerirá que superemos muchos desafíos, tanto desde una perspectiva científica como en términos de comercialización y ampliación de innovaciones. Pero aquí, también, hay tendencias prometedoras. Para empezar, el costo de mapear el genoma humano se ha desplomado, de aproximadamente $ 3 mil millones en 2003 a menos de $ 1,000 en 2016. Esa cifra podría caer a menos de $ 100 en una década.
El genoma completo de SARS-CoV-2, el virus que causa COVID-19, fue secuenciado y publicado pocas semanas después de su identificación. Por el contrario, tardó varios meses en secuenciar y publicar el genoma del SARS-CoV-1, el virus que causa el síndrome respiratorio agudo severo, después de que surgió en 2002. Ahora, el genoma del SARS-CoV-2 se secuencia regularmente en diferentes ubicaciones, para examinar las mutaciones y obtener información sobre la dinámica de transmisión.
Otra faceta de la innovación biológica que se está implementando contra COVID-19 es la mejora sustancial en la velocidad de los diagnósticos. Del mismo modo, la miniaturización continua de las máquinas de reacción en cadena de la polimerasa de transcripción inversa (RT-PCR), lo último en tecnología para las pruebas de COVID-19, ha hecho que la tecnología sea más accesible para su uso en el campo.
Luego está el aprendizaje automático y otras tecnologías de IA, que los científicos están aprovechando para obtener información de grandes cantidades de datos genómicos (y microbiómicos) mucho más rápido que nunca. Estas capacidades, junto con una producción de vacuna basada en ácido nucleico más rápida y versátil, han acelerado considerablemente la búsqueda de una vacuna COVID-19.
A mediados de abril, menos de cuatro meses después de la identificación oficial de COVID-19, había más de 150 vacunas candidatas en laboratorios de todo el mundo. Después de que comenzó la epidemia de Zika en 2015, llevó más de un año lanzar ensayos clínicos de fase 1 sobre una posible vacuna.
Pero la capacidad de analizar sistemas y procesos biológicos es solo una parte de la historia. En el corazón de la biorevolución de hoy está nuestra creciente capacidad para "diseñar" la biología utilizando herramientas modernas de edición de genes, como CRISPR-Cas9. Con el SARS-CoV-2, se han utilizado organismos genéticamente modificados para desarrollar posibles terapias. Por ejemplo, los ratones han sido modificados genéticamente para producir anticuerpos monoclonales, y las vacas para producir anticuerpos policlonales.
Además, los científicos están explorando los tratamientos de COVID-19 que usan ARNip para interferir con moléculas específicas, o ARNi para suprimir ciertos genes. Otros tratamientos dependen de las células T (jugadores clave en el sistema inmune) y las células madre (que se pueden usar para producir diferentes tipos de células). En total, actualmente se están investigando más de 200 posibles terapias COVID-19.
Nuestra capacidad cada vez más sofisticada para extraer información a partir de datos genómicos (y microbiómicos), y para diseñar células, tejidos y órganos, tiene aplicaciones mucho más allá de la salud humana. Ya se está aplicando en sectores tan diversos como la agricultura y la fabricación de textiles y combustibles. Y está surgiendo una nueva frontera: la interfaz cerebro-máquina. Las aplicaciones alimentadas directamente por señales del cerebro no solo impulsarían una revolución en prótesis; También podrían hacer posible el almacenamiento de datos de ADN.
No se deben subestimar los riesgos de tales innovaciones innovadoras. Por un lado, el acceso desigual a las innovaciones biológicas podría profundizar las disparidades socioeconómicas, dentro y entre los países. Además, los sistemas biológicos son fundamentalmente autosuficientes y auto-replicantes. Interferir con ellos podría tener efectos profundos, duraderos y a menudo impredecibles en los ecosistemas. Cuando se abre la caja de Pandora, lo que sucede a continuación puede estar fuera de nuestro control.
El valor de la inversión en innovación biológica nunca es tan evidente como durante una pandemia. Pero dicha inversión debe ir acompañada de rigurosos esfuerzos de mitigación de riesgos, idealmente realizados de manera coordinada a nivel mundial. Desafortunadamente, como lo demuestran las respuestas a nivel nacional en gran medida a COVID-19, esto puede plantear su propio desafío.