CHATGPT y usos de la inteligencia artificial en la toma de decisiones médicas
Invitados: Dr. Miguel Martin, Dr. Rafael Martin
Moderador: Omar Arias
En esta oportunidad estaremos conversando en nuestro espacio aprendiendo + sobre CHATGPT y usos de la inteligencia artificial en la toma de decisiones médicas
El Dr. Miguel Martin menciona la utilización de una IA para determinar la necesidad de estudios adicionales de mamografía basándose en resultados negativos previos. Esto puede ayudar a confirmar el resultado negativo inicial o detectar un cambio y un tumor en una etapa más temprana. Sin embargo, la presencia de artefactos en la mamografía requiere la detección por expertos, lo que convierte a las herramientas de IA en una opción natural para llamar la atención sobre posibles problemas.
El Dr Miguel Martin analiza un estudio que abarca más de 65.000 mamografías que muestra el poder de la inteligencia artificial para detectar patrones en grandes conjuntos de datos. El estudio se centra en determinar la necesidad de realizar pruebas adicionales cuando una mamografía previa es negativa para el cáncer de mama, especialmente en casos de tejido mamario denso donde la mamografía tradicional puede pasar por alto el cáncer. Se utilizan diferentes modelos relacionados con la densidad mamaria para decidir si son necesarias pruebas adicionales como la tomosíntesis o la mamografía con contraste. El ponente subraya la importancia de validar los falsos positivos y negativos al interpretar los resultados de la IA en la toma de decisiones médicas, destacando la necesidad de abordar los artefactos que podrían conducir a diagnósticos incorrectos.
El Dr Miguel Martin analiza la importancia de distinguir entre falsos positivos y artefactos en las imágenes médicas, particularmente en el contexto de la interpretación de mamografías. Enfatizan el desafío de identificar con precisión los falsos positivos utilizando inteligencia artificial debido a la incapacidad de reemplazar completamente las biopsias. La conversación aborda las posibles consecuencias de los falsos positivos y negativos, destacando las complejidades de interpretar el tejido mamario denso en la mamografía y la necesidad de procedimientos adicionales para confirmar los diagnósticos. La discusión subraya los riesgos asociados con diagnósticos incorrectos y los esfuerzos continuos para mejorar la precisión en la toma de decisiones médicas utilizando tecnología de IA.
Continua el Dr . M. Martin explicando el problema del tejido mamario denso que afecta los resultados de la mamografía modificando y mejorando los equipos de mamografía. Probaron diferentes modelos, incluido uno llamado Smart Density, que utilizaba inteligencia artificial para analizar las mamografías. Al comparar diferentes modelos utilizando un gráfico conocido como curva ROC, encontraron que Smart Density tenía el área más alta bajo la curva, lo que indica un rendimiento superior para distinguir los verdaderos positivos de los falsos positivos. Este modelo mostró una mayor sensibilidad y un valor predictivo positivo, lo que finalmente condujo a beneficios significativos para el paciente, como el potencial ahorro de 1579 años de vida en una cohorte de 65.000 pacientes.
El Dr. M. Martin analiza los posibles beneficios de utilizar la inteligencia artificial (IA) para predecir la probabilidad de resultados positivos en estudios médicos, lo que conduce a intervenciones tempranas y mejores resultados para los pacientes. Específicamente, mencionan un estudio donde se realizaron estudios complementarios basados en predicciones de IA, lo que resultó en varios hallazgos positivos. El ponente también menciona un método para predecir la invasividad de adenocarcinomas de pulmón utilizando modelos ternarios o técnicas de clasificación. La discusión incluye la importancia de estudios a gran escala que involucran a miles o decenas de miles de pacientes y la combinación de diferentes modelos, incluidos los basados en radiología y tratamiento con IA. El objetivo final es clasificar posibles patologías pulmonares, incluidos los adenocarcinomas, utilizando IA.
Continua el conversatorio analizando el concepto de gemelos virtuales en el campo médico. Se trata de representaciones virtuales detalladas de pacientes con una patología, creadas para simular diferentes escenarios como la progresión de la enfermedad y los resultados del tratamiento. Estos gemelos virtuales permiten evaluar las opciones de tratamiento y ajustar las dosis, con el objetivo de optimizar la eficacia y minimizar la toxicidad. Al simular la evolución dinámica del paciente virtual a lo largo del tiempo, se pueden mejorar los procesos de toma de decisiones para determinar el mejor curso de acción basado en factores como la respuesta del tumor y la toxicidad orgánica, proporcionando una herramienta valiosa para que los profesionales médicos tomen decisiones informadas. El ponente también aborda la preocupación por la fiabilidad y el margen de error en estos análisis, destacando los posibles beneficios de utilizar esta tecnología en la práctica clínica.
Mencionan cómo la virtualización permite la comparación en tiempo real entre los datos reales del paciente y las predicciones de la IA, permitiendo una corrección continua. Esto es particularmente interesante en el campo de la dosimetría clínica en medicina nuclear, donde los métodos actuales tienen limitaciones de precisión.
Los ponentes también abordan la importancia de confirmar las predicciones de la IA con imágenes reales y la flexibilidad para ajustar las predicciones del modelo en función de las observaciones del mundo real. Enfatizan que el modelo asume una función renal perfecta, lo que requiere que los pacientes estén bien hidratados, y reconocen el potencial de conflictos entre las predicciones del modelo y las observaciones del mundo real.
También discuten la posibilidad de que la IA genere el gemelo virtual y haga todos los cálculos, o simplemente la use para sugerir tratamientos y permitir que el humano tome la decisión final mientras monitorea la respuesta del paciente. El uso de un asistente virtual permite reacciones más rápidas.
En esta parte del conversatorio se aborda la idea de utilizar sistemas de IA en los procesos de toma de decisiones médicas. Se da el ejemplo de un asistente virtual que analiza los datos de un paciente virtual y proporciona alertas y sugerencias basadas en simulaciones que podrían no ser obvias para un médico humano que monitoriza el caso. Esta capa adicional de control por IA podría actuar como una segunda opinión, similar a una consulta entre médicos. La conversación resalta el potencial de la IA para complementar la toma de decisiones humanas al proporcionar información y alertas basadas en su monitoreo continuo de los datos de pacientes virtuales, lo que podría conducir a decisiones médicas más informadas y precisas, especialmente en escenarios donde el paciente virtual puede diferir del real.
Los ponentes debaten las limitaciones de los sistemas de IA para reemplazar a los médicos humanos, reconociendo que si bien la IA sobresale en el manejo del volumen y la velocidad de la información, se queda corta en otras áreas donde las habilidades humanas aún son superiores. La conversación finaliza con un plan para explorar las fortalezas humanas versus las fortalezas de la IA en la próxima reunión, enfatizando la importancia de utilizar la IA como un complemento, en lugar de un reemplazo, para las habilidades de toma de decisiones humanas.
Para observar el conversatorio ingresar al siguiente enlace de video:
