Skip to content
TheChatArchiveThe Chat Archive
gpt-3.5-turbo-0613· OpenAIAi2 WildChat-4.8M (AI2)

Por favor Idea principal.La “verdad incómoda” sobre la IA en la atención…

  1. User

    Por favor Idea principal.La “verdad incómoda” sobre la IA en la atención sanitaria.Mientras el Reino Unido se encuentra en un doloroso punto muerto en torno al Brexit, es importante recordar que los gobiernos se enfrentan regularmente a crisis y sus respuestas pueden generar beneficios duraderos para las generaciones futuras. Allá por 1858, por ejemplo, el parlamento del Reino Unido se enfrentaba a otra crisis complicada: “el gran hedor”. En un mundo anterior al saneamiento, el río Támesis se había convertido en una letrina abierta y, cuando florecía el verano, el parlamento se vio envuelto en un hedor pestilente. Se aprobaron apresuradamente 2,5 millones de libras (alrededor de 300 millones de libras actuales) para construir una red de alcantarillado en toda la capital.1 Este particular modelo de saneamiento, desarrollado por Bazalgette, fue adoptado por otras ciudades del mundo y el resto, como dicen, es historia. Ahora es impensable que una nación desarrollada no tenga infraestructura de saneamiento. Sin embargo, allá por 1858 el debate era si la infraestructura de saneamiento era digna de inversión y si era un bien público o privado. Un debate similar ha estado latente durante algún tiempo con respecto a la infraestructura de datos de salud, definida como el hardware y software para agregar, almacenar, procesar y transmitir de forma segura datos de atención médica. ¿Es necesaria la infraestructura de datos para las organizaciones de atención médica? De ser así, ¿es responsabilidad de las organizaciones de atención médica individuales, de los sistemas de salud locales o es un bien público? En el siglo XXI, la era del big data y la inteligencia artificial (IA), cada organización de atención médica ha construido su propia infraestructura de datos para satisfacer sus propias necesidades, que generalmente involucra computación y almacenamiento local.2,3Los datos están balcanizados a lo largo de los límites organizacionales, lo que limita gravemente la capacidad de brindar servicios a los pacientes a lo largo de un proceso de atención dentro de una organización o entre organizaciones. Esta situación evolucionó a medida que las organizaciones individuales tuvieron que comprar y mantener el costoso hardware y software necesarios para la atención médica, y se ha visto reforzada por la dependencia de proveedores, sobre todo en los registros médicos electrónicos (EMR). Con la creciente presión de costos y los imperativos políticos para gestionar a los pacientes a lo largo y entre episodios de atención, la necesidad de agregar datos entre departamentos dentro de una organización de atención médica y entre organizaciones dispares se ha vuelto evidente no solo para hacer realidad la promesa de la IA sino también para mejorar la eficiencia. de tareas intensivas en datos existentes, como cualquier segmentación a nivel de población4y monitorización de la seguridad del paciente.5 La rápida explosión de la IA ha introducido la posibilidad de utilizar datos sanitarios agregados para producir modelos potentes que puedan automatizar el diagnóstico.6y también permitir un enfoque cada vez más preciso de la medicina adaptando los tratamientos y dirigiendo los recursos con la máxima eficacia de manera oportuna y dinámica.7,8 Sin embargo, "la verdad incómoda" es que en la actualidad los algoritmos que ocupan un lugar destacado en la literatura de investigación están enDe hecho, en su mayor parte no es ejecutable en la primera línea de la práctica clínica. Esto se debe a dos razones: en primer lugar, estas innovaciones en IA por sí solas no rediseñan los incentivos que respaldan las formas de trabajo existentes.2Una compleja red de factores políticos y económicos arraigados, así como la influencia inmediata de las normas de la práctica médica y los intereses comerciales, determinan la forma en que se brinda la atención médica. Simplemente agregar aplicaciones de IA a un sistema fragmentado no generará un cambio sostenible. En segundo lugar, la mayoría de las organizaciones de atención médica carecen de la infraestructura de datos necesaria para recopilar los datos necesarios para entrenar de manera óptima los algoritmos para (a) "adaptarse" a la población local y/o a los patrones de práctica locales, un requisito previo a la implementación que rara vez se destaca en las publicaciones actuales sobre IA. y (b) interrogarlos en busca de sesgos para garantizar que los algoritmos funcionen de manera consistente en todas las cohortes de pacientes, especialmente aquellos que pueden no haber estado representados adecuadamente en la cohorte de entrenamiento.9Por ejemplo, no se espera que un algoritmo entrenado en pacientes mayoritariamente caucásicos tenga la misma precisión cuando se aplica a minorías.10Además, esta evaluación y recalibración rigurosas deben continuar después de la implementación para rastrear y capturar los datos demográficos de los pacientes y los patrones de práctica que inevitablemente cambian con el tiempo.11Algunas de estas cuestiones pueden abordarse mediante la validación externa, cuya importancia no es exclusiva de la IA, y es oportuno que los estándares existentes para la presentación de informes de modelos de predicción se actualicen específicamente para incorporar estándares aplicables a este fin.12En Estados Unidos, hay islas de datos sanitarios agregados en la UCI,13y en la Administración de Veteranos.14 Como era de esperar, estos conjuntos de datos agregados han catalizado una aceleración en el desarrollo de la IA; pero sin un desarrollo más amplio de la infraestructura de datos fuera de estas islas no será posible generalizar estas innovaciones.

  2. Assistant

    La idea principal es que la implementación de la inteligencia artificial en la atención sanitaria requiere de una infraestructura de datos adecuada, que actualmente no está completamente desarrollada. A pesar de los avances en la IA, los algoritmos no pueden ser ejecutados en la práctica clínica debido a la falta de redes de trabajo, políticas y factores económicos que respalden estos cambios. Además, la mayoría de las organizaciones de atención médica carecen de la infraestructura necesaria para recopilar los datos requeridos para entrenar y evaluar correctamente los algoritmos. Es crucial desarrollar una infraestructura de datos sólida y promover la validación externa de los modelos de predicción para poder generalizar y aprovechar plenamente las ventajas de la IA en la atención sanitaria.