El rápido auge del apoyo a la decisión clínica con IA
En todo el mundo, las empresas de tecnología compiten por desarrollar herramientas habilitadas con inteligencia artificial (IA) para el apoyo a la decisión clínica (CDS), apuntando a un mercado global que se prevé alcanzará los US $15 mil millones para 2033. Una nueva generación de herramientas de IA impulsadas por grandes modelos de lenguaje (LLM) está pasando rápidamente del desarrollo a los entornos clínicos. Los sistemas de salud y las empresas de tecnología están integrando estas herramientas en los flujos de trabajo clínicos, prometiendo una síntesis de evidencia más rápida y una toma de decisiones más receptiva junto a la cama del paciente. Pero a medida que los sistemas CDS entran en la práctica, persisten preguntas fundamentales sobre cómo se evalúan, qué evidencia respalda su uso y cómo se gobernarán a escala.
La promesa de la IA en la atención médica ha sido promocionada durante mucho tiempo, pero los avances recientes en el procesamiento del lenguaje natural y la IA generativa han acelerado el ritmo de adopción. A diferencia de los sistemas basados en reglas anteriores, las herramientas CDS modernas pueden leer e interpretar notas clínicas no estructuradas, sintetizar grandes cantidades de literatura médica y generar recomendaciones personalizadas en tiempo real. Esta capacidad ha captado la atención de clínicos y administradores por igual, que ven potencial para mejorar la precisión diagnóstica, reducir la carga administrativa y lograr una prestación de atención más eficiente.
Actores clave y estrategias divergentes
Entre los líderes estadounidenses que compiten por participación de mercado se encuentran herramientas de IA de consumo generalista como ChatGPT, así como sistemas CDS especializados, incluidos los de Abridge, Atropos Health y OpenEvidence. Estas empresas CDS especializadas tienen opiniones divergentes sobre cómo se desarrollará el campo a continuación.
Abridge, con sede en Pittsburgh, desarrolla tecnología de IA ambiental que escucha las conversaciones entre clínicos y pacientes y genera automáticamente notas clínicas y otras herramientas de apoyo al flujo de trabajo para los sistemas de salud. Al automatizar la documentación, Abridge busca reducir el agotamiento de los médicos y liberar tiempo para la interacción con el paciente. El enfoque de la empresa se centra en integrarse sin problemas en los sistemas de registros de salud electrónicos (EHR) existentes, proporcionando transcripción y generación de notas en tiempo real que los clínicos pueden editar y aprobar.
OpenEvidence, con sede en Boston, comercializa una herramienta de IA directamente a los médicos que la empresa afirma es la "IA médica más utilizada" entre los clínicos estadounidenses. La plataforma se centra en destilar la mejor evidencia disponible de la literatura publicada, proporcionando a los clínicos respuestas concisas y basadas en evidencia a preguntas clínicas. El CEO y fundador de OpenEvidence, Daniel Nadler, prevé un futuro en el que la IA automatice gran parte de las partes del "estándar de atención" de la síntesis de evidencia, permitiendo a los médicos centrarse en casos complejos y en la comunicación con el paciente.
Atropos Health, una empresa derivada de la Universidad de Stanford, promueve un sistema CDS diseñado para permitir a los clínicos hacer preguntas novedosas en situaciones donde pueden existir vacíos en la evidencia tradicional publicada formalmente. Al aprovechar datos del mundo real de los registros de pacientes, Atropos tiene como objetivo generar evidencia sobre la marcha, abordando incertidumbres clínicas que no están cubiertas por los estudios existentes. Este enfoque representa un cambio de la medicina basada en evidencia a la medicina generadora de evidencia, donde la IA puede producir información procesable a partir de datos en tiempo casi real.
La base de datos: registros de salud electrónicos y escribas ambientales
Los datos que alimentan los sistemas CDS provienen cada vez más directamente de los registros de pacientes. En la última década, los registros de salud electrónicos (EHR) que escanean automáticamente los datos de los pacientes para rastrear indicaciones de enfermedades y emitir alertas a los clínicos se han vuelto omnipresentes en muchos sistemas de salud en todo el mundo. Sin embargo, no fue hasta hace unos tres años, con la adopción masiva de 'escribas ambientales' que transcriben automáticamente las consultas de clínicos y pacientes en registros clínicos, que el CDS impulsado por IA pareció estar listo para el horario estelar.
Los escribas ambientales han revolucionado la forma en que se capturan los datos clínicos. Al generar automáticamente notas estructuradas a partir de conversaciones, han reducido la carga de documentación para los clínicos y han mejorado la integridad y precisión de los datos de EHR. Esta rica fuente de datos en tiempo real proporciona el combustible para que los algoritmos de IA aprendan y generen información. Como señala Nadler, el objetivo es automatizar gran parte de las partes del "estándar de atención" de la síntesis de evidencia, haciendo que el conocimiento médico más reciente sea accesible en el punto de atención.
Sin embargo, la dependencia de los datos de EHR plantea preocupaciones sobre la calidad de los datos, el sesgo y la interoperabilidad. Los EHR son notoriamente fragmentados, con formatos y prácticas de codificación variables entre instituciones. Los modelos de IA entrenados con tales datos pueden heredar sesgos que podrían conducir a disparidades en la atención. Además, la integración de herramientas de IA en los flujos de trabajo clínicos requiere un intercambio de datos fluido entre sistemas, lo que sigue siendo un desafío técnico y regulatorio.
La brecha de evidencia: desafíos de evaluación y gobernanza
A medida que los sistemas CDS entran en la práctica, surge una pregunta crítica: ¿puede la evidencia mantenerse al día? Los ensayos clínicos tradicionales son lentos y costosos, y a menudo tardan años en producir resultados. En contraste, las herramientas de IA se actualizan con frecuencia, y sus recomendaciones pueden cambiar a medida que se dispone de nuevos datos. Esto crea un desajuste entre el ritmo de la innovación y el ritmo de la generación de evidencia.
Los organismos reguladores como la Administración de Alimentos y Medicamentos de EE. UU. (FDA) han comenzado a establecer marcos para dispositivos médicos basados en IA, pero muchas herramientas CDS no están sujetas a revisión previa a la comercialización. La FDA ha emitido orientación sobre el software de apoyo a la decisión clínica, pero el límite entre herramientas reguladas y no reguladas sigue siendo difuso. Algunas herramientas se consideran de "bajo riesgo" y están exentas de notificación previa a la comercialización, mientras que otras requieren una revisión más rigurosa. Esta incertidumbre regulatoria ha llevado a pedidos de pautas más claras y mecanismos de vigilancia posterior a la comercialización.
Además, la base de evidencia para muchas herramientas CDS de IA es escasa. Una revisión sistemática reciente encontró que pocos sistemas CDS basados en IA han sido evaluados en ensayos clínicos prospectivos, y la mayoría de los estudios adolecen de fallas metodológicas como tamaños de muestra pequeños, falta de grupos de control y períodos de seguimiento cortos. La falta de evidencia sólida dificulta que los clínicos y los sistemas de salud tomen decisiones informadas sobre la adopción de estas herramientas.
La gobernanza es otra preocupación importante. ¿Quién es responsable cuando una recomendación de IA conduce a un diagnóstico erróneo o un resultado adverso? ¿Cómo deben monitorearse y actualizarse las herramientas de IA para garantizar que sigan siendo seguras y efectivas? Estas preguntas son particularmente apremiantes a medida que las herramientas de IA se vuelven más autónomas y se integran en vías de atención crítica.
El camino a seguir: equilibrar innovación y evidencia
A pesar de estos desafíos, los beneficios potenciales del CDS con IA son demasiado grandes para ignorarlos. La IA tiene la capacidad de sintetizar grandes cantidades de datos, identificar patrones que pueden pasar desapercibidos para los humanos y proporcionar apoyo a la toma de decisiones en entornos con recursos limitados. Para realizar estos beneficios, las partes interesadas deben trabajar juntas para desarrollar marcos de evaluación sólidos, estándares de informes transparentes y vías regulatorias adaptativas.
Un enfoque prometedor es el uso de revisiones sistemáticas "vivas" y evidencia del mundo real para complementar los ensayos tradicionales. Al monitorear continuamente las herramientas de IA en entornos del mundo real, los investigadores pueden generar evidencia sobre el rendimiento, la seguridad y las consecuencias no deseadas. Este enfoque requiere colaboración entre desarrolladores, clínicos, investigadores y reguladores, así como inversión en infraestructura de datos y análisis.
Otro aspecto clave es la participación de los clínicos. Para que el CDS con IA sea aceptado y efectivo, los clínicos deben confiar en las herramientas y comprender sus limitaciones. Esto requiere educación y capacitación, así como comunicación transparente sobre cómo se generan las recomendaciones de IA y qué evidencia las respalda.
Finalmente, existe la necesidad de armonización internacional de estándares y regulaciones. Las herramientas CDS de IA son productos globales, y las diferencias en los requisitos regulatorios entre países pueden obstaculizar la innovación y el acceso. Los esfuerzos colaborativos, como el Foro Internacional de Reguladores de Dispositivos Médicos (IMDRF), están trabajando hacia principios comunes para dispositivos médicos basados en IA, pero se necesita hacer más.
Conclusión
El apoyo a la decisión clínica habilitado por IA se está expandiendo rápidamente, impulsado por los avances en grandes modelos de lenguaje y la proliferación de datos de salud electrónicos. El mercado está en auge, y empresas como Abridge, OpenEvidence y Atropos Health están liderando el camino con enfoques innovadores. Sin embargo, la base de evidencia para estas herramientas aún se está desarrollando, y persisten desafíos significativos en evaluación, gobernanza y regulación.
A medida que la IA continúa transformando la atención médica, es esencial que mantengamos el ritmo con una evaluación rigurosa y una supervisión cuidadosa. Solo asegurando que las herramientas CDS de IA sean seguras, efectivas y equitativas podemos realizar plenamente su potencial para mejorar la atención y los resultados de los pacientes.
Este artículo se basa en un reportaje de Nature Medicine. Lea el artículo original.
Originally published on nature.com
