Watson no mordió al doctor, y muy bien

Aunque, como en muchos otros campos, el entusiasmo por reemplazar a los médicos con IA se ha desvanecido un poco después de una serie de fallas en el diagnóstico, el trabajo en el desarrollo de la medicina basada en IA aún está en curso. Porque, sin embargo, aún ofrecen grandes oportunidades y posibilidades de mejorar la eficiencia de las operaciones en muchas de sus áreas.

IBM se anunció en 2015 y en 2016 obtuvo acceso a datos de cuatro importantes empresas de datos de pacientes (1). El más famoso, gracias a numerosos informes de los medios, y al mismo tiempo el proyecto más ambicioso utilizando inteligencia artificial avanzada de IBM estaba relacionado con la oncología. Los científicos han tratado de utilizar los vastos recursos de datos para procesarlos y convertirlos en terapias contra el cáncer bien adaptadas. El objetivo a largo plazo era llevar a Watson al árbitro. ensayos clínicos y resultados como lo haría un médico.

1. Una de las visualizaciones del sistema médico de Watson Health

Sin embargo, resultó que Watson no puede hacer referencia de forma independiente a la literatura médica, y tampoco puede extraer información de los registros médicos electrónicos de los pacientes. Sin embargo, la acusación más grave en su contra fue que incapacidad para comparar de manera efectiva a un nuevo paciente con otros pacientes mayores con cáncer y detectar síntomas que son invisibles a primera vista.

Es cierto que hubo algunos oncólogos que afirmaron tener confianza en su juicio, aunque principalmente en términos de las sugerencias de Watson para los tratamientos estándar, o como una opinión médica adicional adicional. Muchos han señalado que este sistema será un gran bibliotecario automatizado para los médicos.

Como resultado de críticas no muy halagadoras de IBM problemas con la venta del sistema Watson en instituciones médicas de EE.UU.. Los representantes de ventas de IBM lograron venderlo a algunos hospitales en India, Corea del Sur, Tailandia y otros países. En la India, los médicos () evaluaron las recomendaciones de Watson para 638 casos de cáncer de mama. La tasa de cumplimiento de las recomendaciones de tratamiento es del 73%. Peor Watson abandonó el Centro Médico Gachon en Corea del Sur, donde sus mejores recomendaciones para 656 pacientes con cáncer colorrectal coincidieron con las recomendaciones de los expertos solo el 49 por ciento de las veces. Los médicos han evaluado que A Watson no le fue bien con pacientes mayores.al no ofrecerles ciertos medicamentos estándar y cometieron el error crítico de realizar una vigilancia agresiva del tratamiento para algunos pacientes con enfermedad metastásica.

En última instancia, aunque su trabajo como diagnosticador y médico se considera infructuoso, hay áreas en las que demostró ser extremadamente útil. Producto Watson para genómica, que se desarrolló en colaboración con la Universidad de Carolina del Norte, la Universidad de Yale y otras instituciones, se utiliza laboratorios genéticos para la elaboración de informes para oncólogos. Archivo de lista de descargas de Watson mutaciones geneticas en un paciente y puede generar un informe en minutos que incluye sugerencias para todos los medicamentos y ensayos clínicos importantes. Watson maneja la información genética con relativa facilidadporque se presentan en archivos estructurados y no contienen ambigüedades - o hay mutación o no hay mutación.

Los socios de IBM en la Universidad de Carolina del Norte publicaron un artículo sobre eficiencia en 2017. Watson encontró mutaciones potencialmente importantes que no fueron identificadas por estudios en humanos en el 32% de ellos. pacientes estudiados, haciéndolos buenos candidatos para el nuevo fármaco. Sin embargo, todavía no hay evidencia de que el uso conduzca a mejores resultados del tratamiento.

Domesticación de proteínas

Este y muchos otros ejemplos contribuyen a la creciente creencia de que se están abordando todas las deficiencias en la atención médica, pero debemos buscar áreas en las que esto realmente pueda ayudar, porque a la gente no le está yendo muy bien allí. Tal campo es, por ejemplo, investigación de proteínas. El año pasado, surgió información de que podía predecir con precisión la forma de las proteínas en función de su secuencia (2). Esta es una tarea tradicional, más allá del poder no solo de las personas, sino incluso de las computadoras poderosas. Si dominamos el modelado preciso de la torsión de las moléculas de proteína, habrá grandes oportunidades para la terapia génica. Los científicos esperan que con la ayuda de AlphaFold podamos estudiar las funciones de miles y esto, a su vez, nos permitirá comprender las causas de muchas enfermedades.

Figura 2. Torsión de proteínas modelada con AlphaFold de DeepMind.

Ahora conocemos doscientos millones de proteínas, pero entendemos completamente la estructura y función de una pequeña parte de ellos. Proteínas es el componente básico de los organismos vivos. Son responsables de la mayoría de los procesos que ocurren en las células. La forma en que funcionan y lo que hacen está determinada por su estructura 50D. Toman la forma adecuada sin instrucciones, guiados por las leyes de la física. Durante décadas, los métodos experimentales han sido el método principal para determinar la forma de las proteínas. En los años XNUMX, el uso métodos cristalográficos de rayos X. En la última década, se ha convertido en la herramienta de investigación preferida. microscopía de cristal. En los años 80 y 90, se comenzó a trabajar en el uso de computadoras para determinar la forma de las proteínas. Sin embargo, los resultados aún no satisficieron a los científicos. Los métodos que funcionaron para algunas proteínas no funcionaron para otras.

Ya en 2018 AlphaFold recibió el reconocimiento de expertos en modelado de proteínas. Sin embargo, en su momento utilizó métodos muy similares a otros programas. Los científicos cambiaron de táctica y crearon otra, que también utilizó información sobre las restricciones físicas y geométricas en el plegamiento de las moléculas de proteína. AlphaFold dio resultados desiguales. A veces lo hacía mejor, a veces peor. Pero casi dos tercios de sus predicciones coincidieron con los resultados obtenidos por métodos experimentales. A principios del año 2, el algoritmo describió la estructura de varias proteínas del virus SARS-CoV-3. Posteriormente, se encontró que las predicciones para la proteína Orf2020a son consistentes con los resultados obtenidos experimentalmente.

No se trata solo de estudiar las formas internas de plegamiento de las proteínas, sino también del diseño. Los investigadores de la iniciativa NIH BRAIN utilizaron aprendizaje automático desarrollar una proteína que pueda rastrear los niveles de serotonina en el cerebro en tiempo real. La serotonina es un neuroquímico que juega un papel clave en la forma en que el cerebro controla nuestros pensamientos y sentimientos. Por ejemplo, muchos antidepresivos están diseñados para alterar las señales de serotonina que se transmiten entre las neuronas. En un artículo de la revista Cell, los científicos describieron cómo utilizan metodos de ingenieria genetica convertir una proteína bacteriana en una nueva herramienta de investigación que podría ayudar a rastrear la transmisión de serotonina con mayor precisión que los métodos actuales. Los experimentos preclínicos, principalmente en ratones, han demostrado que el sensor puede detectar instantáneamente cambios sutiles en los niveles de serotonina en el cerebro durante el sueño, el miedo y las interacciones sociales, y probar la eficacia de nuevos fármacos psicoactivos.

La lucha contra la pandemia no siempre ha sido exitosa

Después de todo, esta fue la primera epidemia sobre la que escribimos en MT. Sin embargo, por ejemplo, si hablamos del proceso mismo del desarrollo de la pandemia, entonces, en la etapa inicial, la IA parecía ser un fracaso. Los estudiosos se han quejado de que inteligencia artificial no puede predecir correctamente el alcance de la propagación del coronavirus en función de los datos de epidemias anteriores. “Estas soluciones funcionan bien en algunas áreas, como reconocer rostros que tienen una cierta cantidad de ojos y oídos. Epidemia de SARS-CoV-2 Estos son eventos previamente desconocidos y muchas variables nuevas, por lo que la inteligencia artificial basada en los datos históricos que se usaron para entrenarla no funciona bien. La pandemia ha demostrado que necesitamos buscar otras tecnologías y enfoques”, dijo Maxim Fedorov de Skoltech en abril de 2020 en un comunicado a los medios rusos.

Con el tiempo hubo sin embargo algoritmos que parecen demostrar la gran utilidad de la IA en la lucha contra el COVID-19. Científicos de EE. UU. desarrollaron un sistema en el otoño de 2020 para reconocer patrones de tos característicos en personas con COVID-19, incluso si no tenían otros síntomas.

Cuando aparecieron las vacunas, nació la idea de ayudar a vacunar a la población. Ella podría, por ejemplo ayudar a modelar el transporte y la logística de las vacunas. También en determinar qué poblaciones se deben vacunar primero para enfrentar más rápido la pandemia. También ayudaría a pronosticar la demanda y optimizar el momento y la velocidad de la vacunación al identificar rápidamente problemas y cuellos de botella en la logística. La combinación de algoritmos con monitoreo constante también puede proporcionar información rápidamente sobre posibles efectos secundarios y eventos de salud.

estos sistemas que usan IA en la optimización y mejora de la asistencia sanitaria ya son conocidos. Se apreciaron sus ventajas prácticas; por ejemplo, el sistema de atención médica desarrollado por Macro-Eyes en la Universidad de Stanford en los EE. UU. Como ocurre con muchas otras instituciones médicas, el problema era la falta de pacientes que no se presentaban a las citas. ojos macro construyó un sistema que podía predecir de manera confiable qué pacientes probablemente no estarían allí. En algunas situaciones, también podría sugerir horarios y lugares alternativos para las clínicas, lo que aumentaría las posibilidades de que un paciente se presente. Posteriormente, se aplicó una tecnología similar en varios lugares desde Arkansas hasta Nigeria con el apoyo, en particular, de la Agencia de los Estados Unidos para el Desarrollo Internacional i.

En Tanzania, Macro-Eyes trabajó en un proyecto destinado a aumento de las tasas de inmunización infantil. El software analizó cuántas dosis de vacunas debían enviarse a un centro de vacunación determinado. También pudo evaluar qué familias podrían ser reacias a vacunar a sus hijos, pero se las pudo persuadir con argumentos apropiados y la ubicación de un centro de vacunación en un lugar conveniente. Con este software, el gobierno de Tanzania ha podido aumentar la efectividad de su programa de inmunización en un 96 %. y reducir el desperdicio de vacunas a 2,42 por cada 100 personas.

En Sierra Leona, donde faltaban los datos de salud de los residentes, la empresa trató de combinarlos con información sobre educación. Resultó que solo el número de maestros y sus alumnos fue suficiente para predecir el 70 por ciento. la precisión de si la clínica local tiene acceso a agua limpia, que ya es una huella de datos sobre la salud de las personas que viven allí (3).

3. Ilustración de Macro-Eyes de programas de atención médica impulsados ​​por IA en África.

El mito de la máquina doctora no desaparece

A pesar de los fracasos Watson todavía se están desarrollando nuevos enfoques de diagnóstico y se consideran cada vez más avanzados. Comparación realizada en Suecia en septiembre de 2020. utilizado en el diagnóstico por imágenes del cáncer de mama demostró que el mejor de ellos trabaja de la misma manera que un radiólogo. Los algoritmos han sido probados usando casi nueve mil imágenes mamográficas obtenidas durante exámenes de rutina. Tres sistemas, designados como AI-1, AI-2 y AI-3, lograron una precisión del 81,9 %, 67 %. y 67,4%. A modo de comparación, para los radiólogos que interpretan estas imágenes como las primeras, esta cifra fue del 77,4%, y en el caso de radiólogosquien fue el segundo en describirlo, fue del 80,1 por ciento. El mejor de los algoritmos también fue capaz de detectar casos que los radiólogos pasaron por alto durante la evaluación, y las mujeres fueron diagnosticadas como enfermas en menos de un año.

Según los investigadores, estos resultados prueban que algoritmos de inteligencia artificial ayudar a corregir diagnósticos falsos negativos realizados por radiólogos. La combinación de las capacidades de AI-1 con un radiólogo promedio aumentó la cantidad de cánceres de mama detectados en un 8 %. El equipo del Royal Institute detrás de este estudio espera que la calidad de los algoritmos de IA continúe mejorando. Una descripción completa del experimento fue publicada en JAMA Oncology.

W en una escala de cinco puntos. Actualmente, estamos asistiendo a una importante aceleración tecnológica y alcanzando el nivel IV (alta automatización), cuando el sistema procesa de forma automática e independiente los datos recibidos y proporciona al especialista información preanalítica. Esto ahorra tiempo, evita errores humanos y brinda una atención al paciente más eficiente. Así lo juzgó hace unos meses Stan I.A. en el campo de la medicina cercano a él, el prof. Janusz Braziewicz de la Sociedad Polaca de Medicina Nuclear en un comunicado a la Agencia de Prensa Polaca.

4. Visualización automática de imágenes médicas

Algoritmos, según expertos como el prof. Brazievichincluso indispensable en esta industria. La razón es el rápido aumento en el número de pruebas de diagnóstico por imágenes. Sólo para el período 2000-2010. el número de exámenes de resonancia magnética y exámenes se ha multiplicado por diez. Desafortunadamente, no ha aumentado el número de médicos especialistas disponibles que podrían realizarlos de manera rápida y confiable. También hay escasez de técnicos calificados. La implementación de algoritmos basados ​​en IA ahorra tiempo y permite la estandarización total de los procedimientos, además de evitar el error humano y tratamientos más eficientes y personalizados para los pacientes.

Al final resultó que, también medicina Forense puede beneficiarse de desarrollo de la inteligencia artificial. Los especialistas en este campo pueden determinar la hora exacta de la muerte del difunto mediante el análisis químico de las secreciones de gusanos y otras criaturas que se alimentan de tejidos muertos. Surge un problema cuando se incluyen en el análisis mezclas de secreciones de diferentes tipos de necrófagos. Aquí es donde entra en juego el aprendizaje automático. Científicos de la Universidad de Albany han desarrollado un método de inteligencia artificial que permite una identificación más rápida de las especies de gusanos basándose en sus "huellas dactilares químicas". El equipo entrenó su programa de computadora usando mezclas de varias combinaciones de secreciones químicas de seis especies de moscas. Descifró las firmas químicas de las larvas de insectos utilizando espectrometría de masas, que identifica los productos químicos midiendo con precisión la relación entre la masa y la carga eléctrica de un ion.

Entonces, como puedes ver, sin embargo IA como detective de investigación no muy bueno, puede ser muy útil en un laboratorio forense. Quizás esperábamos demasiado de ella en esta etapa, anticipando algoritmos que dejarían sin trabajo a los médicos (5). cuando miramos inteligencia artificial de manera más realista, centrándose en los beneficios prácticos específicos en lugar de los generales, su carrera en medicina parece muy prometedora nuevamente.

5. Visión del coche del médico