Usando IA para inventar nuevas pruebas médicas
Por John J. Dillon y Paul A. Friedman
Harvard Business Review
Tecnología
La Inteligencia Artificial, que ya ha tenido un gran impacto en industrias como el transporte, el comercio minorista, la energía y la banca, apenas comienza a aplicarse en la medicina. Sus capacidades profundas son prometedoras para permitir la detección temprana de enfermedades y anomalías metabólicas y la esperanza de empoderar a los médicos y pacientes.
Una de las ventajas de la IA es su capacidad única para integrar grandes volúmenes de datos e identificar patrones que pueden ser sutiles o difíciles de reconocer para los humanos. Estos patrones sutiles tienen un gran potencial para alertar a los médicos sobre cambios fisiológicos importantes que deben abordarse.
Es por eso que recurrimos al poder de la inteligencia artificial para inventar una nueva forma de detectar las fluctuaciones de los niveles de potasio en la sangre que los pacientes podrían realizar fácilmente en casa sin extraer sangre. Ahora nos estamos preparando para enviar la tecnología a la Administración de Drogas y Alimentos de EE. UU. Para su aprobación.
Esta iniciativa para crear un "análisis de sangre sin sangre" nos permitió comprender el proceso de creación de soluciones impulsadas por IA que abordan directamente las necesidades de pacientes o clínicos no satisfechas, ideas que esperamos que otros interesados en aprovechar el poder de la IA en la atención médica encuentren útiles.
El potasio es esencial para la homeostasis eléctrica celular, y el cuerpo mantiene sus niveles dentro de un rango estrecho. Las fluctuaciones pueden llevar a arritmias potencialmente mortales y muerte súbita, y pueden ser causadas por los medicamentos que usamos para tratar a los pacientes con mayor riesgo de estos cambios: aquellos con enfermedades cardíacas o renales. Debido al alto riesgo de daño al paciente cuando los niveles de potasio son demasiado altos o demasiado bajos, los médicos son reacios a ajustar los medicamentos que afectan los niveles de potasio sin antes realizar un análisis de sangre. A medida que la prevalencia de enfermedades cardíacas y renales y sus factores de riesgo, presión arterial alta y diabetes, crezca también, la población de pacientes con riesgo de concentraciones anormalmente altas y bajas de potasio en sangre (hiper e hipocalemia).
Tradicionalmente, las pruebas de sangre y potasio requerían sangre y solo estaban disponibles en los consultorios médicos o en los hospitales, lo que representa una gran limitación para la detección temprana y medidas preventivas. Nuestro objetivo era crear una prueba que la gente pudiera hacer en casa, sin sacar sangre. La detección temprana de niveles anormales de potasio en la sangre permitiría valorar más eficazmente los medicamentos, abordar los problemas antes de que ocurran, evitar las hospitalizaciones y reducir los costos.
Para apoyar nuestro enfoque, necesitábamos poder marcar cambios aún más sutiles. La IA y el aprendizaje automático nos ofrecieron la capacidad de aprovechar una gran cantidad de datos clínicos compilados en la Clínica Mayo a lo largo del tiempo, que luego podrían usarse para generar un algoritmo informático automatizado para el nuevo método de prueba.
El método que desarrollamos utiliza tecnología de teléfonos inteligentes en combinación con análisis algorítmicos de grabaciones de ECG. Junto con nuestro socio AliveCor, desarrollamos un sistema para conectar electrodos a un teléfono inteligente y adquirir una grabación de ECG de calidad. Luego desarrollamos un algoritmo que detecta cambios sutiles en la morfología de la forma de onda del ECG para determinar los niveles séricos de potasio casi en tiempo real. Validamos nuestro enfoque en una serie de estudios clínicos y descubrimos que nuestros puntajes de potasio se correlacionaban estrechamente con los análisis de sangre en serie tomados de los mismos pacientes.
Aquí están los puntos clave de nuestro enfoque para desarrollar la prueba:
Reúna un equipo multidisciplinario. El factor inicial que sería clave para lograr el éxito fue lograr que las personas adecuadas trabajen codo con codo para alcanzar un objetivo único de desarrollar un análisis de sangre incruento que los pacientes puedan usar fácilmente en sus hogares. Este tipo de innovación requiere un equipo multidisciplinario de médicos, ingenieros de hardware y software, coordinadores de estudios clínicos y expertos en la comercialización de tecnologías médicas. Lo que comenzó como una asociación entre expertos en electrofisiología cardíaca, nefrología e hipertensión evolucionó rápidamente para incluir expertos en TI, análisis de datos y aprendizaje automático a medida que surgió la necesidad de perfeccionar el algoritmo. Luego contratamos a nuestros expertos internos de Mayo Clinic Ventures para ayudar a identificar a un socio, AliveCor, que nos ayudaría a desarrollar un producto que podría llevar a pacientes y cuidadores a todas partes.
Comience con correlaciones conocidas. Dado que los cambios en los niveles de potasio en sangre afectan el electrocardiograma (ECG) de un paciente, planteamos la hipótesis de que la señal procesada por el ECG podría servir como una prueba no invasiva y fácil de aplicar si pudiéramos desarrollar una forma de traducir la señal de ECG a medida de una gama completa de niveles de potasio en sangre. Los indicadores ECG de los niveles de potasio muy anormales, que ocurren cuando un paciente está cerca de un paro cardíaco, eran bien conocidos. Pero las características que se correlacionan con los niveles de potasio más cerca o dentro del rango normal no lo fueron.
En consecuencia, comenzamos examinando datos de una población de pacientes con niveles de potasio muy anormales: personas con enfermedad renal en etapa terminal que se someten a diálisis. Durante estas sesiones de diálisis, pueden producirse reducciones drásticas de potasio en unas pocas horas. Este enfoque "supervisado" implicó que nuestros expertos humanos evaluaran los cambios en las características del ECG relacionadas con los cambios de potasio durante la diálisis. Esto llevó al desarrollo de estimaciones de potasio basadas en ECG y luego algoritmos informáticos asociados.
Identifique socios externos para pasar de la banca a la cama. Para transformar nuestra prueba en una que pudiera estar ampliamente disponible, nos dimos cuenta de que teníamos que buscar un compañero externo. Con la ayuda de Mayo Clinic Ventures, elegimos AliveCor, una compañía con sede en Mountain View, California, porque es una compañía de medicina dirigida por AI reconocida por ser la primera en desarrollar un ECG conectado a un teléfono inteligente que aprovechó las redes neuronales profundas. Estas redes, que están diseñadas para funcionar de la misma manera que un cerebro humano en términos de procesamiento y clasificación de información, hacen posible el aprendizaje automático. Toman decisiones o predicciones con un grado de certeza de acuerdo con la información que reciben. Creíamos que la plataforma de AliveCor y las redes impulsadas por IA permitirían que la prueba de potasio se realizara fácilmente en casa y ayudaría a escalar la tecnología, haciéndola ampliamente disponible. (AliveCor ha licenciado la tecnología).
Las redes neuronales desarrolladas con AliveCor podrían ver más correlaciones de las que podrían detectar los humanos para detectar cambios sutiles en los patrones. El algoritmo resultante superó el enfoque supervisado, pero no fue perfecto.
Presta atención a las limitaciones de IA. El aprendizaje automático no es inmune a los problemas estadísticos tradicionales, como encontrar correlaciones únicamente a partir de una ocurrencia aleatoria; los conjuntos de datos tan grandes son importantes con el aprendizaje automático para minimizar estos problemas. Y a diferencia del análisis estadístico tradicional, no sabemos por qué los algoritmos utilizados en el aprendizaje automático llegan a sus conclusiones. En consecuencia, el proceso requiere una evaluación y validación humanas rigurosas.
Para este proyecto, pudimos obtener datos que contienen mediciones concurrentes de ECG y potasio de más de 2 millones de pacientes de Mayo Clinic. Con un conjunto de datos tan grande, la evaluación y validación de nuestros expertos clínicos y de TI fue crítica. Por ejemplo, dado que el potasio disminuye durante la diálisis, determinamos que el algoritmo podría haber usado la duración de la diálisis en lugar de los patrones de ECG para determinar el potasio en sangre. Mejoramos el algoritmo al eliminar el tiempo de los datos de AI.
Dirección de usabilidad. El ECG tradicional generalmente se realiza en un entorno médico. Implica colocar 12 electrodos de piel en ubicaciones precisas en el tórax y las extremidades, necesita equipamiento especializado y requiere capacitación. Para hacer que el algoritmo fuera útil fuera de la configuración clínica en los hospitales, tuvimos que simplificar la interfaz que captura el ECG. Utilizaremos el dispositivo físico aprobado por la FDA de AliveCor que los pacientes podrían usar en casa.
AliveCor tiene un sensor de ECG que se conecta a la parte posterior de un teléfono inteligente. La señal se obtiene sosteniendo el sensor con ambas manos. AliveCor también tiene un sensor de ECG incorporado en una banda de Apple Watch. La señal se obtiene colocando un pulgar en el sensor. La FDA ha aprobado ambos dispositivos para capturar un ECG y detectar un ritmo cardíaco anormal llamado fibrilación auricular. Nuestra tecnología de prueba de sangre sin sangre ahora puede aprovechar el dispositivo aprobado por la FDA de AliveCor para capturar datos de ECG y utilizar estos datos para predecir los niveles de potasio. (Una vez más, la aplicación de potasio requiere la aprobación de la FDA, que buscaremos).
Confíe en los expertos en comercialización. Mayo Clinic Ventures, nuestro equipo interno con experiencia en propiedad intelectual, inversiones en etapas iniciales y desarrollo comercial estratégico, participó en la comercialización de tecnología de potasio. Ayudó en el desarrollo de la propiedad intelectual y, como dijimos anteriormente, nos ayudó a identificar a un socio adecuado (AliveCor) con experiencia complementaria y una visión similar: aprovechar el poder de la inteligencia artificial para promover la práctica de la medicina para médicos y pacientes . AliveCor ha brindado la tan necesitada experiencia en ingeniería, desarrollo de productos y soporte, y acceso al mercado más grande de atención médica
***
El aprendizaje automático, que hasta ahora solo ha tenido aplicaciones limitadas en medicina, puede ser una herramienta poderosa en el desarrollo de soluciones confiables para pacientes y necesidades clínicas no satisfechas. Sin embargo, cumplir con el potencial de la IA en medicina, y específicamente en aplicaciones de aprendizaje automático, también requiere la perspectiva humana. Como muestra el desarrollo de nuestra prueba de niveles de potasio en sangre, se requiere que expertos en medicina y tecnología trabajen juntos para contextualizar las conclusiones obtenidas a través de la inteligencia artificial y ajustar los sistemas y las herramientas para una precisión óptima. La IA y el aprendizaje automático nos guiaron, pero la gente impulsó nuestro éxito.
Divulgación: Mayo Clinic y los autores tienen intereses financieros en AliveCor. Mayo Clinic utiliza todos los ingresos que recibe para apoyar su misión sin fines de lucro en la atención, educación e investigación del paciente.
John J. Dillon, MD, es el director de Mayo Clinic Dialysis Services en la División de Nefrología e Hipertensión y es el ex director de la Clínica de Nefrología de la Clínica Mayo.
Paul A. Friedman, MD, es el presidente del Departamento de Medicina Cardiovascular de Mayo Clinic en Rochester, Minnesota. Anteriormente, se desempeñó como director del Laboratorio de Dispositivos Implantables Cardíacos de la Clínica Mayo.
Harvard Business Review
Tecnología
La Inteligencia Artificial, que ya ha tenido un gran impacto en industrias como el transporte, el comercio minorista, la energía y la banca, apenas comienza a aplicarse en la medicina. Sus capacidades profundas son prometedoras para permitir la detección temprana de enfermedades y anomalías metabólicas y la esperanza de empoderar a los médicos y pacientes.
Una de las ventajas de la IA es su capacidad única para integrar grandes volúmenes de datos e identificar patrones que pueden ser sutiles o difíciles de reconocer para los humanos. Estos patrones sutiles tienen un gran potencial para alertar a los médicos sobre cambios fisiológicos importantes que deben abordarse.
Es por eso que recurrimos al poder de la inteligencia artificial para inventar una nueva forma de detectar las fluctuaciones de los niveles de potasio en la sangre que los pacientes podrían realizar fácilmente en casa sin extraer sangre. Ahora nos estamos preparando para enviar la tecnología a la Administración de Drogas y Alimentos de EE. UU. Para su aprobación.
Esta iniciativa para crear un "análisis de sangre sin sangre" nos permitió comprender el proceso de creación de soluciones impulsadas por IA que abordan directamente las necesidades de pacientes o clínicos no satisfechas, ideas que esperamos que otros interesados en aprovechar el poder de la IA en la atención médica encuentren útiles.
El potasio es esencial para la homeostasis eléctrica celular, y el cuerpo mantiene sus niveles dentro de un rango estrecho. Las fluctuaciones pueden llevar a arritmias potencialmente mortales y muerte súbita, y pueden ser causadas por los medicamentos que usamos para tratar a los pacientes con mayor riesgo de estos cambios: aquellos con enfermedades cardíacas o renales. Debido al alto riesgo de daño al paciente cuando los niveles de potasio son demasiado altos o demasiado bajos, los médicos son reacios a ajustar los medicamentos que afectan los niveles de potasio sin antes realizar un análisis de sangre. A medida que la prevalencia de enfermedades cardíacas y renales y sus factores de riesgo, presión arterial alta y diabetes, crezca también, la población de pacientes con riesgo de concentraciones anormalmente altas y bajas de potasio en sangre (hiper e hipocalemia).
Tradicionalmente, las pruebas de sangre y potasio requerían sangre y solo estaban disponibles en los consultorios médicos o en los hospitales, lo que representa una gran limitación para la detección temprana y medidas preventivas. Nuestro objetivo era crear una prueba que la gente pudiera hacer en casa, sin sacar sangre. La detección temprana de niveles anormales de potasio en la sangre permitiría valorar más eficazmente los medicamentos, abordar los problemas antes de que ocurran, evitar las hospitalizaciones y reducir los costos.
Para apoyar nuestro enfoque, necesitábamos poder marcar cambios aún más sutiles. La IA y el aprendizaje automático nos ofrecieron la capacidad de aprovechar una gran cantidad de datos clínicos compilados en la Clínica Mayo a lo largo del tiempo, que luego podrían usarse para generar un algoritmo informático automatizado para el nuevo método de prueba.
El método que desarrollamos utiliza tecnología de teléfonos inteligentes en combinación con análisis algorítmicos de grabaciones de ECG. Junto con nuestro socio AliveCor, desarrollamos un sistema para conectar electrodos a un teléfono inteligente y adquirir una grabación de ECG de calidad. Luego desarrollamos un algoritmo que detecta cambios sutiles en la morfología de la forma de onda del ECG para determinar los niveles séricos de potasio casi en tiempo real. Validamos nuestro enfoque en una serie de estudios clínicos y descubrimos que nuestros puntajes de potasio se correlacionaban estrechamente con los análisis de sangre en serie tomados de los mismos pacientes.
Aquí están los puntos clave de nuestro enfoque para desarrollar la prueba:
Reúna un equipo multidisciplinario. El factor inicial que sería clave para lograr el éxito fue lograr que las personas adecuadas trabajen codo con codo para alcanzar un objetivo único de desarrollar un análisis de sangre incruento que los pacientes puedan usar fácilmente en sus hogares. Este tipo de innovación requiere un equipo multidisciplinario de médicos, ingenieros de hardware y software, coordinadores de estudios clínicos y expertos en la comercialización de tecnologías médicas. Lo que comenzó como una asociación entre expertos en electrofisiología cardíaca, nefrología e hipertensión evolucionó rápidamente para incluir expertos en TI, análisis de datos y aprendizaje automático a medida que surgió la necesidad de perfeccionar el algoritmo. Luego contratamos a nuestros expertos internos de Mayo Clinic Ventures para ayudar a identificar a un socio, AliveCor, que nos ayudaría a desarrollar un producto que podría llevar a pacientes y cuidadores a todas partes.
Comience con correlaciones conocidas. Dado que los cambios en los niveles de potasio en sangre afectan el electrocardiograma (ECG) de un paciente, planteamos la hipótesis de que la señal procesada por el ECG podría servir como una prueba no invasiva y fácil de aplicar si pudiéramos desarrollar una forma de traducir la señal de ECG a medida de una gama completa de niveles de potasio en sangre. Los indicadores ECG de los niveles de potasio muy anormales, que ocurren cuando un paciente está cerca de un paro cardíaco, eran bien conocidos. Pero las características que se correlacionan con los niveles de potasio más cerca o dentro del rango normal no lo fueron.
En consecuencia, comenzamos examinando datos de una población de pacientes con niveles de potasio muy anormales: personas con enfermedad renal en etapa terminal que se someten a diálisis. Durante estas sesiones de diálisis, pueden producirse reducciones drásticas de potasio en unas pocas horas. Este enfoque "supervisado" implicó que nuestros expertos humanos evaluaran los cambios en las características del ECG relacionadas con los cambios de potasio durante la diálisis. Esto llevó al desarrollo de estimaciones de potasio basadas en ECG y luego algoritmos informáticos asociados.
Identifique socios externos para pasar de la banca a la cama. Para transformar nuestra prueba en una que pudiera estar ampliamente disponible, nos dimos cuenta de que teníamos que buscar un compañero externo. Con la ayuda de Mayo Clinic Ventures, elegimos AliveCor, una compañía con sede en Mountain View, California, porque es una compañía de medicina dirigida por AI reconocida por ser la primera en desarrollar un ECG conectado a un teléfono inteligente que aprovechó las redes neuronales profundas. Estas redes, que están diseñadas para funcionar de la misma manera que un cerebro humano en términos de procesamiento y clasificación de información, hacen posible el aprendizaje automático. Toman decisiones o predicciones con un grado de certeza de acuerdo con la información que reciben. Creíamos que la plataforma de AliveCor y las redes impulsadas por IA permitirían que la prueba de potasio se realizara fácilmente en casa y ayudaría a escalar la tecnología, haciéndola ampliamente disponible. (AliveCor ha licenciado la tecnología).
Las redes neuronales desarrolladas con AliveCor podrían ver más correlaciones de las que podrían detectar los humanos para detectar cambios sutiles en los patrones. El algoritmo resultante superó el enfoque supervisado, pero no fue perfecto.
Presta atención a las limitaciones de IA. El aprendizaje automático no es inmune a los problemas estadísticos tradicionales, como encontrar correlaciones únicamente a partir de una ocurrencia aleatoria; los conjuntos de datos tan grandes son importantes con el aprendizaje automático para minimizar estos problemas. Y a diferencia del análisis estadístico tradicional, no sabemos por qué los algoritmos utilizados en el aprendizaje automático llegan a sus conclusiones. En consecuencia, el proceso requiere una evaluación y validación humanas rigurosas.
Para este proyecto, pudimos obtener datos que contienen mediciones concurrentes de ECG y potasio de más de 2 millones de pacientes de Mayo Clinic. Con un conjunto de datos tan grande, la evaluación y validación de nuestros expertos clínicos y de TI fue crítica. Por ejemplo, dado que el potasio disminuye durante la diálisis, determinamos que el algoritmo podría haber usado la duración de la diálisis en lugar de los patrones de ECG para determinar el potasio en sangre. Mejoramos el algoritmo al eliminar el tiempo de los datos de AI.
Dirección de usabilidad. El ECG tradicional generalmente se realiza en un entorno médico. Implica colocar 12 electrodos de piel en ubicaciones precisas en el tórax y las extremidades, necesita equipamiento especializado y requiere capacitación. Para hacer que el algoritmo fuera útil fuera de la configuración clínica en los hospitales, tuvimos que simplificar la interfaz que captura el ECG. Utilizaremos el dispositivo físico aprobado por la FDA de AliveCor que los pacientes podrían usar en casa.
AliveCor tiene un sensor de ECG que se conecta a la parte posterior de un teléfono inteligente. La señal se obtiene sosteniendo el sensor con ambas manos. AliveCor también tiene un sensor de ECG incorporado en una banda de Apple Watch. La señal se obtiene colocando un pulgar en el sensor. La FDA ha aprobado ambos dispositivos para capturar un ECG y detectar un ritmo cardíaco anormal llamado fibrilación auricular. Nuestra tecnología de prueba de sangre sin sangre ahora puede aprovechar el dispositivo aprobado por la FDA de AliveCor para capturar datos de ECG y utilizar estos datos para predecir los niveles de potasio. (Una vez más, la aplicación de potasio requiere la aprobación de la FDA, que buscaremos).
Confíe en los expertos en comercialización. Mayo Clinic Ventures, nuestro equipo interno con experiencia en propiedad intelectual, inversiones en etapas iniciales y desarrollo comercial estratégico, participó en la comercialización de tecnología de potasio. Ayudó en el desarrollo de la propiedad intelectual y, como dijimos anteriormente, nos ayudó a identificar a un socio adecuado (AliveCor) con experiencia complementaria y una visión similar: aprovechar el poder de la inteligencia artificial para promover la práctica de la medicina para médicos y pacientes . AliveCor ha brindado la tan necesitada experiencia en ingeniería, desarrollo de productos y soporte, y acceso al mercado más grande de atención médica
***
El aprendizaje automático, que hasta ahora solo ha tenido aplicaciones limitadas en medicina, puede ser una herramienta poderosa en el desarrollo de soluciones confiables para pacientes y necesidades clínicas no satisfechas. Sin embargo, cumplir con el potencial de la IA en medicina, y específicamente en aplicaciones de aprendizaje automático, también requiere la perspectiva humana. Como muestra el desarrollo de nuestra prueba de niveles de potasio en sangre, se requiere que expertos en medicina y tecnología trabajen juntos para contextualizar las conclusiones obtenidas a través de la inteligencia artificial y ajustar los sistemas y las herramientas para una precisión óptima. La IA y el aprendizaje automático nos guiaron, pero la gente impulsó nuestro éxito.
Divulgación: Mayo Clinic y los autores tienen intereses financieros en AliveCor. Mayo Clinic utiliza todos los ingresos que recibe para apoyar su misión sin fines de lucro en la atención, educación e investigación del paciente.
John J. Dillon, MD, es el director de Mayo Clinic Dialysis Services en la División de Nefrología e Hipertensión y es el ex director de la Clínica de Nefrología de la Clínica Mayo.
Paul A. Friedman, MD, es el presidente del Departamento de Medicina Cardiovascular de Mayo Clinic en Rochester, Minnesota. Anteriormente, se desempeñó como director del Laboratorio de Dispositivos Implantables Cardíacos de la Clínica Mayo.
No hay comentarios:
Publicar un comentario