Tan presente en las tareas cotidianas, tales como indicar la mejor ruta de tránsito, la elección del paquete turístico más barato y en los servicios de atención al cliente, la inteligencia artificial (IA) está llegando al área de la salud. La Organización Mundial de la Salud (OMS) la califica como una gran promesa para mejorar la prestación de servicios sanitarios en todo el mundo. Para dicha organización, es posible utilizarla –y en algunos países ricos ya lo es– para mejorar la velocidad y la precisión del diagnóstico y la detección de enfermedades, como soporte de la clínica médica y para reforzar la investigación en salud y el desarrollo de medicamentos. También puede servir de apoyo a diversas acciones de salud pública, por ejemplo, en el monitoreo de enfermedades y en la gestión de los sistemas de sanidad.
La inteligencia artificial puede entenderse como la capacidad de los dispositivos electrónicos para reproducir la forma humana de percibir situaciones variables, elegir y solucionar problemas. El software es la parte lógica del dispositivo, el “cerebro”, que está compuesto por diversas secuencias de instrucciones que orientan su funcionamiento: los algoritmos. Inicialmente, los algoritmos tan solo seguían una programación previa, pero ahora se los entrena para reconocer patrones por sí mismos a partir de los datos con los que trabajan. A esto se le llama aprendizaje automático (véase el glosario de términos técnicos).
Algoritmo: modelo computacional que define con precisión la transformación de datos de entrada en datos de salida.
Inteligencia artificial: conjunto de técnicas para la resolución de problemas, que comprenden la automatización del razonamiento deductivo, técnicas probabilísticas y aprendizaje automático, entre otras.
Machine learning (aprendizaje automático): técnica de inteligencia artificial en la que se genera un modelo computacional a partir de la carga de datos a un programa, a menudo asociado a una respuesta esperable. En el curso de diversas interacciones, el modelo tiende a aproximarse a las respuestas presentadas en los datos de entrenamiento al aprender los valores de una lista de parámetros. Cada método de aprendizaje automático define cuáles son los parámetros que deben aprenderse y cómo transforman las entradas en salidas.
Deep learning (aprendizaje profundo): técnica moderna de aprendizaje automático compuesta por la concatenación de varios módulos (capas) de aprendizaje que cooperan entre sí. Este tipo de modelo de aprendizaje automático contiene una elevada cantidad de parámetros que deben ser aprendidos y requiere una gran cantidad de datos para su entrenamiento.
Big data (macrodatos): técnica para el tratamiento de grandes cantidades de datos, frecuentemente asociada al deep learning.
Transfer learning (aprendizaje por transferencia): modalidad de aprendizaje automático en el que parte del entrenamiento se realiza en un dominio y, posteriormente, se lo adapta y/o transfiere a otro dominio. La primera parte, en la que el algoritmo aprende a completar conjuntos de datos parciales, generalmente se lleva a cabo en forma autosupervisada, es decir, sin datos de salida. La segunda parte consiste en un ajuste para un conjunto específico de entradas y salidas.
Fuentes Marcelo Finger (USP) y Alexandre Falcão (UNICAMP)
La idea es que el algoritmo pueda tener acceso a una gran cantidad de datos y asimilarlos, detectar patrones y sugerir soluciones con mayor rapidez y un índice de acierto superior al de los seres humanos. Los expertos subrayan que esta área requiere de profesionales bien capacitados y recuerdan que los sistemas de IA no se están desarrollando para reemplazar a los médicos. “El propósito es valerse de la gran capacidad de la IA para analizar información, como aliada del médico a la hora de tomar decisiones”, dice el economista y docente de inteligencia artificial en la salud Alexandre Dias Porto Chiavegatto Filho, director del Laboratorio de Big Data y Análisis Predictivo en Salud (Labdaps), creado en 2017 en la Facultad de Salud Pública de la Universidad de São Paulo (USP), con el apoyo de la FAPESP.
El principal inversor mundial en investigación en IA en el ámbito de la salud es la compañía multinacional de tecnología Alphabet, del grupo Google. También sobresalen el Instituto de Tecnología de Massachusetts (MIT) y las universidades Stanford y Harvard, en Estados Unidos, y las de Oxford y Cambridge, en el Reino Unido. En Brasil, la USP, la Universidad de Campinas (Unicamp) y la Universidad Federal de Minas Gerais (UFMG), se cuentan entre las que más se dedican a este campo de investigación.
Según el informe “Artificial intelligence index report 2022”, de la Universidad Stanford, el sector privado invirtió en 2021 en todo el mundo 11.300 millones de dólares en investigación e innovación en IA para la medicina y la salud, lo que representa un incremento de un 40 % en comparación con el año anterior. En los últimos cinco años, los recursos han ascendido a 28.900 millones de dólares, lo que ha posicionado al segmento como el mayor receptor de inversión privada en IA, superando a otras actividades que tradicionalmente utilizan tecnologías de la información, como el sector financiero y el comercio minorista. La visión por computadora, segmentando imágenes de órganos, lesiones o tumores, fue una de las aplicaciones que despertaron mayor interés en la comunidad médica.
Uno de los desarrollos de IA de mayor repercusión es el software AlphaFold, creado por la empresa DeepMind, propiedad de Google. El programa, elegido por la revista científica Science como el descubrimiento del año en 2021, utiliza técnicas de deep learning (aprendizaje profundo) en modelos de ensayos moleculares para resolver el problema denominado “plegamiento de proteínas”. Las proteínas están formadas por cadenas de aminoácidos que se pliegan espontáneamente y forman estructuras tridimensionales (3D); su formato tridimensional tiene relación directa con la función biológica que desempeñan. Es por ello que entender cómo se forman las estructuras de las proteínas puede conducir a soluciones que van desde la comprensión de la base celular de la vida hasta el descubrimiento de fármacos y la cura de enfermedades. En el caso de AlphaFold, los científicos solo necesitan introducir la secuencia de aminoácidos que define a determinada proteína y el programa presentará su estructura plegada. Más de medio millón de investigadores han tenido acceso al programa para crear soluciones que van desde la lucha contra la contaminación con plásticos hasta comprender la causa de la resistencia a los antibióticos.
Los desafíos futuros
A pesar de las cuantiosas inversiones que recibe y de los avances recientes, aún hay retos técnicos, éticos y jurídicos que deberán superarse para lograr una mayor difusión de estas herramientas. Una de las preocupaciones tiene que ver con la responsabilidad civil en función de los errores de diagnóstico que involucran a los programas informáticos y a los algoritmos de la IA. Otra se refiere a la falta de ética en el uso de la información, ya sea por la publicación de datos que violen la privacidad de los pacientes o por el empleo de algoritmos que acentúen los prejuicios y perpetúen las desigualdades en el acceso a la salud (véase el recuadro).
Los expertos también consideran que la IA aún necesita ganarse la confianza de la comunidad médica para que pueda ser vista como una técnica segura. “Esta es una labor incipiente. A la tecnología de IA le llevará tiempo hasta ser incorporada a gran escala en la salud, tanto en Brasil como en el resto del mundo”, reflexiona Chiavegatto. El primer desafío por superarse es la calidad de la información que alimenta a los algoritmos. El sistema de salud genera muchos datos, pero poca información fidedigna. “Los datos incompletos o inconsistentes general algoritmos incorrectos”, dice el investigador.
Una sugerencia errónea procedente de un sistema de IA para una ruta de tránsito o sobre una película en streaming genera malestar. Pero en el caso de la salud, puede inducir un error médico y poner en riesgo una vida. A cada nuevo sistema de IA en el área de la medicina le cabrá la responsabilidad de demostrar la consistencia de sus algoritmos para generar la confianza necesaria.
El segundo reto que se le plantea a la ciencia de la computación es demostrar que la IA es efectiva, es decir, que mejora la práctica clínica. “Aún no hay demostraciones científicas que avalen que una prescripción médica recetada con ayuda de IA, por ejemplo, genera un tratamiento más adecuado”, dice Chiavegatto.
Una de las líneas de trabajo del Labdaps es la selección de datos para el entrenamiento de algoritmos. Un estudio reciente del laboratorio arribó a la conclusión de que los algoritmos entrenados con datos locales presentan un desempeño superior a los que utilizan una base de información más amplia recabada en poblaciones con perfiles genéticos y socioeconómicos diferentes.
Deep Mind / AlphaFoldEstructura tridimensional de proteínas, elaborada por el programa de inteligencia artificial AlphaFoldDeep Mind / AlphaFold
El estudio se basó en el desarrollo de algoritmos con el propósito de predecir la mortalidad entre pacientes víctimas de covid-19. Se recolectaron datos de 16.236 personas en 18 hospitales de distintas regiones de Brasil entre marzo y agosto de 2020. Con esta información en su poder, los investigadores pusieron a prueba ocho estrategias diferentes para el desarrollo de modelos predictivos. Los mejores rendimientos se obtuvieron con aquellos que utilizaron datos locales; cuando se añadían datos de pacientes de otras regiones, la capacidad de previsión disminuía.
“Demostramos que un algoritmo entrenado en São Paulo puede que no sea la mejor solución de IA para aplicar en Belém [Pará] o en Salvador [Bahía]”, explica Chiavegatto. Un artículo sobre el estudio ya ha sido presentado a una revista científica. “Se trata de un tema de interés mundial, Muchos algoritmos desarrollados en un país tendrán que ser reentrenados mediante técnicas de transfer learning”, pronostica el experto.
El aprendizaje por transferencia o transfer learning es un problema de investigación en el aprendizaje automático centrado en almacenar el conocimiento adquirido al resolver un problema para aplicarlo a otro distinto pero relacionado.
Una iniciativa reciente para ampliar la inversión en IA en el ámbito de la salud en Brasil, surgió de una asociación entre la FAPESP, el Ministerio de Ciencia, Tecnología e Innovación (MCTI), el Ministerio de Comunicaciones y el Comité Gestor de Internet en Brasil (CGI.br). Mediante un concurso público culminado en 2021, se crearon seis Centros de Investigación Aplicada (CPA, por sus siglas en portugués) en inteligencia artificial, centrados no solo en el sector de la salud, sino también en la agricultura, la industria y las ciudades inteligentes. Cada centro recibirá 1 millón de reales al año por un máximo de 10 años y una cifra idéntica será aportada por socios privados, totalizando hasta 20 millones por unidad de investigación.
Dos de los nuevos CPA funcionarán centrados específicamente en la salud y reunirán a investigadores que ya están desarrollando soluciones de IA en el sector. En Belo Horizonte (Minas Gerais), el Centro de Innovación en Inteligencia Artificial para la Salud (Ciia-Saúde), con sede en la UFMG, agrupa a otras ocho instituciones y cuatro empresas asociadas. Operará en cinco ejes temáticos: prevención y calidad de vida; diagnóstico, pronóstico y seguimiento; medicina terapéutica y personalizada; sistemas y gestión sanitarios, y epidemias y catástrofes. “A finales de año lanzaremos la primera convocatoria a la presentación de proyectos”, dice Antônio Luiz Pinho Ribeiro, médico y vicedirector del Ciia, quien también coordina el Centro de Telesalud del Hospital de Clínicas de la UFMG.
El Centro de Telesalud realiza alrededor de 4.000 electrocardiogramas (ECG) por día y los datos recogidos sirvieron como base para el desarrollo de dos investigaciones de IA en el área de las enfermedades cardiovasculares, generando artículos que salieron publicados en la revista científica Nature Communications. En el primero, publicado en 2020, el equipo de investigación del Telesalud presentó un sistema de diagnóstico automático del ECG estándar, denominado ECG de 12 derivaciones, capaz de reconocer seis tipos de anomalías utilizando deep learning, aprendizaje automático profundo. La sensibilidad del método, es decir, su capacidad para señalar acertadamente cuando el paciente está enfermo, fue de un 80 %, y su especificidad, o sea, el acierto cuando el individuo no padece la enfermedad, aún mayor, de un 99 %.
Léo Ramos Chaves / Revista Pesquisa FAPESPElectrocardiograma: el análisis por IA puede determinar la edad del pacienteLéo Ramos Chaves / Revista Pesquisa FAPESP
El segundo artículo, publicado en 2021, presentó un estudio que utilizó IA para crear un parámetro de la salud cardiovascular llamado ECG-edad. El sistema analiza el ECG y determina la edad probable del individuo a partir de la salud de su corazón. En teoría, las personas con un ECG-edad superior a su edad cronológica presentan un mayor riesgo de mortalidad a causa de problemas cardiovasculares. “Es una información que puede utilizarse en la prevención y el seguimiento médico”, dice Ribeiro. “Pero el sistema de IA no está listo para su uso comercial, ya que aún se necesita validar si la información contribuye realmente a la gestión médica y al bienestar del paciente”.
El otro CPA es el Brazilian Institute of Data Science (Bios), coordinado por la Unicamp, que agrupa a 12 organismos colaboradores, públicos y privados, y está en fase de implementación. El Bios funcionará en las áreas de la salud, agronegocio y método, es decir, en el desarrollo de investigación aplicada en ciencia de datos para varios segmentos de actividades. Según el médico obstetra y docente de la Unicamp Rodolfo Pacagnella, coordinador del área de salud del Bios, ya se han definido tres líneas de investigación: salud femenina, diagnóstico de cáncer de piel y diagnóstico de cáncer de pulmón. El cáncer de piel es uno de los tumores de mayor incidencia a nivel mundial y la científica de la computación Sandra Eliza Fontes de Ávila, del Instituto de Computación de la Unicamp, desarrolló un software capaz de detectar el del tipo melanoma, el más agresivo de estos tipos de neoplasias (lea en Pesquisa FAPESP, edición nº 305).
En el área de la salud femenina, Pacagnella coordina investigaciones que utilizan IA para reconocer patrones de riesgo de mortalidad materna y partos prematuros con miras a establecer estrategias predictivas. “La detección precoz de un problema de salud posibilita realizar un seguimiento y un tratamiento más adecuado, y asimismo una mejora en la gestión de la red sanitaria. Nos permite saber con antelación cuándo necesitaremos vacantes en las UTI de las maternidades y equipos médicos de guardia”, ilustra Pacagnella.
Dos startups financiadas por la FAPESP desarrollaron tecnologías de IA que ya colaboran en el diagnóstico oncológico. La firma Onkos Diagnósticos Moleculares, surgida del Supera Parque de Innovación y Tecnología de Ribeirão Preto, en el interior del estado de São Paulo, desarrolló un examen genético bautizado mirTHYpe, para perfeccionar la clasificación de nódulos tiroideos indeterminados. En casi un 25 % de los diagnósticos, el examen tradicional, la punción aspiración (Paaf), no consigue determinar si el tumor es maligno o benigno. En estos casos, se remite a todos los pacientes, por precaución, a una cirugía de diagnóstico, pero se ha demostrado que el 80 % de las mismas son innecesarias porque revelan nódulos benignos. A los pacientes pueden quedarles secuelas como la necesidad de reposición hormonal de por vida.
La inteligencia artificial todavía debe ganarse la confianza de la comunidad médica antes de que pueda considerársela una técnica segura
El mirTHYpe, lanzado en 2018, realiza una lectura del microARN, pequeñas moléculas reguladoras del ARN (ácido ribonucleico) de los nódulos para determinar si la lesión es benigna o maligna, mediante inteligencia artificial. Así, pueden evitarse las cirugías innecesarias (lea en Pesquisa FAPESP, edición nº 264). Un estudio realizado por el equipo de investigación de Onkos con 440 pacientes de 128 laboratorios que están utilizando el método determinó que el mirTHYpe influyó en un 92 % de las decisiones que tomaron los médicos y redujo en un 75 % las cirugías innecesarias. El trabajo ha sido objeto de un artículo publicado en agosto de este año en la revista científica The Lancet Discovery Science (eBioMedicine). “Con una base de datos más amplia reunida en los últimos años, estamos reentrenando a nuestro algoritmo y creemos que así podremos evitar hasta un 89 % de las cirugías diagnósticas innecesarias”, dice el biólogo Marcos Tadeu dos Santos, fundador de Onkos.
La otra startup es Harpia Health Solutions, cuya sede está ubicada en el Parque Tecnológico de São José dos Campos (São Paulo). Su equipo de investigadores y desarrolladores diseñó una plataforma online –Delfos–, que hospeda soluciones de IA y visión por computadora para proveer soporte al diagnóstico de estudios médicos por imágenes. “Funciona como una segunda opinión al radiólogo”, dice el máster en ingeniería biomédica Daniel Aparecido Vital, socio fundador de Harpia.
En la práctica, la plataforma recibe los exámenes a través de una interfaz de programación de aplicaciones (API) y en un plazo máximos de cinco minutos responde directamente al sistema de archivo e intercambio de imágenes radiológicas (Pacs/Ris), en el que el radiólogo realiza el informe. En ese intervalo, la plataforma identifica anomalías y las clasifica automáticamente, generando un índice de selección que permite priorizar los hallazgos anómalos que deben diagnosticarse. Simultáneamente, introduce en el sistema una imagen con indicaciones visuales de las anomalías.
“Es un método que genera productividad y asertividad en el diagnóstico, ya que le permite al radiólogo centrar su atención en las anomalías detectadas, y así disminuir los errores producto del cansancio en las extensas jornadas de trabajo”, dice Vital. El primer servicio disponible es Delfos Mamografia, que lleva procesadas más de 72.000 mamografías. La empresa también ha creado una solución para radiografías de tórax, actualmente en fase de validación.
Harpiahealth.com | Reproducción La solución Delfos Mamografia, de la startup Harpia: asistencia al diagnóstico de estudios por imágenes. La aplicación Neonpass, de la firma Hoobox, centrada en la gestión de los hospitales (a la der.)Harpiahealth.com | Reproducción
Los recursos de IA también se están utilizando para mejorar la administración de los hospitales. Una de las tecnologías creadas recientemente en Brasil con este propósito es Neonpass, que hace posible un seguimiento diario integral del paciente dentro de la unidad de salud. Esta innovación, que ya se encuentra en uso en los hospitales Sírio-Libanês y Albert Einstein, ambos en São Paulo, es un desarrollo de la empresa Hoobox, con el apoyo de la FAPESP.
“Hoy en día, la rastreabilidad del paciente y del visitante se realiza mediante diferentes herramientas tecnológicas, cada una con sus requisitos y que, a menudo, no se comunican de manera adecuada”, dice Paulo Pinheiro, socio fundador de la startup. Un problema generado por esta situación es que el paciente debe informar sus datos de identificación en la recepción y luego vuelve a requerírsele lo mismo en las etapas de atención posteriores. Además, la jornada laboral discontinua, hace que se pierdan datos temporales, frecuencia y motivo de las visitas, por ejemplo, lo que compromete el flujo de atención en la institución.
“Neonpass fue diseñado como un bus o canal informático que administra todas las interacciones con el paciente, sin pérdida de datos y confiriendo mayor eficiencia operativa”, describe Pinheiro. Entre las actividades que pueden ejecutarse figura el check-in o registro de ingreso presencial y online, el ingreso de visitantes y el uso de terminales de asistencia. El seguimiento genera información en tiempo real que les permite a los administradores saber cuántos pacientes y visitantes están en cada sector, cuál recepción está más concurrida y cuál es el tiempo promedio de espera para una consulta o procedimiento médico.
Hoobox está incorporando a Neonpass un nuevo módulo llamado Sadia, un sistema que utiliza visión computacional e IA para detectar el riesgo de que un paciente se caiga de la cama y de que se le produzcan úlceras por presión, que se incrementa cuando una persona pasa más de dos horas en una misma posición. La información es captada por una cámara instalada en la cama y utiliza técnicas de aprendizaje automático para identificar al paciente, predecir el riesgo de caída y activar la asistencia pertinente de la enfermería.
Asimismo, el sistema identifica la categoría del trabajador que realiza distintos procedimientos cerca de la cama, y contabiliza el total de horas de asistencia, generando información para los administradores del hospital. La solución se ajusta a las directrices de la Ley General de Protección de Datos (LGPD), asegurando que la totalidad de los datos se analizan y se descartan inmediatamente, para asegurar la privacidad de los pacientes. Más de 100 camas ya están siendo monitoreadas con el sistema de Hoobox.
Los algoritmos deben ser transparentes y evitar sesgos a la hora de prestar ayuda a los médicos cuando estos deben tomar decisiones
Al tiempo que pondera el potencial de la inteligencia artificial para mejorar la prestación de la atención de la salud y cómo ayuda en el desarrollo de medicamentos, la Organización Mundial de la Salud (OMS) advierte sobre la necesidad de que los desarrolladores de soluciones tengan a la ética y los derechos humanos como eje de sus preocupaciones.
El informe “Ética y gobernanza de la inteligencia artificial en el ámbito de la salud”, publicado en 2021, pone de relieve los riesgos que conlleva el uso antiético de los datos sanitarios, principalmente aquellos asociados a prejuicios que pueden codificarse en algoritmos, a la divulgación de información que compromete la privacidad de los pacientes, a los riesgos de la ciberseguridad y a la garantía de transparencia, justificación y comprensión de los datos generados.
“Por mayor que sea el índice de aciertos de un algoritmo, el riesgo de errores sigue estando presente. Para tener una mayor confiabilidad, el algoritmo debe ser transparente, informar al médico no solamente de una decisión, sino los factores que se tuvieron en cuenta para llegar a la misma”, dice el médico clínico Antônio Luiz Pinho Ribeiro, vicedirector del Centro de Innovación en Inteligencia Artificial para la Salud (Ciia-Saúde), con sede en Belo Horizonte (MG).
El médico obstetra Rodolfo Pacagnella, coordinador del área de salud del Brazilian Institute of Data Science (Bios), subraya la importancia de la representatividad de los datos utilizados para el desarrollo de los algoritmos. “Un algoritmo entrenado para detectar el cáncer de piel que utilice como base datos referentes a la población noruega, ¿funcionará adecuadamente en Brasil?”, plantea.
Pacagnella hace hincapié en la necesidad de que los algoritmos sean entrenados con datos abarcadores, que contemplen poblaciones con perfiles diversos, y que se tomen recaudos para evitar los sesgos raciales y socioeconómicos que los contaminen, generando distorsiones que pueden pasar desapercibidas en las soluciones de IA.
Otra de las preocupaciones tiene que ver con la recolección de los datos que se utilizan en el aprendizaje automático. “Un algoritmo entrenado con datos perfectos, recabados en situaciones ideales en laboratorios académicos, no siempre refleja la realidad del sistema de salud. El programa de IA debe validarse en una situación de uso real antes de pasar a estar disponible para su aplicación comercial. Pero esto no siempre es lo que sucede”, afirma.
Proyectos
1. Bios – Brazilian Institute of Data Science (nº 20/09838-0); Modalidad Centros de Investigaciones en Ingeniería (CPE); Convenio MCTI/MC; Investigador responsable João Marcos Travassos Romano (Unicamp); Inversión R$ 2.180.218,21.
2. Centro de Innovación en Inteligencia Artificial para la Salud (Ciia-Saúde) (nº 20/09866-4); Modalidad Centros de Investigaciones en Ingeniería (CPE); Convenio MCTI/MC; Investigador responsable Virgílio Augusto Fernandes Almeida (UFMG); Inversión R$ 1.659.839,04.
3. Clasificación molecular de nódulos tiroideos indeterminados mediante perfilado por microARN (nº 15/07590-3); Modalidad Investigación Innovadora en Pequeñas Empresas (Pipe); Investigador responsable Marcos Tadeu dos Santos (Onkos); Inversión R$ 832.545,15.
4. Métodos computacionales de aprendizaje automático para la identificación y clasificación automática de nódulos mamarios y microcalcificaciones en los exámenes de mamografía digital (nº 19/16514-0); Modalidad Investigación Innovadora en Pequeñas Empresas (Pipe); Investigador responsable Daniel Aparecido Vital (Harpia); Inversión R$ 101.040,80.
5. Generación ilimitada de imágenes de lesiones de piel por medio de redes generativas antagónicas (nº 19/19619-7); Modalidad Beca doctoral; Investigadora responsable Sandra Eliza Fontes de Avila (Unicamp); Beneficiario Alceu Emanuel Bissoto; Inversión R$ 267.948,89.
Artículos científicos
RIBEIRO, A. H. et al. Automatic diagnosis of the 12-lead ECG using a deep neural network. Nature Communications. 9 abr. 2020.
LIMA, E. M. et al. Deep neural network-estimated electrocardiographic age as a mortality predictor. Nature Communications. 25 ago. 2021.
SANTOS, M. T. et al. Clinical decision support analysis of a microRNA-based thyroid molecular classifier: A real-world, prospective and multicentre validation study. The Lancet Discovery Science (eBioMedicine). 30 jun. 2022.
JUMPER, J. et al. Highly accurate protein structure prediction with AlphaFold. Science. 15 jul. 2021.
