Inteligencia Artificial en el Laboratorio Clínico

En 1997, la histórica partida de ajedrez entre Garry Kasparov y Deep Blue, una supercomputadora desarrollada por IBM, marcó un antes y un después en la historia de la tecnología. La victoria de la máquina sobre el campeón mundial no solo sorprendió al mundo, sino que también desató un debate profundo: ¿Podrían las máquinas, en un futuro cercano, superar al ser humano en otros campos más complejos?

La inteligencia artificial (IA) ha avanzado exponencialmente desde aquel evento, revolucionando diversas industrias. En el ámbito de la salud, su impacto es particularmente notable. En este artículo exploraremos cómo la IA está transformando el control de calidad en los laboratorios clínicos, desde la gestión de grandes volúmenes de datos hasta la implementación de algoritmos predictivos.

Evolución de la IA en Medicina y Laboratorios Clínicos

La incorporación de IA en medicina comenzó con aplicaciones rudimentarias, pero rápidamente se ha expandido hacia tecnologías más sofisticadas, como el aprendizaje profundo y los algoritmos de diagnóstico automatizado. Estos avances han permitido no solo mejorar la eficiencia operativa de los laboratorios, sino también incrementar la precisión en el diagnóstico y la gestión de recursos.

En la cronología, se destacan avances clave en la implementación de la inteligencia artificial en medicina. Revisemos algunos hitos importantes en esta evolución

Algunos años después que nacieran Microsoft y Apple y un año después de que Westgard hiciera las simulaciones que darían origen a las multirreglas de Westgard, (1980) aparece la primera herramienta considerada de Inteligencia Artificial (MYCIN), destinada al diagnóstico de enfermedades infecciosas. En realidad, era un sistema de reglas de experto.

Un par de décadas más (1997)y la FDA aprueba el primer sistema de inteligencia artificial para diagnóstico cardíaco, un avance que marca el comienzo de la integración regulada de IA en medicina.

En 2011 Watson (IBM) gana el famoso juego “Jeopardy”, demostrando los avances en la comprensión del lenguaje.

En 2018 La FDA aprueba un sistema para la detección de retinopatía Diabética. Destacando la transición de la IA desde un complemento hasta una herramienta diagnóstica independiente y reconocimiento de imágenes.

El año 2020 se lanza GPT-3 y el año 2023, la FDA aprueba un algoritmo de IA para la detección temprana de sepsis. Más adelante veremos como la llegada de GPT 4o, Mejoró notablemente la capacidad médica de las aplicaciones de IA en el diagnóstico.

Estos hitos muestran cómo, desde las primeras reglas estadísticas hasta la inteligencia artificial avanzada, la medicina ha recorrido un largo camino hacia la automatización y precisión en el diagnóstico y la calidad.

¿Cada Cuánto usamos la IA?

Aunque el 10% de las personas declara usar diariamente herramientas de IA, si preguntamos cuántas veces al día interactuamos con una inteligencia artificial, probablemente no seamos conscientes de su omnipresencia en nuestras vidas cotidianas. Desde los asistentes virtuales que nos ayudan a programar reuniones o responder preguntas rápidas, hasta los filtros de spam que organizan nuestro correo electrónico, la IA está detrás de muchas acciones diarias. También se encuentra en las redes sociales, donde los algoritmos personalizan lo que vemos, y en la fotografía, ajustando automáticamente la calidad de nuestras imágenes. Incluso en los sitios de comercio en línea, la IA nos sugiere productos según nuestros intereses.

¿Qué es IA y Qué no es?

La inteligencia artificial (IA) se define como máquinas o sistemas capaces de realizar tareas que normalmente requieren inteligencia humana. Para que un sistema sea considerado IA, debe incluir capacidades de aprendizaje, razonamiento y adaptación. Es decir, debe poder mejorar su desempeño al recibir más datos y ajustar sus respuestas a nuevas situaciones.

Por otro lado, no se considera IA la simple automatización, los algoritmos pre-programados que siguen reglas fijas o las simulaciones sin capacidad de adaptación. Un ejemplo de esta diferencia son los sistemas de reglas de expertos, que siguen un conjunto predeterminado de instrucciones para ofrecer respuestas sin aprender ni evolucionar con el tiempo, lo que los excluye del concepto de IA.

 

Algoritmos y Su Uso

Un algoritmo es un conjunto de instrucciones para resolver un problema. En IA, los algoritmos se entrenan con datos para aprender, mejorar y tomar decisiones. En medicina, los principales tipos son:

• Aprendizaje Supervisado: Usa datos etiquetados para diagnósticos como imágenes médicas.
• Aprendizaje No Supervisado: Identifica patrones en datos no etiquetados, útil en agrupamientos de pacientes.
• Aprendizaje por Refuerzo: Optimiza decisiones por prueba y error, aplicable en tratamientos personalizados.
• Redes Neuronales Profundas: Emulan el cerebro para análisis avanzados, como la interpretación automatizada de imágenes.

Estos algoritmos mejoran precisión y personalización en salud.

¿Qué tan rápido progresa la IA en Salud?

El AI Index Report (2024) de la Universidad de Stanford es una referencia clave para analizar el avance de la IA en salud. Entre 2012 y 2022, la cantidad de dispositivos médicos con IA aprobados por la FDA aumentó 45 veces, demostrando un crecimiento exponencial tanto en cantidad como en diversidad de aplicaciones.

En términos de calidad, el benchmark MedQA, que simula escenarios clínicos complejos, vio un aumento en la exactitud de diagnóstico del 40% en 2019 al 90,2% en 2023, impulsado por el uso de ChatGPT-4o en la plataforma MedPrompt. Este avance se suma a logros como el de Google Health, que en 2023 superó a radiólogos en la detección de cáncer de mama, destacando el potencial de la IA para mejorar la precisión en salud.

Además, la rápida adopción de IA en áreas como el diagnóstico temprano de sepsis y el análisis de imágenes hematológicas muestra cómo esta tecnología está transformando la medicina hacia un enfoque más preciso y personalizado.

Aplicaciones de la IA en el Laboratorio Clínico

La inteligencia artificial ha impactado prácticamente todas las áreas del laboratorio clínico. A continuación, se presentan algunos ejemplos relevantes:

Diagnóstico de Imágenes en analizadores

Equipos como el Mindray MC-80 utilizan técnicas de fusión multicapa y redes neuronales profundas (CNN) para la clasificación precisa de células sanguíneas. Estas tecnologías son fundamentales en el análisis automatizado de imágenes, mejorando la eficiencia y la precisión diagnóstica. [Más información Sitio oficial Mindray MC-80]

Sistemas Predictivos de Salud 

Algoritmos avanzados pueden analizar múltiples parámetros clínicos para predecir la evolución de un paciente. Por ejemplo, ImmunoScore ofrece una estimación temprana del riesgo de sepsis antes de un hemocultivo positivo, permitiendo intervenciones más oportunas.[Más información Sitio Oficial de InmunoScore]

Asimismo, el Hospital Regional de Temuco, junto con la Universidad Católica de Temuco, han desarrollado herramientas de IA para predecir el riesgo de COVID-19 severo en pacientes chilenos, utilizando tanto datos clínicos (Redes Neuronales Recurrentes) como imágenes de células sanguíneas (Redes Neuronales Convolucionales). 

Epidemiología y Gestión de Salud Pública

En el contexto de registros clínicos interoperables, modelos de IA como los LLM RAG procesan información no estructurada de fichas clínicas para generar big data útil en la toma de decisiones a nivel poblacional.

Optimización de Recursos y Gestión Predictiva

La IA permite anticipar picos de demanda mediante análisis predictivos basados en datos históricos y actuales. Esto mejora la gestión de recursos en centros de salud, reduciendo sobrecupos y tiempos de espera.

Interpretación de Resultados de Laboratorio

La IA analiza grandes volúmenes de datos de forma rápida y precisa, identificando resultados anómalos y proporcionando recomendaciones clínicas. Esto agiliza el diagnóstico y mejora la eficiencia en el laboratorio.

También podemos encontrar en aplicaciones dirigidas a pacientes, donde el usuario sube el PDF de sus exámenes y obtiene una interpretación completa, con datos estadísticos, sugerencias de exámenes complementarios. Como lo desarrollado por TM Giorgio Cabrera [Más información en el sitio web de la aplicación Mediko.cl]

 

Control de Calidad y Monitoreo Continuo:

En el ámbito de calidad, algoritmos basados en técnicas como medias móviles y CuSum permiten la detección temprana de errores y desviaciones. Aunque estas aplicaciones están en desarrollo, son prometedoras para el monitoreo continuo y la mejora de la precisión en el laboratorio, con un enfoque inicial en el diagnóstico temprano.

Proyecciones y Desafíos Futuros

El desarrollo de la IA en laboratorios clínicos sigue un camino de rápido crecimiento. Desde el uso de sistemas de reconocimiento de imágenes para hematología hasta la implementación de algoritmos específicos para sepsis, la IA está posicionada para abordar desafíos críticos en la salud. Sin embargo, estos avances requieren una infraestructura adecuada y un esfuerzo continuo en la formación de profesionales.

Reflexiones Finales

La IA, al ser "inocente", no tiene prejuicios a la hora de detectar patrones, pero su efectividad depende totalmente de la calidad de los datos con los que se entrena. En este sentido, los laboratorios clínicos no solo deben adoptar tecnologías avanzadas, sino también centrarse en garantizar la integridad y consistencia de la información que manejan.

El futuro cercano anticipa avances significativos en menores plazos, dejando espacio para prepararse y aprovechar el potencial de la IA en el ámbito clínico.

Accede al material de esta presentación y otras exposiciones, en el sitio de Círculo Calidad. (Link)