Por mucho que avance la IA, siempre harán falta médicos

La IA puede servir como ayuda, pero las decisiones siempre las tendrá que tomar un sanitario

CORBIS/VCG/GETTY IMAGES

Los recientes avances en inteligencia artificial (IA) han llevado a la especulación de que la IA algún día podría reemplazar a los radiólogos humanos. Los investigadores han desarrollado redes neuronales de aprendizaje profundo que pueden identificar patologías en imágenes radiológicas, como fracturas óseas y lesiones potencialmente cancerosas, en algunos casos de manera más confiable que un radiólogo promedio. En su mayor parte, sin embargo, los mejores sistemas actualmente están a la par con el rendimiento humano y se usan solo en entornos de investigación.

Dicho esto, el aprendizaje profundo está avanzando rápidamente y es una tecnología mucho mejor que los enfoques anteriores para el análisis de imágenes médicas. Esto probablemente augura un futuro en el que la IA juega un papel importante en la radiología. La práctica radiológica sin duda se beneficiaría de los sistemas que pueden leer e interpretar múltiples imágenes rápidamente, porque el número de imágenes ha aumentado mucho más rápido en la última década que el número de radiólogos. Cientos de imágenes se pueden tomar para tratar la enfermedad o lesión de un paciente. Las imágenes y la radiología son costosas y cualquier solución que pueda reducir el trabajo humano, reducir los costes y mejorar la precisión diagnóstica beneficiaría tanto a los pacientes como a los médicos.

¿Qué significa esto para los radiólogos? Algunos estudiantes de medicina han decidido no especializarse en radiología porque temen que el trabajo deje de existir. Sin embargo, estamos seguros de que la gran mayoría de los radiólogos continuará teniendo empleos en las próximas décadas; trabajos que serán alterados y mejorados por la inteligencia artificial. Uno de nosotros (Dreyer) es un radiólogo e investigador de inteligencia artificial y el otro (Davenport) ha investigado el impacto de la IA en el trabajo durante varios años. Hemos visto varias razones por las que los radiólogos no desaparecerán de la fuerza de trabajo y las describimos a continuación. También creemos que varios de estos factores inhibirán la automatización a gran escala de otros trabajos supuestamente amenazados por la IA.

Primero, los radiólogos hacen más que leer e interpretar imágenes. Al igual que otros sistemas de IA, los sistemas de IA de radiología realizan tareas únicas (IA estrecha o débil). Los modelos de aprendizaje profundo que mencionamos están entrenados para realizar tareas específicas de reconocimiento de imágenes (como la detección de nódulos en la tomografía computarizada de tórax o la hemorragia en la resonancia magnética cerebral). Sin embargo, miles de tareas de detección tan limitadas son necesarias para identificar por completo todos los hallazgos potenciales en las imágenes médicas y, a día de hoy, solo la inteligencia artificial puede realizar algunas de estas tareas. Además, el trabajo de interpretación de imágenes abarca solo un conjunto de tareas que realizan los radiólogos. También consultan con otros médicos sobre diagnóstico y tratamiento, tratan enfermedades (por ejemplo, proporcionan terapias ablativas locales), realizan intervenciones médicas guiadas por imágenes (radiología intervencionista), definen los parámetros técnicos de las exploraciones por imágenes que se realizarán (adaptadas a la condición del paciente), relacionan los hallazgos de las imágenes con otros registros médicos y resultados de pruebas, analizan procedimientos y resultados con pacientes y muchas otras actividades. Incluso en el caso improbable de que la IA se hiciera cargo de la lectura e interpretación de imágenes, la mayoría de los radiólogos podrían redirigir su enfoque a estas otras actividades esenciales.

Segundo, los procesos clínicos para emplear el trabajo de imagen basado en IA están muy lejos de estar listos para el uso diario. Las investigaciones de Dreyer con el Instituto de Ciencia de Datos del Colegio Americano de Radiología (ACR, por sus siglas en inglés) descubrieron que los diferentes proveedores de tecnología de imágenes y los algoritmos de aprendizaje profundo se centran en diferentes aspectos de los casos de uso que abordan. Incluso entre los detectores de nódulos basados ​​en el aprendizaje profundo que están aprobados por la FDA, había diferentes focos: la probabilidad de una lesión, la probabilidad de cáncer, la característica de un nódulo o su ubicación. Estos diferentes focos harían muy difícil integrar los sistemas de aprendizaje profundo en la práctica clínica actual. Por lo tanto, el ACR está comenzando a definir las entradas y salidas para los proveedores de software de aprendizaje profundo. La FDA requiere, y la ACR proporciona metodologías, que los proveedores verifiquen la efectividad y el valor de los algoritmos antes y después de que salgan al mercado. Al mismo tiempo, el ACR está trabajando hacia una colección integral de casos de uso, por parte del cuerpo, modalidad y tipo de enfermedad, para los cuales el proceso clínico, los requisitos de imagen y la explicación de los resultados están bien definidos y son consistentes con las actuales y futuras prácticas clínicas. Por supuesto, crear una colección completa de casos de uso llevará muchos años, ampliando aún más el papel de los radiólogos en el mundo de la IA.

Tercero, los algoritmos de aprendizaje profundo para el reconocimiento de imágenes deben ser entrenados en “datos etiquetados”. En radiología, esto significa imágenes de pacientes que han recibido un diagnóstico definitivo de cáncer, fractura ósea u otra patología. En otros tipos de reconocimiento de imágenes donde el aprendizaje profundo ha alcanzado altos niveles de éxito, se ha capacitado en millones de imágenes etiquetadas, como las fotos de gatos en internet. No obstante, no hay imágenes almacenadas de radiología, etiquetadas o no. Son propiedad de vendedores, hospitales y médicos, instalaciones de imágenes y pacientes y la recopilación y etiquetado de estas imágenes, para acumular una masa crítica para la capacitación en IA, será un desafío y requerirá mucho tiempo.

Finalmente, al igual que está claro que los vehículos autónomos requerirán cambios en la regulación y el seguro automotriz, se requerirán cambios en la regulación médica y en el seguro de salud para que el análisis automatizado de imágenes despegue. ¿Quién es responsable, por ejemplo, si una máquina diagnostica mal un caso de cáncer: el médico, el hospital, el proveedor de tecnología de imágenes o el científico de datos que creó el algoritmo? ¿Y los proveedores de servicios de salud reembolsarán el diagnóstico de IA como un único par de ojos o como un segundo conjunto en combinación con un radiólogo humano? Todos estos problemas deben resolverse y es poco probable que el progreso vaya tan rápido como lo hace la investigación de aprendizaje profundo en el laboratorio. Es posible que las máquinas de radiología de IA tengan que mejorar sustancialmente más que los radiólogos humanos, no solo igual de bien, para impulsar los cambios normativos y de reembolso necesarios.

Debería ser evidente, entonces, que la próxima vez que se haga una mamografía o una resonancia magnética, es poco probable que sus imágenes sean vistas solo por un algoritmo de inteligencia artificial. Los radiólogos, como los abogados, los planificadores financieros, los contadores y otros profesionales que están viendo algunas tareas de trabajo realizadas por máquinas inteligentes, encontrarán cambios en sus empleos actuales, en lugar de reemplazarlos.

Debido a esto, deberán adoptar nuevas habilidades y procesos de trabajo. Como señala una publicación de blog, los únicos radiólogos cuyos trabajos pueden verse amenazados son los que se niegan a trabajar con la inteligencia artificial. La integración de la inteligencia artificial con la práctica radiológica ofrece importantes beneficios médicos y de productividad. Las mejoras de productividad incluso pueden significar que los radiólogos pueden dedicar más tiempo a hacer lo que muchos de ellos encuentran más satisfactorio: consultar con otros médicos sobre diagnósticos y estrategias de tratamiento. Si se realizan las mejoras previstas en el análisis de imágenes de aprendizaje profundo, los proveedores, los pacientes y los contribuyentes se inclinarán por los radiólogos que hayan descubierto cómo trabajar eficazmente junto con la IA.


por
trad. Mariana Díaz

Thomas H. Davenport

Es profesor de la Universidad de Boston (EE.UU.), un investigador becado del Centro para Negocios Digitales del Instituto Tecnológico de Massachusetts (MIT, EE.UU.) y un consejero ejecutivo de Deloitte Analytics. Es autor de más de una docena de libros sobre ‘management’, su último libro es ‘Only Humans Need Apply: Winners and Losers in the Age of Smart Machines’.