La gran mayoría de los modelos de IA que se usan en medicina hoy en día son « especialistas limitados », capacitados para realizar una o dos tareas, como escanear mamografías en busca de signos de cáncer de mama o detectar enfermedades pulmonares en radiografías de tórax.

Pero la práctica diaria de la medicina implica una variedad interminable de escenarios clínicos, presentaciones de síntomas, posibles diagnósticos y enigmas de tratamiento. Entonces, si la IA va a cumplir su promesa de remodelar la atención clínica, debe reflejar esa complejidad de la medicina y hacerlo con alta fidelidad, dice Pranav Rajpurkar, profesor asistente de informática biomédica en el Instituto Blavatnik en HMS.

Ingrese a la IA médica generalista, una forma más evolucionada de aprendizaje automático capaz de realizar tareas complejas en una amplia gama de escenarios.

Al igual que los médicos de medicina general, explicó Rajpurkar, los modelos de IA médicos generalistas pueden integrar múltiples tipos de datos, como resonancias magnéticas, radiografías, resultados de análisis de sangre, textos médicos y pruebas genómicas, para realizar una variedad de tareas, desde hacer llamadas de diagnóstico complejas para apoyar las decisiones clínicas para elegir el tratamiento óptimo. Y se pueden implementar en una variedad de entornos, desde la sala de examen hasta la sala del hospital, desde la sala de procedimientos gastrointestinales para pacientes ambulatorios hasta el quirófano cardíaco.

Si bien las primeras versiones de la IA médica generalista han comenzado a surgir, su verdadero potencial y la profundidad de sus capacidades aún no se han materializado.

« Las capacidades en rápida evolución en el campo de la IA han redefinido por completo lo que podemos hacer en el campo de la IA médica », escribe Rajpurkar en una perspectiva recientemente publicada en Nature, en la que es coautor principal con Eric Topol de Scripps Research. Institute y colegas de la Universidad de Stanford, la Universidad de Yale y la Universidad de Toronto.

La IA médica generalista está a punto de transformar la medicina clínica tal como la conocemos, pero con esta oportunidad surgen serios desafíos, dicen los autores.

En el artículo, los autores analizan las características definitorias de la IA médica generalista, identifican varios escenarios clínicos en los que se pueden usar estos modelos y trazan el camino a seguir para su diseño, desarrollo e implementación.

Características de la IA médica generalista

Las características clave que hacen que los modelos de IA médica generalistas sean superiores a los modelos convencionales son su adaptabilidad, su versatilidad y su capacidad para aplicar el conocimiento existente a nuevos contextos.

Por ejemplo, un modelo de IA tradicional entrenado para detectar tumores cerebrales en una resonancia magnética del cerebro observará una lesión en una imagen para determinar si se trata de un tumor. No puede proporcionar información más allá de eso. Por el contrario, un modelo generalista observaría una lesión y determinaría qué tipo de lesión es: un tumor, un quiste, una infección u otra cosa. Puede recomendar pruebas adicionales y, según el diagnóstico, sugerir opciones de tratamiento.

« En comparación con los modelos actuales, la IA médica generalista podrá realizar un razonamiento más sofisticado e integrar múltiples tipos de datos, lo que le permite crear una imagen más detallada del caso de un paciente », dijo el coautor del estudio Oishi Banerjee, investigador asociado en el laboratorio de Rajpurkar, que ya está trabajando en el diseño de dichos modelos.

Según los autores, los modelos generalistas podrán :

• Adáptese fácilmente a nuevas tareas sin la necesidad de una capacitación formal. Realizarán la tarea simplemente pidiéndoles que se la expliquen en inglés sencillo o en otro idioma
• Analice varios tipos de datos (imágenes, texto médico, resultados de laboratorio, secuenciación genética, historiales de pacientes o cualquier combinación de estos) y genere una decisión. Por el contrario, los modelos de IA convencionales se limitan al uso de tipos de datos predefinidos (solo texto, solo imagen) y solo en ciertas combinaciones
• Aplicar el conocimiento médico para razonar a través de tareas nunca antes vistas y usar un lenguaje médicamente preciso para explicar su razonamiento

Escenarios clínicos para el uso de IA médica generalista

Los investigadores describen muchas áreas en las que los modelos de IA médica generalistas ofrecerían soluciones integrales.

Algunos de ellos son :

• Informes de radiología. La IA médica generalista actuaría como un asistente de radiología digital versátil para reducir la carga de trabajo y minimizar el trabajo de memoria.

  Estos modelos podrían redactar informes de radiología que describan tanto anomalías como hallazgos normales relevantes, teniendo en cuenta también el historial del paciente.

  Estos modelos también combinarían la narrativa del texto con la visualización para resaltar áreas en una imagen descrita por el texto.

  Los modelos también podrían comparar hallazgos anteriores y actuales en la imagen de un paciente para iluminar cambios reveladores que sugieran la progresión de la enfermedad.

• Asistencia quirúrgica en tiempo real. Si un equipo de operaciones se encuentra con un obstáculo durante un procedimiento, como no encontrar una masa en un órgano, el cirujano podría pedirle al modelo que revise los últimos 15 minutos del procedimiento para buscar fallas o descuidos.

  Si un cirujano encuentra una característica anatómica ultra rara durante la cirugía, el modelo podría acceder rápidamente a todo el trabajo publicado sobre este procedimiento para ofrecer información en tiempo real.

• Apoyo a la toma de decisiones junto a la cama del paciente. incluidos los registros del paciente.

  Los modelos podrían anticipar emergencias inminentes antes de que ocurran. Por ejemplo, un modelo puede alertar al equipo clínico cuando un paciente está a punto de sufrir un shock circulatorio e inmediatamente sugerir pasos para evitarlo.

Adelante, promesa y peligro

Los modelos de IA médica generalistas tienen el potencial de transformar la atención médica, dicen los autores. Pueden aliviar el agotamiento de los médicos, reducir los errores clínicos y acelerar y mejorar la toma de decisiones clínicas.

Sin embargo, estos modelos vienen con desafíos únicos. Sus características más fuertes (versatilidad y adaptabilidad extremas) también presentan los mayores riesgos, advierten los investigadores, porque requerirán la recopilación de datos vastos y diversos.

Algunas trampas críticas incluyen :

• Necesidad de una formación amplia y continua. Para garantizar que los modelos puedan cambiar las modalidades de datos rápidamente y adaptarse en tiempo real según el contexto y el tipo de pregunta formulada, deberán someterse a una amplia capacitación sobre diversos datos de múltiples fuentes y modalidades complementarias.

  Esa capacitación tendría que llevarse a cabo periódicamente para mantenerse al día con la nueva información.

  Por ejemplo, en el caso de las nuevas variantes del SARS-CoV-2, un modelo debe poder recuperar rápidamente las características clave en las imágenes de rayos X de la neumonía causada por una variante más antigua para contrastar los cambios pulmonares asociados con una nueva variante.

• Validación. Los modelos generalistas serán excepcionalmente difíciles de validar debido a la versatilidad y complejidad de las tareas que se les pedirá que realicen.

  Esto significa que el modelo debe probarse en una amplia gama de casos que pueda encontrar para garantizar su rendimiento adecuado.

  A lo que esto se reduce, dijo Rajpurkar, es a definir las condiciones bajo las cuales funcionan los modelos y las condiciones bajo las cuales fallan.

• Verificación. En comparación con los modelos convencionales, la IA médica generalista manejará muchos más datos, tipos de datos más variados y datos de mayor complejidad.

  Esto hará que sea mucho más difícil para los médicos determinar qué tan precisa es la decisión de un modelo.

  Por ejemplo, un modelo convencional observaría un estudio de imágenes o una imagen de diapositiva completa al clasificar el tumor de un paciente. Un solo radiólogo o patólogo podía verificar si el modelo era correcto.

  En comparación, un modelo generalista podría analizar diapositivas de patología, tomografías computarizadas y literatura médica, entre muchas otras variables, para clasificar y estadificar la enfermedad y hacer una recomendación de tratamiento.

  Una decisión tan compleja requeriría la verificación por parte de un panel multidisciplinario que incluye radiólogos, patólogos y oncólogos para evaluar la precisión del modelo.

  Los investigadores señalan que los diseñadores podrían facilitar este proceso de verificación al incorporar explicaciones, como enlaces en los que se puede hacer clic a pasajes de apoyo en la literatura, para permitir que los médicos verifiquen de manera eficiente las predicciones del modelo.

  Otra característica importante sería la construcción de modelos que cuantifiquen su nivel de incertidumbre.

• Sesgos. No es ningún secreto que los modelos médicos de IA pueden perpetuar los sesgos, que pueden adquirir durante el entrenamiento cuando se exponen a conjuntos de datos limitados obtenidos de poblaciones no diversas.

  Dichos riesgos se magnificarán al diseñar IA médica generalista debido a la escala y complejidad sin precedentes de los conjuntos de datos necesarios durante su capacitación.

  Para minimizar este riesgo, los modelos de IA médica generalistas deben validarse a fondo para garantizar que no tengan un rendimiento inferior en poblaciones particulares, como los grupos minoritarios, recomiendan los investigadores.

  Además, deberán someterse a auditorías y regulaciones continuas después del despliegue.

« Estos son obstáculos serios pero no insuperables », dijo Rajpurkar. « Tener una comprensión clara de todos los desafíos desde el principio ayudará a garantizar que la IA médica generalista cumpla su tremenda promesa de cambiar la práctica de la medicina para mejor ».