A pesar de que América sea conocida como un “crisol” por su población diversa, la atención médica destaca un problema más significativo en la diversidad. La atención médica es una práctica altamente basada en evidencia que utiliza datos en casi todos los aspectos, desde el diagnóstico hasta el tratamiento, pasando por pruebas farmacéuticas y de dispositivos médicos. Sin embargo, profundas disparidades raciales se han convertido en la “norma” debido a la falta de evidencia.
Solo el 14 por ciento de las decisiones médicas diarias se toman en función de evidencia de alta calidad. Esa evidencia se deriva del 30 por ciento de la población de EE. UU., ya que el 70 por ciento de la población de EE. UU. está excluida de los ensayos clínicos.
Mientras que las mujeres representan la mitad de la población, la salud de las mujeres ha carecido históricamente de financiación e investigación. Esto podría deberse en parte a la política de la FDA en 1977, que recomendaba excluir a mujeres en edad fértil de las fases iniciales de los ensayos de medicamentos. Esto llevó a una escasez de datos sobre cómo los medicamentos pueden afectar a las mujeres hasta que en 1994 entró en vigor una ley que requería la participación femenina por parte de los Institutos Nacionales de Salud.
Los pacientes de minorías, incluidos los negros, marrones y asiáticos, también rara vez se incluyen en los ensayos clínicos, creando lagunas significativas en la evidencia que resultan en resultados menos favorables o en estereotipos y prejuicios reforzados en función de algoritmos problemáticos desactualizados que conducen a diagnósticos erróneos y tratamientos inadecuados.
Los negros y los indios americanos y nativos de Alaska (AIAN) tienen una esperanza de vida más corta, además de las tasas más altas de mortalidad relacionada con el embarazo. Los nativos hawaianos y los isleños del Pacífico, por otro lado, son una población para la cual la atención médica aún no ha podido analizar con precisión las disparidades debido a una brecha de datos significativa.
Los nativos hawaianos y los isleños del Pacífico representan menos del 0.2 por ciento de la población de Massachusetts, por ejemplo. ¿Qué sucedería si alguien de este grupo demográfico fuera admitido en la sala de emergencias y fuera resistente al plan de tratamiento típico para la población local? Lamentablemente, este escenario ocurre más a menudo de lo que piensas.
Situaciones como esta dejan a los pacientes susceptibles a empeoramientos a menos que su equipo de atención pueda acceder a grandes conjuntos de datos diversos. En este ejemplo, una sala de emergencias en Boston idealmente podría obtener datos de un sistema de salud hawaiano, asegurando que el paciente reciba la atención más apropiada y personalizada, ya que las demografías responden al tratamiento de manera diferente. Sin embargo, esta práctica puede requerir horas del tiempo de los clínicos para filtrar la investigación y determinar qué datos son mejores para cada paciente.
Las minorías no están solas. Las comunidades rurales también están mal representadas en la recopilación de evidencia. Debido a la falta de acceso y conciencia, solo un tercio de los participantes en ensayos clínicos provienen de comunidades rurales.
Los sistemas de salud rurales son notoriamente subdotados y carecen de recursos, por lo que proporcionar a los clínicos datos de sistemas de salud metropolitanos en todo EE. UU. no solo podría generar resultados más positivos, sino que, con IA, aceleraría las decisiones de atención y les devolvería a los clínicos tiempo valioso que normalmente pasarían revisando la investigación.
La evidencia es la clave para llenar estas brechas, y se necesita IA para traducir la evidencia en ideas del mundo real.
La evidencia es la unidad transaccional de la atención médica. Es cómo decidimos qué tratamientos dar, medir el beneficio de esos tratamientos y asegurarnos de que estamos brindando la atención adecuada al paciente correcto. Dadas estas disparidades en el acceso a datos, la atención de las poblaciones minoritarias carece de la evidencia necesaria para informar estas decisiones.
Los sistemas de salud y las empresas de ciencias de la vida deben reevaluar su enfoque en datos y evidencia, llenando las lagunas de datos con evidencia de calidad que pueda informar mejor a los clínicos y dar lugar a resultados más positivos para los pacientes, independientemente de su raza, género o ubicación.
Afortunadamente, los avances recientes en la generación anónima de evidencia del mundo real e innovaciones en IA permiten a las empresas reevaluar conjuntos de datos existentes y cerrar las brechas con datos adicionales externalizados. Al hacerlo, podemos aumentar la evidencia disponible, haciendo realidad el sueño de la medicina personalizada, incluso para pacientes subrepresentados.
La IA puede producir evidencia a gran escala, no solo rápido. Estas herramientas pueden ejecutar cientos de miles de estudios simultáneamente para generar evidencia extensa para mujeres, niños y otras demografías, como aquellas con comorbilidades y grupos basados en enfermedades, que son notoriamente subrepresentados en ensayos clínicos y otras investigaciones.
Uno de los mayores obstáculos para la generación de evidencia es el análisis tedioso de registros médicos y el prolongado proceso de desidentificación. La IA generativa existe para automatizar tareas pendientes, una de las cuales es producir evidencia del mundo real. La IA puede acelerar este proceso que consume tiempo y proporcionar a investigadores y clínicos datos desidentificados que llenan las lagunas en la representación. Estos conjuntos de datos luego se pueden compilar y utilizar para alimentar modelos de lenguaje a gran escala (LLM) con evidencia de investigación más precisa o complementar datos faltantes para la toma de decisiones clínicas, asegurando que haya más investigación disponible para las poblaciones minoritarias.
Las empresas que invierten en LLM quieren asegurarse de que los datos de su modelo sean relevantes y basados en evidencia. La generación adecuada de evidencia a partir de literatura publicada o datos del mundo real puede resolver este problema. A pesar de que algunos médicos utilizan ChatGPT para la toma de decisiones clínicas, los LLM de propósito general como ChatGPT no son confiables en el ámbito de la salud porque no están basados en evidencia del mundo real. Los datos que están obteniendo no se basan en evidencia del mundo real, lo que genera salidas inexactas.
Las herramientas de IA también han sido diseñadas para evaluar y mejorar la calidad de los datos, lo que permite a los sistemas de salud y a las empresas de ciencias de la vida identificar lagunas y tomar medidas concretas para cerrarlas, asegurando que las futuras decisiones de atención médica se tomen con suficiente evidencia. Para los clínicos que utilizan LLM para informar decisiones, las herramientas de evaluación de datos pueden clasificar la calidad de la evidencia generada en función de lo bien que se ajuste al contexto de un paciente. También pueden generar sugerencias de atención futura e incluir datos actualizados para un uso posterior. Las herramientas de evaluación de datos incluso pueden informar a los médicos sobre qué tan bien se ajusta un conjunto de datos proporcionado a su pregunta, revelando la confiabilidad de las sugerencias y desempaquetando cualquier inconsistencia en las respuestas.
La IA nos permitirá ofrecer más personalización en la atención médica. Con evidencia generada en minutos, los días de pautas generales habrán desaparecido, ya que los investigadores y clínicos tendrán evidencia personalizada a su disposición que puede transformar la atención basada en el valor.
A medida que nos acercamos a 2025, las herramientas de IA deben centrarse en producir evidencia de calidad. Aquellas que lo hagan a través de la transparencia, metodología de alta calidad y la capacidad de obtener una respuesta basada en la confianza de los clínicos, serán las que tengan éxito a largo plazo y transformen la atención basada en la evidencia.