En los primeros días de cualquier tecnología fundamental se caracterizan por la sobre-exageración y el escepticismo. Cuando Internet hizo su debut en la década de 1990, los entusiastas quedaron impresionados por el potencial de buscar casi cualquier cosa en línea, incluso si las páginas web incipientes no eran del todo útiles, e imaginaban oportunidades para un mundo más conectado. Los escépticos veían Internet como una moda que nunca reemplazaría los medios tradicionales de comunicación o investigación. A medida que el tiempo pasaba, hubo un auge y un colapso, pero eventualmente, las aplicaciones de Internet pasaron de ser novedades geniales a soluciones prácticas para problemas reales. Hemos visto ciclos comparables jugar con teléfonos móviles y redes sociales. Hoy, estamos en una encrucijada similar para la inteligencia artificial (IA) en la atención médica.
Cuando la mayoría de las personas piensan en la IA en la atención médica, imaginan aplicaciones futuristas como “doctores de IA” que ayudan a diagnosticar el cáncer y agentes de IA que escanean automáticamente su cuerpo en busca de eventos cardiovasculares antes de que ocurran. Si bien estas innovaciones muestran la promesa de la IA para el futuro, la mayoría aún no se han implementado y validado a gran escala. Si queremos encontrar aplicaciones útiles de IA en la atención médica hoy, debemos mirar más arriba, donde puede ser transformador en la resolución de problemas complejos de larga data.
La investigación clínica es un campo que está maduro para el impacto de la IA. Hoy en día, la gestión de datos sigue siendo un desafío significativo, y los investigadores clínicos dependen de procesos manuales para organizar y analizar grandes cantidades de datos de salud. Mientras que en la mayoría de las áreas de nuestras vidas estamos acostumbrados a escribir consultas en un motor de búsqueda y recibir respuestas rápidas, la mayoría de los investigadores clínicos siguen usando hojas de cálculo para almacenar, intercambiar, acceder y analizar datos. A medida que la cantidad y complejidad de datos de salud multimodales ha crecido con el aumento de los ómicos, las herramientas que solíamos usar para el análisis no funcionan. Los procesos obsoletos conducen a retrasos en la investigación y estancan la innovación.
Aquí es donde entra la IA, no con exageración, sino con una solución real a los problemas de gestión de datos de los investigadores clínicos. Los sistemas de IA, en particular los modelos de lenguaje grandes (LLM), pueden ayudar a los investigadores a organizar los datos en formatos listos para usar y capacitarlos para interactuar con sus datos de manera más eficiente.
Profundicemos un poco más en cómo estas tecnologías ya están permitiendo avances científicos en la investigación clínica.
Un área donde estamos viendo que la IA agrega valor hoy en día es en la aceleración de la armonización de datos. En su forma original, los datos clínicos son muy desordenados. Los investigadores suelen pasar meses analizando silos digitales y formatos de datos dispares para armonizar la información en una estructura común, lista para la investigación. Con la llegada de los LLM, los investigadores pueden acelerar este proceso 100 veces a través de la automatización impulsada por la IA. Los LLM armonizan montañas de datos de registros, bases de datos de investigación y registros médicos electrónicos (EMR) en un vocabulario controlado listo para el análisis. Agua abajo, los investigadores pueden omitir el engorroso proceso de manipulación de datos y pasar directamente a la ciencia.
Otra aplicación de alto valor está en la extracción de datos estructurados de datos “no estructurados” previamente no utilizables, como las notas de texto libre de un EMR. Debido a que esta información, que incluye detalles importantes sobre el uso de medicamentos de un paciente, por ejemplo, no está organizada en un formato estructurado, a menudo se excluye de las bases de datos de investigación. Los LLM pueden mapear este texto de las notas clínicas a campos más estructurados, respondiendo preguntas como “¿este paciente recibió radioterapia” o “¿esta persona tuvo una recurrencia de cáncer”? Esto funciona también con imágenes. Por ejemplo, utilizamos la visión por computadora impulsada por IA para extraer metadatos de imágenes de histopatología como recuentos celulares, tipos de células, tinción, y más. Una vez que está estructurado, todos estos datos pueden estar disponibles para la investigación, acelerando el tiempo para obtener información.
Las interfaces de usuario impulsadas por IA también están mejorando radicalmente la accesibilidad de los datos, creando un nuevo paradigma para las interacciones entre los investigadores y los conjuntos de datos. En lugar de tener que aprender las complejidades técnicas de las bases de datos, o trabajar con especialistas en datos que saben cómo escribir código, las interfaces impulsadas por IA permiten a los investigadores “chatear con los datos” utilizando un lenguaje natural. En lugar de escribir una línea de código, los investigadores pueden simplemente escribir “Encuéntrame todos los pacientes que han tenido cáncer de mama de estadio patológico II o superior y que tengan variantes patógenas en los genes asociados con el síndrome de Lynch” en la interfaz de usuario impulsada por IA. El LLM entiende la solicitud y la convierte en una consulta en el conjunto de datos armonizado, devolviendo una respuesta en segundos en lugar de semanas. No solo acelera el tiempo para obtener información, sino que democratiza el acceso a los datos, abriendo la puerta para que aún más expertos médicos participen en la investigación, especialmente aquellos sin experiencia en codificación.
Creo que la exageración y el escepticismo son buenos cuando se trata de IA. Estos puntos de vista empujarán los límites de lo que es posible mientras que restringen los casos de uso menos efectivos. Pero es importante que centremos la atención en las áreas donde la IA ya está teniendo un impacto significativo. Estas son las aplicaciones prácticas que permitirán a los mejores y más brillantes investigadores centrarse en la ciencia en lugar de en la manipulación de datos. Vamos a trabajar en eso.