Se ha dicho suficientes veces, pero la IA está demostrando ser un cambio de juego en la industria de la salud. De ser solo participantes pasivos en la cadena de atención médica, los pacientes ahora se están haciendo cargo de su salud a través de sistemas herméticos de monitoreo de pacientes impulsados por IA, dispositivos portátiles, información visualizada de sus afecciones y más. Desde la perspectiva de los médicos y los proveedores de atención médica, la IA está allanando el camino para brazos robóticos, módulos de análisis y diagnóstico sofisticados, robots quirúrgicos de asistencia, alas predictivas para detectar problemas y trastornos genéticos, y más.
Sin embargo, a medida que la IA continúa influyendo en los aspectos de la atención médica, los desafíos asociados con la generación y el mantenimiento de datos también aumentan. Como sabe, un módulo o sistema de IA solo puede funcionar bien si ha sido entrenado con precisión con conjuntos de datos relevantes y contextuales durante un período prolongado.
En el blog, exploraremos los desafíos únicos que enfrentan los expertos y los especialistas en salud cuando los casos de uso de la IA en la atención médica siguen aumentando en términos de su complejidad.
1. Desafíos para mantener la privacidad
La asistencia sanitaria es un sector en el que la privacidad es fundamental. De los detalles que entran en el registros de salud electrónicos de los pacientes y los datos recopilados durante los ensayos clínicos a los datos que transmiten los dispositivos portátiles para la monitorización remota de pacientes, cada centímetro del espacio sanitario exige la máxima privacidad.
Si hay tanta privacidad involucrada, ¿cómo se capacitan las nuevas aplicaciones de inteligencia artificial que se implementan en la atención médica? Bueno, en varios casos, los pacientes generalmente no son conscientes de que sus datos se utilizan con fines de estudio e investigación. Las regulaciones mencionadas por HIPAA también implican que las organizaciones y los proveedores de atención médica pueden usar los datos del paciente para funciones de atención médica y compartir datos e información con empresas relevantes.
Hay toneladas de ejemplos del mundo real para esto. Para una comprensión básica, comprenda que Google mantiene firmemente un entendimiento de investigación de 10 años con Mayo Clinic y comparte acceso limitado a datos que son anonimizado o desidentificado.
Si bien esto es bastante evidente, varias startups basadas en inteligencia artificial que trabajan en el despliegue de soluciones de análisis predictivo en el mercado generalmente no dicen nada acerca de sus fuentes de datos de capacitación de inteligencia artificial de calidad. Obviamente, esto se debe a razones competitivas.
Siendo un tema tan delicado, la privacidad es algo que los veteranos, expertos e investigadores están cada vez más interesados en un sombrero blanco en curso. Existen protocolos HIPAA para la desidentificación de datos y cláusulas para la reidentificación. En el futuro, tendremos que trabajar en cómo se puede establecer la privacidad sin problemas y, al mismo tiempo, desarrollar soluciones avanzadas de IA.
2. Desafíos para eliminar sesgos y errores
Los errores y sesgos en el segmento de atención médica podrían resultar letales para los pacientes y las organizaciones de atención médica. Los errores derivados de celdas mal colocadas o desalineadas, letargo o incluso descuido podrían alterar el curso de la medicación o el diagnóstico de los pacientes. Un informe publicado por la Autoridad de Seguridad del Paciente de Pensilvania reveló que se identificaron alrededor de 775 problemas en los módulos EHR. Fuera de esto, los errores vinculados a humanos representaron alrededor del 54.7 % y los errores vinculados a máquinas sumaron cerca del 45.3 %.
Aparte de los errores, los sesgos son otra causa grave que podría traer consecuencias indeseables en las empresas sanitarias. A diferencia de los errores, los sesgos son más difíciles de detectar o identificar debido a la inclinación inherente a ciertas creencias y prácticas.
Un ejemplo clásico de cómo el sesgo podría ser malo proviene de un informe, que comparte que los algoritmos utilizados para detectar el cáncer de piel en humanos tienden a ser menos precisos en tonos de piel más oscuros porque en su mayoría fueron entrenados para detectar síntomas en tonos de piel claros. Detectar y eliminar sesgos es crucial y el único camino a seguir para un uso confiable de la IA en la atención médica.
3. Problemas para establecer normas operativas
La interoperabilidad de los datos es una palabra importante para recordar en la atención médica. Como saben, la atención médica es un ecosistema de elementos diversos. Tiene clínicas, centros de diagnóstico, centros de rehabilitación, farmacias, alas de I + D y más. A menudo, más de uno de estos elementos requiere que los datos funcionen en los fines previstos. En tales casos, los datos que se recopilan deben ser uniformes y estandarizados de manera que se vean y se lean igual sin importar quién los mire.
En ausencia de estandarización, habrá caos con cada elemento manteniendo su propia versión del mismo registro. Por lo tanto, quien mira un conjunto de datos desde una nueva perspectiva se pierde automáticamente y requiere la ayuda de la autoridad competente para comprender el contenido del conjunto de datos.
Para evitar esto, la estandarización debe ser más efectiva en todas las entidades. El significado, los formatos específicos, las condiciones y los protocolos deben establecerse claramente para su cumplimiento obligatorio. Solo entonces esos datos podrían ser perfectamente interoperables.
4. Desafíos para mantener la seguridad
La seguridad es otra preocupación crucial en el cuidado de la salud. Esto es lo que resultará más caro cuando los aspectos relacionados con la privacidad de los datos se tomen menos en serio. Los datos de atención médica son un cofre del tesoro de información para piratas informáticos y explotadores y, últimamente, ha habido muchos casos de infracciones de seguridad cibernética. El ransomware y otros ataques maliciosos se han llevado a cabo en todo el mundo.
Incluso en medio de la pandemia de Covid-19, cerca de 37% de los encuestados compartió que habían experimentado un ataque de ransomware. La ciberseguridad es clave en cualquier momento.
Resumen
Los desafíos de datos en el cuidado de la salud no se limitan solo a estos. A medida que comprendemos la integración avanzada y el funcionamiento de la IA en el cuidado de la salud, los desafíos se vuelven más complejos, se superponen y se entrelazan.
Como siempre, encontraríamos una manera de abordar los desafíos y dar paso a sofisticados sistemas de IA que prometen hacer la salud AI más precisa y accesible.
