Artículo original Oleg S. Pianykh, PhD, Georg Langs, PhD, Marc Dewey, MD, Dieter R. Enzmann, MD Christian J. Herold, MD, Stefan O. Schoenberg, MD, James A. Brink, MD. Radiology 2020; 00:1–9
DOI: doi.org/10.1148/radiol.2020200038
Sociedad: Radiological Society of North America
Palabras clave: food and drug administration, software.
Abreviaturas y acrónimos utilizados:
IA (inteligencia artificial), AcIA (aprendizaje continuo de la inteligencia artificial), MA (máquina de aprendizaje), FHIR (recursos de interoperabilidad para la atención médica rápida), DICOM (imagen digital y comunicación en medicina), FDA( food and drug administration), SARS CoV2 ( síndrome de dificultad respiratoria aguda por el coronavirus tipo 2), HL7 (nivel de salud siete).
Línea editorial del número:
La revista Radiology, perteneciente a la Radiological Society of North America, reconocida durante mucho tiempo como referencia para los temas más actuales y clínicamente relevantes en radiología, con publicaciónes mensuales desde 1923 conteniendo artículos originales, revisiones y opiniones de expertos. En el número de octubre destacan dos investigaciones originales sobre patología mamaria: uno sobre mamografía y otro muy interesante sobre la costo-efectividad de realizar tomosíntesis para el cribado del cáncer de mama; en la línea editorial se hace una revisión sobre los 10 artículos más leídos en los últimos 12 meses, la mayoría sobre el SARS-COv2.
Motivo para la selección:
La inteligencia artificial es una realidad en nuestros días, tenemos que aprender a vivir con ella y saber que en un futuro constituirá una herramienta más en nuestro trabajo. Escogí este artículo para ampliar el conocimiento que actualmente tengo sobre la inteligencia artificial, así como resolver algunas dudas sobre la implementación y sobre qué modelos se están utilizando actualmente.
Resumen:
En los últimos años se ha reconocido el gran potencial de la IA para el trabajo de los radiólogos, siendo los mayores avances el facilitar el flujo de trabajo y la mejoría de los programas de reconstrucción y adquisición de imagen.
Las tres formas de optimizar el flujo de trabajo son:
· Operacional: su objetivo es mejorar la prestación de la atención médica, optimizar la programación del paciente identificando los parámetros que puedan generar demora, sobrecarga o eventos adversos.
· Diagnóstico: ayuda a interpretar las imágenes, a realizar mediciones cuantitativas y a generar informes.
· Predictiva: útil en la identificación de resultados futuros como ocurrencia de enfermedad, curación, progresión y respuesta al tratamiento.
Las oportunidades comerciales en IA han crecido exponencialmente en los últimos años, sin embargo, su aplicabilidad práctica aún es limitada y esto es debido a cuatro variables: la falta de reproducibilidad, falta de adaptabilidad, la falta de controles de calidad y la falta de integración. Todas estas deficiencias comparten el mismo problema subyacente: la naturaleza estática de la IA que replica los flujos de trabajo heredados en una instantánea de tiempo, que en el futuro serán inexactos al cambiar el entorno en el que se realizan. Para esto los desarrolladores deberán realizar actualizaciones, esperando en un futuro que el aprendizaje continuo de la IA genere actualizaciones automáticas sin intervención humana.
El AcIA es un campo dentro de la IA donde los algoritmos están diseñados para aprender y mejorar a partir de los datos cambiantes en el entorno. Estos modelos de aprendizaje han sido utilizados en otros campos como defensa aérea, posicionamiento de barcos, robótica y desarrollo de software.
El éxito del AcIA dependerá de la calidad de la implementación, así pues modelos pobremente integrados o aquellos que cambian la calidad una vez se adiciona un nuevo dato no serán capaces de adaptarse al entorno cambiante esperado. Algunos aspectos prácticos que se deben considerar en la AcIA son:
-Evolución continua con los datos más recientes: como se explicó anteriormente, los modelos de IA estáticos no están diseñados para adaptarse al cambio continuo. Dicha afirmación se demostró con un estudio realizado durante 12 meses en el cual se analizó con un modelo estático la capacidad de reproducir resultados en el tiempo, siendo estos resultados inexactos a partir de los ocho meses de seguimiento.
Para evitar esta desconexión de datos en radiología, se deben desarrollar modelos en tiempo real y que se apoyen en los principales sistemas estándares de radiología como son FHIR, DICOM y HL7; además, se requiere desarrollar un interfaz con humanos en tiempo real que permita la interacción con radiólogos y pacientes.
En el hospital general de Massachusetts se implementó un modelo en el campo operacional que predecía el tiempo de retraso para la realización de estudios, dicho modelo de IA se actualizaba semanalmente con el sistema HL7 y los resultados fueron muy próximos a la realidad. Para integrar el modelo con todos los participantes, los pacientes pudieron ver en línea el tiempo de espera y los administradores también veían el rendimiento del modelo en tiempo real.
-Resultados muy cercanos a la realidad: para apoyar el aprendizaje adaptativo de la IA se deben incluir otras características como son datos de diferentes fuentes: análisis clínicos, características demográficas o registro de medicación, lo que permitirá que el algoritmo se adapte mejor al medio ambiente, idealmente dicha información podría compartirse entre instituciones siempre y cuando se mantenga la integridad y la privacidad de los pacientes.
-Mantener un modelo de alta calidad: para que los modelos de IA se desarrollen en el campo de la radiología, se deben incorporar controles muy precisos y reemplazar datos manuales (datos demográficos, reporte radiológico, protocolos de escáner), reentrenar los algoritmos de IA con cohortes amplias, modelos de IA menos sensibles a la desviación de datos y alertas que indiquen la caída en la calidad del modelo.
La transparencia en la IA es uno de los principales factores a tener en cuenta en los modelos de IA, sin embargo, la rápida evolución del aprendizaje continuo en IA hace que el control de calidad sea un gran desafío de cara al futuro.
-Mejorar el rendimiento y reproducibilidad computacional: muchos algoritmos actuales deberán ser reemplazados pasando de ser algoritmos “ad hoc” a versiones más rápidas e inteligentes, que sean capaces de re entrenarse a sí mismas en tiempo real, garantizando así el aprendizaje continuo y la reproducibilidad en cualquier plataforma.
Por otro lado, el costo de estas implementaciones en IA deberá ser atractivo.
El apoyo de los radiólogos es fundamental para desarrollar y mantener las herramientas de aprendizaje y actualización continua de la IA y la evaluación del desempeño clínico operativo, así como para implementar soluciones que no afecten a los pacientes en caso de fallo en la IA.
-Regulaciones: la FDA ha propuesto un marco regulatorio para las modificaciones de la IA y la máquina de aprendizaje como dispositivo médico. Dentro de este modelo los desarrolladores deben adherirse a las buenas prácticas para la gestión de datos, formación y evaluación continua, y deben incluir detalles respecto al tipo de modificaciones, la estrategia de actualización y de reciclaje de estos modelos y todos los cambios relacionados con el uso previsto (método de reentrenamiento, actualización), asegurando que los cambios se harán de manera controlada para mitigar el riesgo hacia el paciente.
Hacia la mitad de año del 2020 se tenia la intención de dictar la ley Europea que regularia los dispositivos medicos y que creaba un futuro incierto sobre los prerrequisitos antes de aprobar un dispositivo medico, sin embargo, dicha ley se ha retrasado 1 año debido a la pandemia por coronavirus.
-El futuro de la IA: se espera que en el futuro el aprendizaje continuo sea capaz de predecir resultados de forma precisa (supervivencia, clasificación temprana de la enfermedad) y se verá afectado por tres factores principales: nuestra capacidad para estructurar los datos clínicos en una forma que permita la retroalimentación para el aprendizaje continuo, nuestra capacidad para comprender y aceptar nuevas características y marcadores descubiertos mediante modelos de inteligencia artificial y nuestra capacidad para validar modelos de IA de aprendizaje continuo en evolución.
Valoración personal:
La inteligencia artificial es un tema en auge en los últimos tiempos, para algunos radiólogos un tema esperanzador hacia el futuro, para otros un tema que genera miedo por la posibilidad de ser reemplazados por máquinas. El presente artículo nos introduce a un campo de la inteligencia artificial y expone la gran dificultad que se tiene actualmente con los modelos de IA estáticos, y el gran desafío que supone el aprendizaje continuo en IA, tanto económicos como éticos. El artículo aborda bien el tema, sin embargo es muy repetitivo con los datos de la IA estática por lo que en ocasiones la lectura se hace monótona, por lo demás el tema es interesante y explicativo.
Kelly Johanna Parra Rodríguez
R2 Hospital Universitario de Getafe
keisay29@gmail.com
cbseram.com 
Deja una respuesta