Golpear los libros: los médicos de IA y los peligros de la atención médica por niveles



Alguna vez podríamos haber categorizado un melanoma simplemente como un tipo de cáncer de piel. Pero eso empieza a parecer tan anticuado como llamar «tos» a la neumonía, la bronquitis y la fiebre del heno. La medicina personalizada ayudará a más oncólogos a obtener una comprensión más sofisticada de un cáncer determinado como, por ejemplo, una de varias mutaciones. Si se combinan, comparan y analizan adecuadamente, los registros digitalizados podrían indicar qué combinación de quimioterapia, radioinmunoterapia, cirugía y radiación tiene los mejores resultados para ese subtipo particular de cáncer. Esa es la aspiración en el centro de “aprender sistemas de atención médica”, que están diseñados para optimizar las intervenciones médicas comparando los resultados de las variaciones naturales en los tratamientos.

Para aquellos que sueñan con un “Super Watson” que pasa de conquistar Jeopardy a administrar hospitales, cada uno de estos avances puede parecer un paso hacia la medicina de libro de cocina implementada por máquina. ¿Y quién sabe lo que se avecina dentro de cien años? A lo largo de nuestra vida, lo que importa es cómo se integran todos estos flujos de datos, cuánto esfuerzo se pone en ese objetivo, cómo se trata a los participantes y quién tiene acceso a los resultados. Todas estas son preguntas difíciles, pero nadie debería dudar de que hacer malabarismos con todos los datos requerirá una intervención humana hábil y cuidadosa, y muchos buenos consejos legales, dadas las complejas reglas sobre la privacidad de la salud y la investigación con seres humanos.

Para profundizar un poco más en radiología: la obtención de imágenes del tejido corporal avanza rápidamente. Hemos visto los avances desde los rayos X y el ultrasonido hasta las imágenes nucleares y la radiómica. Los científicos e ingenieros están desarrollando cada vez más formas de informar de lo que sucede dentro del cuerpo. Ya hay pastillas para pastillas ingeribles; imagina versiones mucho más pequeñas e inyectables del mismo. Los flujos de datos resultantes son mucho más ricos que los anteriores. Integrarlos en un juicio sobre cómo modificar o cambiar por completo los patrones de tratamiento requerirá un pensamiento creativo y no sistematizable. Como ha argumentado el radiólogo James Thrall,

Los datos en nuestro. . . Las bases de datos del sistema de información son datos “tontos”. [They are] Por lo general, se accede a una imagen o un hecho a la vez, y se deja al usuario individual integrar los datos y extraer valor conceptual u operativo de ellos. El enfoque de los próximos 20 años será convertir datos tontos de fuentes de datos grandes y dispares en conocimiento y también utilizar la capacidad de movilizar y analizar datos rápidamente para mejorar la eficiencia de nuestros procesos de trabajo.

Los resultados más ricos del laboratorio, nuevas y mejores formas de imágenes, análisis genéticos y otras fuentes deberán integrarse en una imagen coherente del estado de enfermedad del paciente. En la cuidadosa distinción de Simon Head, optimizar las respuestas médicas a los nuevos volúmenes y variedades de datos será una cuestión de práctica, no de un proceso predeterminado. Tanto los radiólogos de diagnóstico como los intervencionistas deberán abordar los casos difíciles de nuevo, no como simples ejercicios de clasificación.

Dados todos los flujos de datos disponibles actualmente, se podría suponer que una política sanitaria racional profundizaría y ampliaría la formación profesional de los radiólogos. Pero parece que el campo se está moviendo hacia la mercantilización en los EE. UU. Irónicamente, los propios radiólogos tienen una gran responsabilidad aquí; Para evitar los turnos de noche, comenzaron a contratar servicios remotos de “nighthawk” para revisar las imágenes. Eso, a su vez, ha conducido a una «inquietud» y a presionar a los sistemas de salud conscientes de los costos para encontrar la experiencia radiológica más barata disponible, incluso si la práctica médica óptima recomendaría consultas más cercanas entre radiólogos y otros miembros del equipo de atención tanto para pacientes clínicos como para motivo de investigación. Las políticas de reembolso del gobierno tampoco han hecho lo suficiente para promover los avances en la IA radiológica.

Los especialistas en imágenes deben tomar muchas decisiones de juicio que se encuentran con nuevos flujos de datos. En la actualidad, un sólido seguro social y privado cubre el acceso generalizado a radiólogos que pueden intentar afrontar estos desafíos. Pero, ¿podemos imaginar un mundo en el que las personas se vean atraídas hacia planes de seguro más baratos para obtener «los medicamentos del año pasado a los precios del año pasado»? Absolutamente. Así como podemos imaginar que el segundo nivel (o tercer, cuarto o quinto nivel) de atención médica probablemente será el primero en incluir diagnósticos puramente automatizados.

Aquellos en el nivel superior pueden estar felices de ver la disminución resultante en los costos de atención médica en general; a menudo son ellos los que tienen que pagar los impuestos necesarios para cubrir a los no asegurados. Pero ningún paciente es una isla en el aprendizaje del sistema de atención médica. Así como los modos cada vez más baratos de producción de medicamentos han dejado a los Estados Unidos con una escasez persistente de inyectables estériles, excluir a una parte sustancial de la población de la atención de alta tecnología dificultará que quienes tienen acceso a dicha atención comprendan si vale la pena intentarlo. . Un sistema de salud que aprende puede hacer descubrimientos extraordinarios si un conjunto de datos completo puede impulsar la investigación observacional sobre innovaciones clínicas de vanguardia. Mientras menos gente tenga acceso a tales innovaciones, menos oportunidades tendremos de aprender qué tan bien funcionan y cómo se pueden mejorar. La clasificación por niveles puede resolver la crisis de costos de la medicina en la actualidad, pero retrasa los avances médicos futuros para todos. Por lo tanto, existe un camino alto hacia los avances en la IA médica, enfatizando un mejor acceso para todos para mejorar la calidad de la atención, y un camino bajo en la reducción de costos, que se enfoca en simplemente replicar lo que tenemos. Los médicos, los administradores de hospitales y los inversores implementarán el camino principal, el camino bajo o algún camino intermedio. Sus decisiones, a su vez, están determinadas por un panorama cambiante de leyes y políticas de salud.

Por ejemplo, considere las tensiones entre tradición e innovación en la ley de negligencia. Cuando algo sale mal, los médicos son juzgados según un estándar de atención que se refiere en gran medida a lo que están haciendo otros médicos en ese momento. Por lo tanto, las preocupaciones por negligencia asustan a algunos médicos a la conformidad y al tradicionalismo. Por otro lado, la amenaza de litigio también puede acelerar la transición hacia una práctica claramente mejor. Ningún médico hoy en día podría salirse con la suya simplemente palpando un tumor grande para diagnosticar si es maligno o benigno. Por lo general, se deben tomar muestras, consultar a patólogos y completar análisis de tejido de expertos. Si los métodos de diagnóstico de IA se vuelven lo suficientemente avanzados, será negligencia no utilizarlos también.

Por otro lado, es posible que la automatización avanzada nunca obtenga impulso si los terceros pagadores, ya sean gobiernos o aseguradoras, se niegan a pagarla. Las aseguradoras a menudo tratan de limitar la gama de atención que cubren sus planes. Los grupos de derechos de los pacientes luchan por los beneficios obligatorios. Los que recortan el presupuesto se resisten y, cuando tienen éxito, los sistemas de salud pueden no tener más remedio que rechazar las nuevas y costosas tecnologías.

Otros esquemas regulatorios también son importantes. Las juntas médicas determinan el nivel de práctica mínimo aceptable para los médicos. En los Estados Unidos, los Centros de Servicios de Medicare y Medicaid ayudan a establecer los términos para la educación médica de posgrado a través de subsidios. Bien financiados, pueden diseñar colaboraciones con bioingenieros, informáticos y estadísticos. Con escasa financiación, seguirán produciendo demasiados médicos que ignoran el conocimiento estadístico necesario para hacer bien su trabajo actual, y mucho menos evaluar críticamente las nuevas tecnologías impulsadas por la inteligencia artificial.

La ley no es simplemente un conjunto más de obstáculos por superar antes de que los ingenieros puedan ser liberados para curar los males de la humanidad. La razón clave por la que el empleo en el cuidado de la salud ha crecido como sector durante la última década son los mandatos legales que otorgan a amplias franjas de la población un poder adquisitivo garantizado, independientemente de sus salarios o riqueza. En el mejor de los casos, esos mandatos legales también guían el desarrollo de un sistema de atención médica hacia la innovación y la mejora continuas.



Fuente: engadget.com

Deja una respuesta

*

Esta web utiliza cookies propias y de terceros para su correcto funcionamiento y para fines analíticos y para fines de afiliación y para mostrarte publicidad relacionada con tus preferencias en base a un perfil elaborado a partir de tus hábitos de navegación. Al hacer clic en el botón Aceptar, aceptas el uso de estas tecnologías y el procesamiento de tus datos para estos propósitos. Más información
Privacidad