Es crucial que las organizaciones inviertan en desarrollar algoritmos que predigan enfermedades y para comprender por qué ocurren. HBR aborda este dilema.

Por Sema Sgaier y Francesca Dominici*

 

Los líderes de atención médica también están adoptando a la inteligencia artificial (IA).

Al realizar una extensa revisión de estudios de casos y literatura de investigación, descubrimos que sus iniciativas de IA se centran, principalmente, en desarrollar algoritmos que puedan predecir un problema como el cáncer para hacer que los diagnósticos sean mejores, más rápidos y menos costosos.

En raras ocasiones sus organizaciones dedican recursos para comprender por qué ocurren las enfermedades y así intervenir de la manera más efectiva posible. Ambos tipos de algoritmos son cruciales.

Para ser claros, no se minimiza la importancia de los análisis predictivos para ayudar a diagnosticar a los pacientes; se están salvando vidas.

El Centro Médico Beth Israel Deaconess utilizó modelos para predecir qué pacientes probablemente no se presentarán o dejarán de recibir tratamiento para que pueda intervenir antes de tiempo, por ejemplo, enviándoles un mensaje de texto.

El Departamento de Asuntos de Veteranos de EU y Google Mind desarrollaron una tecnología que puede predecir la lesión renal aguda, una afección que afecta a uno de cada cinco pacientes hospitalizados, 48 horas antes de lo diagnosticado actualmente.

Los modelos predictivos, como el aprendizaje profundo, aportan principalmente resultados al descubrir patrones complejos en los datos.

Por ejemplo, con múltiples imágenes de lesiones cutáneas se puede predecir si una nueva imagen de una lesión debe etiquetarse como maligna o benigna. Toman lo que ya hacemos y lo mejoran, cambiando la tarea de un humano, en este caso un radiólogo, a un algoritmo.

Como se destacó en un artículo reciente de Harvard Business Review (HBR), “…la IA actualmente crea el mayor valor para ayudar a los médicos de primera línea a ser más productivos y hacer que los procesos de fondo sean más eficientes, pero aún no para tomar decisiones clínicas o mejorar los resultados. Las aplicaciones clínicas para identificar las causas de la enfermedad aún son raras”.

 

ALGORITMOS CAUSALES

Con los algoritmos causales, por el contrario, también podríamos identificar los factores subyacentes que causan ese cáncer y utilizar ese conocimiento para desarrollar nuevos medicamentos y comprender quién debería recibirlos.

En la atención médica, el enfoque predeterminado para comprender la causalidad es realizar un ensayo controlado aleatorio. Pero tales ensayos son caros, requieren mucho tiempo, no son totalmente representativos de los diferentes tipos de pacientes y, a menudo, simplemente no son factibles.

Los algoritmos causales de IA pueden inferir relaciones causales a partir de datos de observación, que nos dicen cómo interactúan los diferentes factores entre sí y cuál está causando qué efecto. También podemos hacer simulaciones de “¿qué pasaría si…?”.

Se están desarrollando y validando nuevos enfoques para la IA causal. Incluyen métodos tales como redes bayesianas, modelos de ecuaciones estructurales y marcos de resultados potenciales. Aquí hay algunas áreas donde vemos especialmente el valor:

 

Descubrir mecanismos de enfermedad.

GNS Healthcare, en asociación con Alliance for Clinical Trials in Oncology, quería mejorar la tasa de supervivencia del cáncer colorrectal al comprender mejor el mecanismo de la enfermedad subyacente.

Crearon modelos causales con datos de un ensayo clínico con más de 2,000 pacientes que estaban siendo tratados con dos medicamentos diferentes. Pudieron identificar los factores causales tanto moleculares como clínicos que pueden servir como biomarcadores para la supervivencia, por lo que los médicos pueden orientar mejor el tratamiento correcto al paciente idóneo.

Optimización del tratamiento

Quizá una de las aplicaciones más contradictorias, pero también emocionantes de la IA causal es brindar apoyo a las decisiones de los proveedores de atención.

Los modelos predictivos para evaluar el riesgo del paciente y decidir el tratamiento óptimo a veces pueden llevar a recomendaciones poco confiables.

Por ejemplo, había un modelo que predecía incorrectamente que los asmáticos con neumonía tenían menos probabilidades de morir, solo porque la política del hospital era admitir directamente a estos pacientes en la unidad de cuidados intensivos, lo que el modelo no tomaba en cuenta.

Una política desarrollada sobre este resultado hubiera recomendado peligrosamente brindar menos atención a los pacientes asmáticos. Los modelos de IA causales pueden superar tales riesgos.

El Dr. Suchi Saria ha estado aplicando modelos contrafácticos. Lo hizo bajo el razonamiento de “qué pasaría si…” para predecir cómo progresará una trayectoria de tiempo continuo (por ejemplo, resultados de la enfermedad) en diferentes secuencias de acciones (intervenciones de atención médica).

Al utilizar datos sobre pacientes renales sometidos a diálisis en la unidad de cuidados intensivos, su equipo analizó los niveles de creatinina, que aumentan durante la insuficiencia renal, y pudo crear un modelo que puede individualizar qué tipo de diálisis se debe administrar a qué paciente y cuándo.

 

Determinantes sociales de la salud

Los profesionales de la salud en Estados Unidos y en todo el mundo luchan por comprender cómo los factores sociales que rodean a un paciente pueden afectar su salud.

En nuestro propio trabajo en India, la Fundación Surgo quería entender por qué 20% de las mujeres en Uttar Pradesh, India, decidían dar a luz en casa, a pesar de los riesgos conocidos.

Utilizando técnicas de aprendizaje automático causales, aprendimos, por ejemplo, que la distancia al hospital en realidad no hacía ninguna diferencia, a pesar del hecho de que la mayoría de las inversiones se han centrado en construir más hospitales cercanos.

También supusimos que las mujeres preferían dar a luz en casa. Pero descubrimos que una determinante clave para dar a luz en un nosocomio era si la mujer tenía un plan de parto, como organizar el transporte para llegar allí, así como una creencia muy específica de que los hospitales no eran seguros. Como resultado, ahora podemos dirigir los mensajes e intervenciones correctos a las personas adecuadas.

Entonces, ¿cómo hacemos que la IA causal esté más centrada en la atención médica? Por un lado, es importante comprender la amplitud de lo que la IA puede ofrecer. Los líderes de atención médica deben tomarse el tiempo para identificar problemas en su trabajo que se beneficiarían más de la IA causal, asociarse con empresas y académicos con experiencia en este espacio, y luego probar este enfoque en algunos estudios de casos.

En segundo lugar, los datos son clave. Si bien obtuvimos los datos necesarios para lograr resultados significativos en la iniciativa de entrega a domicilio, conseguir los datos adecuados puede ser un desafío.

La capacidad de la IA causal para proporcionar conclusiones confiables debe basarse en tener información precisa y representativa. Podemos entrenar modelos para que sean inteligentes solo si les damos datos de excelente calidad que representen a las poblaciones correctas, se puedan combinar con otros conjuntos de datos y se hayan comparado con un buen grupo de control. Las organizaciones deben invertir en la construcción de la infraestructura de información necesaria para estos algoritmos.

¿Por qué? Porque la IA causal ofrece nuevas formas de desentrañar la complejidad para actuar sobre los factores más importantes que causan enfermedades al aprovechar el poder de los datos. Crear algoritmos que puedan realizar esta tarea es más difícil que crear algoritmos que puedan hacer predicciones. Pero no solo es un esfuerzo que vale la pena, es necesario.

 

*Sobre las autoras
Sgaier es cofundadora y directora ejecutiva de la Fundación Surgo, profesora adjunta adjunta en Harvard T.H. Chan School of Public Health. Dominici es profesora de bioestadística, salud de la población y ciencia de datos de Clarence Gamble en Harvard T.H. Chan School of Public Health.