La IA es una corta sigla que abarca una larga lista de tecnologías.
A medida que las organizaciones de salud evalúan y adoptan la inteligencia artificial, hay mucha confusión sobre lo que exactamente incluye. Toda la atención en torno a los Modelos de Lenguaje Grandes como ChatGPT y la IA generativa ha eclipsado otros tipos de IA, algunos de los cuales las organizaciones de salud han estado utilizando durante años, quizás sin siquiera darse cuenta de que están utilizando inteligencia artificial.
Dado el arremetida del gasto en IA en salud, es importante que los sistemas de salud comprendan las diferentes tecnologías de IA, cómo se utilizan y cuáles ofrecen el mejor valor y retorno de la inversión (ROI). Los sistemas ya están gastando fortunas en software de IA. El gasto en IA en salud y ciencias de la vida se proyecta que crecerá de $11.6 mil millones en 2024 a $19 mil millones para 2027, con una tasa de crecimiento anual compuesta de 16.6%, según Gartner. Eso es demasiado dinero para gastar sin saber exactamente lo que se está obteniendo a cambio.
La IA se entiende mejor como un portafolio de tecnologías y capacidades complementarias, algunas de las cuales simplemente automatizan tareas administrativas manuales y a menudo repetitivas, mientras que otras ofrecen análisis profundos, predicciones y cursos de acción para optimizar resultados y valor. Aquí hay una guía de las diversas tecnologías que pueden agruparse bajo IA:
Aprendizaje automático – Esta es la tecnología más madura en el portafolio de IA y la que la mayoría de los sistemas conocen. Utiliza datos y algoritmos para permitir que la IA imite la forma en que los humanos aprenden, mejorando gradualmente su precisión. En general, los algoritmos de aprendizaje automático se utilizan para hacer una predicción o clasificación basada en patrones en los datos. Esto se utiliza comúnmente para cosas como estratificar a los pacientes según el riesgo, identificar brechas en la atención y brindar atención médica personalizada para mejorar los resultados de los pacientes, especialmente para pacientes de alto riesgo. También se utiliza para escanear de forma automatizada imágenes médicas para ayudar a los radiólogos a identificar de manera proactiva a los pacientes en riesgo de un derrame cerebral o un ataque cardíaco para intervenir mucho antes de que ocurra un evento agudo.
Aprendizaje profundo – Este es un subconjunto del aprendizaje automático, que se acerca al razonamiento humano. Utiliza redes neuronales multicapa, llamadas redes neuronales profundas, para simular la toma de decisiones humanas. A diferencia de los modelos de aprendizaje automático, que requieren datos de entrada estructurados y etiquetados para ser efectivos, los modelos de aprendizaje profundo pueden producir salidas precisas a partir de datos crudos y no estructurados. Uno de los usos más comunes en salud es para el análisis de imágenes.
Procesamiento del lenguaje natural (PLN) y generación de lenguaje natural (GLN) – Esto utiliza aprendizaje automático para permitir a las computadoras entender y comunicarse con el lenguaje humano. Permite a las computadoras y dispositivos digitales reconocer, entender y generar texto y habla mediante la combinación de lingüística computacional con modelado estadístico, aprendizaje automático y aprendizaje profundo. En salud, se utiliza para la codificación asistida por computadora para traducir registros médicos al inglés simple, para analizar registros de salud y presentar un resumen de la historia clínica del paciente en la cabecera/punto de atención para médicos y enfermeras para aumentar la productividad.
IA generativa/Modelos de lenguaje grandes (LLMs) – Similar al PLN, esta IA puede crear contenido original, incluido texto, imágenes, video, audio y código de software en respuesta a una consulta del usuario. Puede realizar tareas como alimentar chatbots en línea para programar citas, analizar el sentimiento del paciente desde diferentes fuentes, y más. Uno de los casos de uso más convincentes de Gen AI/LLMs, ampliamente evidente en HIMSS 24, es capturar de manera fluida las notas de enfermería y clínicas a través de un teléfono celular que ejecuta la aplicación, convirtiéndolas en texto mientras se edita el contenido no relevante, con la capacidad de hacer ediciones finales antes de ingresar automáticamente estas notas en los registros electrónicos de salud de Epic (EHRs).
Hay otras tecnologías que no siempre se piensan como IA, pero que, de hecho, lo son. Esto incluye la robótica médica y sus subcampos de:
Automatización de procesos robóticos (RPA) – También conocida como robótica de software, emplea tecnologías de automatización inteligente para realizar tareas repetitivas como extraer datos, completar formularios y mover archivos, liberando a los humanos para realizar otros trabajos. También se puede utilizar para mejorar las operaciones de centros de llamadas y permitir el autoservicio al cliente y al paciente a través de múltiples canales.
Visión por computadora – Esto le da a los equipos médicos la capacidad de “ver” una tarea que están realizando y tomar decisiones en tiempo real basadas en esa entrada. Puede ayudar con todo, desde identificar lesiones e interpretar imágenes médicas, hasta el manejo de medicamentos y el diagnóstico. Los avances en este campo están allanando el camino para la Realidad Virtual (VR) y la Realidad Aumentada (AR), ambas con un enorme potencial para las cirugías asistidas por robótica. Este campo también incluye lo que comúnmente pensamos como robots médicos: máquinas semiautónomas que pueden administrar medicamentos, asistir en cirugías y rehabilitación, monitorear pacientes e incluso servir como compañeros para aquellos que se beneficiarían de ello.
Cirugías asistidas por robótica – Los robots médicos desplegados para cirugías hoy en día tienen cámaras 3D que graban las operaciones. El video se transmite a una pantalla de computadora en algún lugar y ayuda al cirujano a realizar la operación utilizando brazos robóticos quirúrgicos, como el sistema quirúrgico Da Vinci, que permite cirugías mínimamente invasivas y una rápida recuperación del paciente que reduce la duración de la estancia (LOS) mientras garantiza resultados superiores para el paciente.
Construyendo un portafolio de IA
Ante tales necesidades apremiantes y una tecnología tan prometedora, ¿cómo se supone que una organización de salud sabe en qué IA invertir?
No hay una respuesta única. Es una decisión individual dependiendo de los recursos, necesidades y prioridades de cada organización. Ninguna tecnología de IA abordará todo y resolverá todos los problemas, por lo que los sistemas deben priorizar aquellas que prometen el mayor valor y ROI.
Hay una gran cantidad de factores que las organizaciones deben considerar, incluido el costo de la tecnología, la facilidad de adopción, la resistencia potencial de los proveedores y pagadores que la utilizarán, la interrupción de los flujos de trabajo existentes, la compatibilidad con los sistemas existentes, los ahorros potenciales, y más. Las organizaciones también deben sopesar si construir o comprar tecnología de IA. La construcción proporciona una mayor transparencia en las operaciones, pero puede requerir recursos y experiencia que los sistemas carecen.
Construir cuidadosamente un portafolio de las tecnologías de IA más útiles e impactantes es la mejor manera para que las organizaciones aseguren que obtienen el máximo beneficio de esta increíble innovación.
Gestión de Datos de Identidad (IDM) para la fidelidad y preparación de datos de IA
Por supuesto, crítico para el éxito de cualquier programa de datos de IA o análisis es la calidad de los datos de identidad del paciente/miembro/consumidor que se está utilizando, comenzando con la Gestión de Datos de Identidad (IDM). Los datos defectuosos y faltantes o duplicados interfieren con el rendimiento de la IA, lo que puede hacer que sea difícil para las organizaciones lograr el ROI deseado y entregar valor de sus iniciativas de IA. Las organizaciones necesitan tener procesos y recursos de IDM de alta calidad en su lugar para que sus inversiones en IA tengan un impacto significativo.
Las organizaciones inciertas acerca de sus capacidades de IDM deberían asociarse con expertos que puedan evaluar, comparar y mejorar sus operaciones para maximizar el retorno de la tecnología de IA.
Imagen: Warchi, Getty Images
Andy Dé es el Director de Marketing de Verato, y lidera la estrategia, planificación y ejecución de mercado para la plataforma líder en el mercado de hMDM y soluciones de Verato. Antes de unirse a Verato, Dé ocupó cargos directivos en innovación, mercado y gestión de productos en SAP Health Sciences, GE Healthcare, Tableau, Alteryx y MedeAnalytics. Dé es un apasionado de la innovación en salud y es autor del blog Health Sciences Strategy, que tiene una audiencia en 47 países. Ha sido citado y publicado en principales publicaciones de salud y es miembro del Consejo de Comunicación de Forbes y de la Junta Ejecutiva de Fast Company. Dé posee maestrías en ingeniería y negocios con becas de instituciones líderes en Estados Unidos, Canadá e Israel. Ha completado programas de gestión ejecutiva de Harvard Business School, la Sloan School of Management del MIT y la Kellogg School of Management.
Esta publicación aparece a través del programa de Influenciadores de MedCity. Cualquiera puede publicar su perspectiva sobre negocios e innovación en salud en MedCity News a través de Influenciadores de MedCity. Haz clic aquí para averiguar cómo.