Los proveedores de atención médica continúan adoptando la IA a un ritmo rápido, con la mayoría informando que han aumentado sus gastos tecnológicos en el último año.
La nueva generación de innovación en IA para la atención médica es prometedora, pero hay algunos problemas que persisten cuando se trata de IA, como la generalización de datos y el alto costo de adoptar nuevas herramientas, señaló el Dr. Arash Harzand durante una entrevista este mes en la reciente conferencia HRX de la Sociedad del Ritmo Cardíaco en Atlanta.
El Dr. Harzand es profesor de cardiología en la Universidad de Emory en Atlanta, así como director de salud en la Oficina de Innovación y Aprendizaje en Salud de la VA.
Al evaluar la nueva clase de herramientas de IA que están surgiendo para el espacio de la cardiología, cree que aquellas que involucran visión por computadora tendrán un mayor impacto.
“La visión por computadora significa cómo usamos la IA para ayudar a guiar e interpretar estudios diagnósticos y realmente cualquier tipo de imagen, ya sea TC, RM, ecocardiografía o ultrasonido”, explicó el Dr. Harzand.
Aproximadamente la mitad de las aprobaciones de la FDA en el espacio de la IA se otorgaron a herramientas diseñadas para imágenes médicas, agregó. Algunas compañías que venden herramientas basadas en visión por computadora incluyen Aidoc, PathAI y Qure.ai.
Estas herramientas pueden analizar imágenes mucho más rápido que los humanos, y a menudo prometen mejorar la precisión diagnóstica al detectar patrones sutiles o anomalías en las imágenes médicas. Si bien la IA puede tener el potencial de aportar estos beneficios, el costo de adoptar nuevas herramientas a menudo es un obstáculo importante, señaló el Dr. Harzand.
“Estas cosas siempre tienen la extraña costumbre de hacer que los costos sean más altos, porque es atención médica, y cada vez que tienes algo nuevo, siempre hay un costo inicial”, afirmó.
La generalización de datos es otro desafío importante cuando se trata de IA, señaló el Dr. Harzand. Las herramientas de IA en el campo de la salud suelen ser entrenadas en conjuntos de datos grandes, y es importante asegurarse de que estos datos de entrenamiento coincidan con la demografía de la población de pacientes en la que se está utilizando la tecnología.
Tome la VA, por ejemplo: su población de pacientes es muy diferente al público en general. Más del 90% de los pacientes de la VA son hombres, y muchos de ellos estuvieron expuestos a productos químicos tóxicos como el Agente Naranja, lo que puede aumentar la probabilidad de tener enfermedades como la diabetes, dijo el Dr. Harzand.
Además, las demografías raciales y étnicas son diferentes en cada centro médico de la VA, y en cada hospital, por cierto, agregó. Contabilizar estas diferencias y asegurarse de que la IA sea adecuada para ayudar a tratar a la población única en cuestión es un paso clave para determinar el éxito de las herramientas de IA en la atención médica, señaló el Dr. Harzand.
Foto: metamorworks, Getty Images