¿Por qué la IA sanitaria es tan difícil? 

Un evento crucial para la IA ocurrió cuando Watson de IBM derrotó a dos campeones de todos los tiempos de ¡Peligro! en 2011. Esto mostró que la tecnología estaba lejos de ser experimental.

IBM pronto convertiría a Watson en la pieza central de su estrategia de inteligencia artificial. Y una gran parte de eso fue centrarse en la atención médica. Con este fin, la empresa ha realizado varias adquisiciones importantes y ha aumentado el número de científicos de datos.

Pero a pesar de todo esto, el esfuerzo finalmente resultó ser una decepción. Tenga en cuenta que IBM actualmente está explorando la venta del negocio de atención médica de Watson, según un informe del Wall Street Journal.

Los desafíos de la salud y la IA

Cuando se trata de llevar tecnología de vanguardia al mercado, es importante establecer objetivos concretos que sean alcanzables y que tengan objetivos de ROI. Tratar de «hervir el océano» es a menudo la receta para el fracaso.

En el caso de IBM, parece que esto es demasiado ambicioso, ya que la empresa buscaba hacer avances significativos en la lucha contra el cáncer y otras enfermedades crónicas.

«La IA puede funcionar increíblemente bien cuando se aplica a casos de uso específicos», dijo Nirav R. Shah, médico e investigador principal del Centro de Excelencia Clínica de la Universidad de Stanford. “Cuando se trata de cáncer, estamos hablando de una constelación de miles de enfermedades, aunque la atención se centra en un tipo de cáncer. Lo que llamamos «cáncer de mama», por ejemplo, puede ser causado por muchas mutaciones genéticas subyacentes diferentes y no debería agruparse en un solo título. La IA puede funcionar bien cuando hay uniformidad y grandes conjuntos de datos en torno a una correlación o asociación simple. Al tener muchos puntos de datos alrededor de una sola pregunta, las redes neuronales pueden «aprender». Con el cáncer, rompemos muchos de estos principios.

La ironía para IBM es que probablemente habría tenido más éxito en la búsqueda de aplicaciones más mundanas de IA, como proporcionar eficiencia y mejores flujos de trabajo para los sistemas de salud. Después de todo, la compañía tiene una larga trayectoria con tales esfuerzos.

El desafío de los datos

Los datos son el combustible de la IA. Pero en el contexto de la atención médica, los datos pueden ser difíciles de obtener, por ejemplo, debido a problemas de privacidad, y a menudo son desordenados y complejos. El «ruido» puede distorsionar fácilmente los resultados.

Pero los modelos de IA para el cuidado de la salud también requieren una gran experiencia en el dominio. Los enfoques avanzados como el aprendizaje profundo pueden no ser suficientes.

“En general, las aplicaciones médicas son extremadamente complejas y contienen complejidad biológica y muchos factores agravantes como la genética, la epigenética y los factores ambientales”, dijo Oliver Schacht, CEO de OpGen. «Esta complejidad y no linealidad, que a menudo todavía se comprende solo parcialmente, hace que sea intrínsecamente difícil entrenar una IA».

Conclusión

La oportunidad para la IA en la atención médica es ciertamente enorme. En los próximos años se producirán importantes avances. Y sí, impactarán millones de vidas.

Pero para tener éxito, se necesita un enfoque a largo plazo y un enfoque en asociaciones estrechas. Esto ayudará a generar confianza.

“Los sistemas de inteligencia artificial actuales son excelentes para vencer al ajedrez o al Jeopardy”, dijo Kumar Srinivas, director de tecnología de planes de salud en NTT DATA Services. “Pero existen grandes desafíos al abordar cuestiones clínicas prácticas que requieren una pequeña explicación del ‘por qué’. Los médicos no van a depender de las decisiones de la IA ni a responder clínicamente a una lista de posibles casos de cáncer si se genera a partir de una caja negra. «

Tomás (@ttaulli) es asesor / miembro de la junta de nuevas empresas y autor de Conceptos básicos de inteligencia artificial: una introducción no técnica, El manual de automatización robótica de procesos: una guía para implementar sistemas RPA y Implementación de sistemas de inteligencia artificial: transforme su negocio en 6 pasos. HTambién hemos desarrollado varios cursos en línea, como para el COBOL y Pitón Lenguajes de programación.