Tres especialistas en medicina, biología y aprendizaje automático debatieron sobre cómo la IA podría predecir y ayudar a prevenir enfermedades en un episodio de la serie de podcasts de Microsoft Research The Shape of Things to Come, presentada por el líder de Microsoft Research Doug Burger. Los invitados fueron Eric Horvitz, director científico de Microsoft; Eric Topol, vicepresidente ejecutivo de Scripps Research, a quien la descripción del episodio identifica como asesor de Microsoft en IA aplicada a la salud; y Ava Amini, gerente principal de investigación de Microsoft.
Diagnóstico con IA
Horvitz describió un proyecto de Microsoft que llevó las pruebas de IA más allá de entregar a un modelo un caso completo. En cambio, se colocó al sistema en la posición de un clínico: recibía un conjunto inicial de síntomas y antecedentes, y luego debía elegir preguntas y pruebas, sopesar el valor de la información frente al costo y decidir cuándo comprometerse con un diagnóstico. Dijo que varios modelos de lenguaje de vanguardia obtuvieron buenos resultados, aunque advirtió de que las comparaciones con médicos generalistas humanos tienen limitaciones.
Topol dijo que el trabajo, publicado en Science, fue el primero en el que un sistema con agentes alcanzó diagnósticos más precisos que los médicos y que otros modelos de vanguardia. Según su relato, la precisión casi se duplicó en comparación con los médicos, y a un costo menor. También citó una estimación de Johns Hopkins de 800.000 muertes o discapacidades al año por errores de diagnóstico.
Pruebas de imagen sin aprovechar y modelos del paciente completo
Topol sostuvo que la medicina ha pasado por alto un ámbito en el que el aprendizaje profundo está mejor demostrado: las imágenes médicas, como las exploraciones de retina, las radiografías de tórax y los electrocardiogramas. Señaló un ensayo aleatorizado con más de cien mil mujeres en mamografía y 44 ensayos aleatorizados en colonoscopia, y dijo que esos hallazgos no se están llevando a la práctica. Según Topol, casi ninguna mujer en Estados Unidos recibe una lectura de sus mamografías con IA de última generación; la alternativa, dijo, es pagarla dentro de una red muy limitada.
Dijo que la siguiente fase serían los modelos del paciente completo, que combinan historiales clínicos, imágenes, genómica, proteómica y otros datos, para prever cuándo podría aparecer una enfermedad y probar escenarios hipotéticos. Estos modelos, afirmó, ya podrían dar cierta indicación del momento del riesgo, y esperaba que maduraran antes que una célula virtual. Añadió que el objetivo debería ir más allá de decir a las personas que están en riesgo, hacia la prevención.
Barreras: adopción e incentivos
Topol dijo que lo que falta es la implementación. Según su relato, la profesión médica es lenta para adoptar cambios, los sistemas de salud tienen limitaciones financieras y operan con márgenes muy bajos, y ni los médicos ni los pacientes exigen estos avances. Describió las razones que se dan como excusas y no como buenas justificaciones.
Burger transmitió un argumento escuchado en una conferencia reciente según el cual el modelo económico de la atención sanitaria está reñido con la prevención. Topol respondió que Estados Unidos tiene desincentivos debido a estructuras como la cobertura de seguro de un año, mientras que en otros lugares existen incentivos para mantener sanas a las poblaciones.
Amini, que codirige Project Ex Vivo, una colaboración de Microsoft con el Broad Institute sobre estados de las células cancerosas, dijo que el entusiasmo por los modelos de IA biológicos ahora debe ir acompañado de problemas claros que resolver y de su adopción por parte de los científicos experimentales. Dijo que la complejidad multiescala de la biología hace que integrar datos desde las moléculas hasta los pacientes sea un difícil desafío de aprendizaje automático. Al preguntársele si la biología podría llegar a cartografiarse con la misma precisión que un chip de computadora, Horvitz respondió que no, y dijo que sus detalles críticos nunca se comprenderán a un nivel atómico preciso. Amini se mostró más cautelosa y dijo que no creía que la ciencia llegara nunca a ese punto, pero argumentó que esa precisión no es necesaria para lograr descubrimientos útiles.





