En nuestros roles como ejecutivos y profesionales de los servicios de salud, hemos desarrollado y utilizado docenas de sistemas de aprendizaje automatizado. Muchos de estos han tenido éxito, pero otros no. A partir de estas experiencias hemos identificado tres mitos comunes alrededor de la inteligencia artificial en la industria.

Mito 1: El aprendizaje automatizado puede hacer mucho de lo que hacen los doctores

La realidad es que actualmente las aplicaciones de aprendizaje automatizado pueden realizar algunas de las cosas que hacen los doctores, pero en el futuro previsible no serán capaces de reemplazar la mayoría de las labores que estos llevan a cabo. Los doctores desempeñan tres deberes principales: ayudar a prevenir que las personas se enfermen, diagnosticar pacientes y brindarles atención y tratamiento. Aunque los algoritmos de aprendizaje automatizado pueden ser útiles para predecir características de cáncer a partir de escaneos o diagnosticar fracturas con base en rayos X, son incapaces de realizar otras funciones del cuidado de los pacientes.

Se requiere un elemento humano para ayudar a los pacientes a decidir si recibirán tratamiento y cómo será. Los pacientes suelen tener preocupaciones o temores acerca de someterse a procedimientos médicos. Los doctores necesitan incorporar el estado mental, expectativas, historia y factores culturales del paciente en una toma de decisiones compartida con este y con su familia. Los pacientes aprecian esta interacción humana.

Finalmente, una vez que el tratamiento está completo, el proceso de recuperación requiere un monitoreo cercano que sólo los doctores pueden brindar; las complicaciones suelen detectarse por medio de observación clínica y no con pruebas impulsadas por protocolos.

Mito 2: Los datos masivos combinados con científicos de datos son una receta para el éxito

La realidad es que, aunque los científicos de datos son necesarios, su éxito no sólo depende de la recolección de datos. Estos deben ser relevantes, y las personas deberían entenderlos plenamente. Consideramos útil plantear las siguientes preguntas:

¿Cómo se reunieron los datos? Con los registros médicos electrónicos, o EHRs (por sus siglas en inglés), el registro de un solo paciente podría contener notas y prescripciones de múltiples médicos. Las personas deberían tomar esto en cuenta para no llegar a conclusiones incorrectas.

¿Por qué se reunieron los datos? Piense en los datos de laboratorio recopilados por un hospital. Debido a que este reúne los datos de pacientes que son tratados en el hospital, la información no será representativa de la población en general.

¿Cuáles son las limitaciones o problemas potenciales de los datos? Considere los datos de EHR reunidos a lo largo de muchas organizaciones que están usando el mismo proveedor. Incluso aunque las organizaciones pudieran estar utilizando al mismo proveedor de EHR, la estructura de los datos, el significado de los campos y la amplitud de la información seguramente diferirán entre ellas.

¿Han cambiado la circunstancias? ¿Los datos que usamos para construir el modelo de IA siguen siendo válidos?

Científicos de datos con elevadas habilidades son indispensables para construir sofisticados modelos de aprendizaje automatizado, pero también es importante tener expertos que entiendan cómo pensar acerca de los modelos y resultados. En algunos casos, un enfoque que utilice aprendizaje automatizado y trabajadores humanos funciona mejor.

Mito 3: Los algoritmos exitosos serán adoptados y utilizados

Desafortunadamente, muchos poderosos algoritmos no son adoptados o utilizados porque no están integrados al flujo de trabajo de los usuarios potenciales. Trabajamos en un hospital que construyó una aplicación para ayudar a los médicos a referir a los pacientes con especialistas. Nadie la usó. El personal estaba demasiado ocupado como para entrar y salir entre el EHR y la app.

Hay muchas formas de alentar el uso de aprendizaje automatizado. Las alertas de IA en el punto de toma de decisiones suelen ser el método más efectivo. Considere una exitosa aplicación del Beth Israel Deaconess Medical Center en Boston (BIDMC). Los consentimientos para cirugía arriban de diversas formas como correo postal, fax y transmisiones electrónicas. Encontrarlos puede ser un desafío. BIDMC creó una aplicación de aprendizaje automatizado que automáticamente “lee” los faxes entrantes y los guarda en el registro médico correcto, el cual añade una alerta a la lista preoperatoria. Esto le ahorra 120 horas mensuales al equipo médico.

La clave para el éxito del aprendizaje automatizado en los servicios médicos es pensar qué clase de problemas puede resolver la tecnología, quién necesita involucrarse para desarrollar los algoritmos y cómo facilitar que las personas los utilicen.