Durante años, los líderes de las industrias de la salud y la tecnología han teorizado sobre cómo la inteligencia artificial puede transformar la experiencia en el sector de la salud. Aunque ha habido algún progreso en aplicaciones clínicas, como herramientas de diagnóstico, Abarca ve un caso de uso crítico que puede ofrecer una mejor experiencia para todos: generar un mayor valor a partir de los datos de salud.
Dada su relación con los pagadores, proveedores y consumidores, los PBM son capaces de aprovechar la inteligencia artificial para eliminar la fricción de los beneficios farmacéuticos. Pero la integración de la IA y el aprendizaje automático no es sencilla. Spencer Ash, director asociado de experiencia de usuario en Abarca, y Simon Nyako, gerente senior de servicios actuariales de la empresa, hablaron recientemente con MedCity News sobre las oportunidades y desafíos que enfrenta la adopción de la IA y el aprendizaje automático en el sector de la salud, así como la importancia de mantener un toque humano.
Nota: Esta entrevista ha sido editada para mayor claridad.
Dado cómo la mayoría de las empresas de salud gestionan y organizan sus datos, ¿qué tan difícil será para ellas implementar la inteligencia artificial y expandir su uso?
Spencer Ash: Los datos a menudo se recopilan en diferentes sistemas y/o se almacenan en diferentes servidores, lo que dificulta que toda esa información interactúe en un solo lugar. Ese es un gran desafío, especialmente para la IA generativa, que necesita mucha dirección sobre dónde obtener los datos.
Otro desafío son los requisitos regulatorios, como HIPAA, que cubren información de salud protegida y otros datos personales sensibles. Esto hace aún más importante conocer y considerar la fuente de los datos y asegurarse de que se estén gestionando adecuadamente.
Hay una serie de otros obstáculos potenciales, incluida la interoperabilidad, que ha sido un desafío constante en toda la industria, y la integridad y precisión de los datos. Y también se deben considerar la ética de algunas de estas posibles aplicaciones de datos. Dependiendo de la organización, estos factores podrían dificultar mucho la implementación de la IA. Pero, ese tipo de trabajo también trae beneficios más allá de solo esta tecnología, y creo que vale la pena el esfuerzo.
En tu experiencia como PBM, ¿cuáles consideras que son las mejores aplicaciones a corto plazo para estas tecnologías?
Simon Nyako: El aprendizaje automático va a ayudar en cualquier lugar donde haya una predicción involucrada, ya que puede ayudar a definir mejor lo que sucederá con una cosa en reacción a otra, lo cual surge mucho en los PBM. Por ejemplo, la optimización de formularios, la optimización de redes y el análisis de tendencias, donde hacer un cambio afectará a muchos componentes relacionados.
En cuanto al lado de la IA generativa, estoy realmente emocionado por el potencial de ayudar a las personas a ser más conversacionales con sus datos, ingresar una pregunta en lenguaje natural y obtener una respuesta. Esto puede empoderar a las personas para ser más curiosas en su análisis y les permite recuperar y explorar información adicional sin necesidad de enviar otra solicitud a su equipo de datos.
Ash: En cuanto a un ejemplo específico, está el potencial para la automatización de autorizaciones previas. Cuando se hace manualmente, puede llevar mucho tiempo obtener la aprobación del pagador incluso después de que se haya recetado un medicamento. Como resultado, el paciente no recibe sus medicamentos de inmediato, lo que podría tener implicaciones significativas para los resultados de salud. Pero los algoritmos pueden ser utilizados para analizar datos de pacientes, pautas clínicas y políticas de pagadores para agilizar el proceso, reducir la carga administrativa y acelerar el acceso.
De manera similar, esta tecnología puede ser utilizada para abordar otro problema persistente en el sector de la salud, la adherencia a los medicamentos. Los datos, como el comportamiento de recarga y las respuestas anteriores a la intervención, pueden ser aprovechados para comprender y predecir qué miembros tienen más probabilidades de interrumpir sus tratamientos para que se puedan tomar medidas para disminuir los posibles impactos en su salud.
Los casos de uso para la IA son casi infinitos, pero estos ejemplos subrayan su potencial para hacer que la atención médica sea más accesible, efectiva y segura para los consumidores, y más eficiente para los pagadores, proveedores y otros interesados.
¿Dónde ha estado implementando Abarca la inteligencia artificial y el aprendizaje automático?
Nyako: Abarca está trabajando en la implementación del aprendizaje automático de varias maneras, incluida la dirección de las oportunidades de autorización previa y adherencia a los medicamentos que mencionamos anteriormente. Pero estamos buscando continuamente nuevas aplicaciones de esta tecnología y formas en que pueda enriquecer nuestra tecnología y servicios.
Por ejemplo, la hemos incorporado en nuestro proceso de Detección, Desperdicio y Abuso (FWA) para ayudar a identificar casos potenciales para investigaciones de manera más eficiente. También tenemos un programa que ayuda a mejorar la adherencia a los medicamentos mediante el uso de aprendizaje automático para identificar y clasificar el riesgo de los pacientes que pueden dejar de ser adherentes, lo que permite una intervención más temprana y efectiva.
De manera menos formal, también utilizamos la IA y el aprendizaje automático de forma ad hoc para análisis con el fin de obtener más información y valor de nuestros datos. Puede parecer sencillo, pero esta práctica tiene un efecto dominó que puede facilitar una mayor comprensión e innovaciones no solo entre nuestros compañeros de equipo, sino también para nuestros clientes y los miembros a los que servimos.
¿Qué lecciones están aprendiendo que podrían ayudar a acelerar el uso de la inteligencia artificial y el aprendizaje automático en el sector de la salud?
Nyako: No apures la exploración de datos. No es el protagonista del proceso, pero es la parte más importante: debes saber qué estás introduciendo en el modelo de aprendizaje automático. Para desarrollar un modelo sólido, es necesario comprender la relación de los datos con el objetivo y el rango de valores en los datos, entre otras consideraciones.
La segunda cosa que compartiría es la importancia de la comunicación y las expectativas claras. En la mayoría de los casos, un experto en la materia de negocios que presenta la solicitud al equipo de datos no comprende completamente el proceso requerido. Puede ser sorprendente cuánto tiempo pasa antes de que veamos el primer conjunto de resultados o cuántas rondas de ajustes son necesarias para llegar a un modelo utilizable. Los miembros del equipo también deben comprender que no hay garantía de que podamos entregar resultados utilizables, algunas cosas son impredecibles.
Ash: Hay muchas trampas comunes en las que individuos y organizaciones pueden caer al trabajar con aprendizaje automático e IA. Una de ellas es enfocarse en la tecnología por la tecnología misma. Es importante realmente entender el contexto, cómo se está utilizando la tecnología, qué resultados se están buscando y cómo llevar la solución al mundo. No puedes dejar que el barco navegue solo. Debes darle un poco de orientación y cariño en el camino.
Y eso me lleva a otra lección crítica: los humanos deben mantenerse en medio de estos procesos. En muchos casos, eso significa no solo construir teniendo en cuenta al usuario final, sino colaborar con ellos en cada paso del camino. Por ejemplo, un diseñador puede crear una herramienta farmacéutica que siga todas las mejores prácticas de UX, pero eso no significa que pueda entregar resultados de manera ideal para los farmacéuticos.
La tecnología puede tener el poder de transformar la atención médica, pero una evolución significativa no es posible sin un adecuado liderazgo.
¿Cuál es el desafío planteado por las ‘alucinaciones’ de la IA y qué riesgos plantean en entornos de salud?
Ash: Las alucinaciones ocurren cuando los sistemas de IA generan salidas engañosas o incorrectas basadas en los datos que se les han proporcionado y los procesos para los cuales han sido entrenados. En el sector de la salud, si estamos alimentando un sistema con datos de pacientes, datos de medicamentos, protocolos clínicos y demás, no queremos que haga suposiciones. Las consecuencias de este problema en el espacio de la salud pueden ser graves, lo que lleva a diagnósticos erróneos y daños al paciente, y deben evitarse a toda costa. Por lo tanto, será crítico que trabajemos proactivamente para asegurarnos de que estos sistemas sean rigurosamente probados, validados y monitoreados para minimizar el riesgo de errores. Y también debemos asegurarnos de no introducir sesgos o inexactitudes en los datos.
Nyako: Las alucinaciones son en su mayoría el resultado de la incapacidad de la IA para entender la pregunta y no saber lo suficiente para pedir clarificaciones. En un contexto empresarial, querrás desarrollar modelos específicos para una tarea o dominio para eliminar el sesgo y asegurarte de que interpretará las preguntas correctamente. Pero, en muchas de las aplicaciones que veo, habrá un profesional entre la respuesta de la IA y la salida final. Por lo tanto, es importante asegurarse de que las personas entiendan que la IA no es infalible y que necesitan usar su juicio profesional para evaluar lo que está devolviendo y asegurarse de que sea razonable.
Ash: La supervisión humana es primordial. Los proveedores deben trabajar colaborativamente con científicos de datos e ingenieros de IA en la construcción de estos sistemas para lograr un equilibrio óptimo y minimizar el riesgo. En Abarca, nuestra misión es influir y conducir resultados de salud positivos y hacer que la atención médica sea fluida y personalizada para todos. Estas herramientas pueden ayudarnos a lograrlo, pero debemos reconocer los riesgos y hacer todo lo posible para minimizarlos.
Foto: Yuichiro Chino, Getty Images.