Puntos clave
- La inteligencia IA está asumiendo un papel cada vez más relevante en los sectores médico y de atención sanitaria, a medida que se integra más profundamente en las prácticas de cribado, diagnóstico y tratamiento.
- La IA ofrece numerosas oportunidades transformadoras para la industria de los seguros de vida y salud, como la interpretación de datos médicos complejos y la facilitación de tareas relacionadas con su procesamiento.
- Mientras el sector salud avanza hacia una era impulsada por la IA, restan varias preocupaciones alrededor de la protección de datos, el sesgo en los modelos y la falta de estudios clínicos.
La aplicación de la IA para mejorar la salud y el bienestar general está creciendo de manera constante en los sectores médico y sanitario. Se estima que las aplicaciones de IA en la atención médica en EE.UU. generaron ahorros de costos de hasta 52 mil millones de dólares en 2021[1], mientras que podría superar los 150 mil millones para 2026.[2]
La IA optimiza tareas como la interpretación de imágenes médicas para diagnóstico clínico hasta el análisis genético para ayudar en el tratamiento de enfermedades. Sin embargo, persisten muchos desafíos relacionados con la privacidad de los datos, el sesgo en los modelos de IA y la falta de estudios clínicos. A pesar de ello, la IA en la medicina ofrece un potencial transformador tanto para la industria de la atención médica como para la de los seguros de vida y salud.
Imágenes médicas
Modelada según la red de neuronas del cerebro humano, una red neuronal convolucional (CNN, por sus siglas en inglés) es un tipo de algoritmo de aprendizaje profundo ideal para el reconocimiento de imágenes y el procesamiento de tareas. Las CNN reciben datos de imagen en bruto, generalmente como una cuadrícula de valores de píxeles con tres canales de color (rojo, verde, azul). Después de la capa de entrada, estas redes emplean capas de convolución para detectar patrones y características en los datos. Cuando se conectan en múltiples capas, estas neuronas se denominan redes de aprendizaje profundo (DL, por sus siglas en inglés).
Las CNN se han utilizado en muchos modelos para la detección de cáncer debido a su capacidad para extraer información espacial y contextual de las imágenes.[3]
Radiomics es un tipo de aprendizaje profundo, que ofrece un nuevo campo de investigación basado en el análisis de imágenes radiológicas y la extracción de múltiples características cuantitativas de imágenes médicas. Los algoritmos de IA analizan características radiómicas extraídas de mamografías, ultrasonidos, resonancias magnéticas (MRI) y tomografías por emisión de positrones (PET) para mejorar la precisión en la detección y clasificación de lesiones malignas y benignas. Este proceso captura características de tejidos y lesiones, como intensidad, tamaño, forma, volumen, textura y dimensiones que, a menudo, no son perceptibles para el ojo humano.[4]
La IA puede evaluar imágenes médicas más rápido que los humanos, evaluar pacientes con riesgo de mortalidad temprana, reducir la carga de trabajo de los médicos, disminuir los errores médicos y mejorar la precisión en el diagnóstico de enfermedades y la eficacia de su tratamiento, impactando directamente en las tasas de morbilidad y mortalidad.
El uso de algoritmos de IA para detectar enfermedades y personalizar los tratamientos puede mejorar las tasas de supervivencia y esperanza de vida. Por ejemplo, en comparación con la inteligencia humana, la IA puede priorizar con mayor facilidad el cribado de pacientes asintomáticos con riesgo de cáncer y detectar mejor a aquellos con riesgo de reincidencia.
Ensayos farmacéuticos
El proceso de desarrollo de nuevos medicamentos puede tardar más de una década y costar miles de millones de dólares. Incluso de ser así, sólo alrededor del 10% de los medicamentos en ensayos de Fase II recibe aprobación para continuar en desarrollo.
Los modelos de IA ahora pueden predecir los resultados de los ensayos clínicos, lo que acelera significativamente el proceso y reduce los costos enormes del desarrollo de medicamentos. Los algoritmos de IA buscan similitudes en los compuestos de medicamentos y pueden proyectar niveles de toxicidad en los pacientes, así como las posibles interacciones entre medicamentos y los objetivos planteados.
El software de IA desarrollado para mejorar la participación de los pacientes en ensayos de medicamentos –donde las tasas de abandono conducen al fracaso del 30% de los ensayos– ha aumentado las tasas de adherencia hasta en un 25%.[5]
Cribado médico
La IA puede identificar a pacientes con un riesgo mínimo de enfermedad. En el caso del cáncer, por ejemplo, Esto implica que los pacientes con bajo riesgo, contemplados en las guías de cribado, podrían evitar exámenes innecesarios, lo que ayuda a mejorar los tiempos de respuesta y reducir los costos.
Además, las predicciones de riesgo personalizadas podrían permitir que aquellos con mayor riesgo, y que no están contemplados en las guías actuales, sean examinados de manera anticipada, facilitando diagnósticos y tratamientos más tempranos de enfermedades que de otro modo permanecerían sin detectarse. Este avance incrementaría las tasas de supervivencia para una amplia variedad de enfermedades, especialmente aquellas con pronósticos desfavorables.
En el cribado cardíaco, los electrocardiogramas (ECG) interpretados por IA están demostrando ser comparables, e incluso en muchos casos superiores, a las interpretaciones humanas. Para la evaluación de la función cardíaca, la resonancia magnética cardíaca (CMR) se considera el estándar de oro.
La escasez de médicos calificados en CMR puede causar retrasos en el cribado y diagnóstico de enfermedades cardiovasculares (CVD). En un estudio reciente sobre 11 tipos de CVD en 9,719 pacientes, un modelo de aprendizaje profundo de IA logró un rendimiento comparable al de médicos con más de 10 años de experiencia en lectura de CMR (F1* de AUC** 0.931 frente a 0.927), con una velocidad de interpretación mucho mayor (1.94 minutos frente a 418 minutos para interpretar 500 sujetos).[6]
* F1 = media armónica del valor predictivo positivo y la sensibilidad.
** Área bajo la curva (AUC) es una medida de la precisión del modelo, donde 1 indica una clasificación perfecta y 0.5 corresponde al azar.
Diagnóstico
La IA puede desempeñar un papel clave en el diagnóstico de enfermedades y ayudar a los médicos a interpretar escaneos y datos complejos. Esto, a su vez, les permitirá analizar más datos de pacientes en menos tiempo.
La IA asiste en la identificación de lesiones en escaneos, clasificando píxeles individuales y reconociendo patrones imperceptibles para el ojo humano.[7] Por ejemplo, los algoritmos de IA pueden ayudar a los radiólogos a interpretar mamografías y tomografías computarizadas (CT), y proporcionar una segunda opinión sobre sus hallazgos.
La concordancia puede variar entre el 75% y el 88%, particularmente para enfermedades más complejas.[8] Asimismo, la IA puede detectar anomalías con una precisión comparable o mejor que la de los radiólogos experimentados.
En un estudio que utilizó CNN para predecir malignidad en tomografías computarizadas, el modelo de IA fue más preciso que el radiólogo promedio, logrando un AUC del 95.5%.[3]
Tratamientos
La IA puede identificar combinaciones genéticas en los pacientes y contribuir a predecir la respuesta a medicamentos específicos y permitir ajustes o modificaciones de las dosis.[7]
Además, la IA puede ayudar en la planificación quirúrgica e intervención por medio de la creación de modelos tridimensionales (3D) que detallen la anatomía específica de un paciente. Esto permite a los cirujanos realizar operaciones con un alto grado de precisión, mejorando los resultados médicos y reduciendo el riesgo para el paciente.
Los modelos 3D también pueden imprimirse como objetos físicos, permitiendo a los especialistas replicar y examinar una parte específica de la anatomía del paciente.[9]
Barreras y limitaciones de la IA en la medicina
El uso de la IA en medicina enfrenta barreras críticas que deben ser abordadas. Entre ellas, se encuentran las preocupaciones sobre la protección de datos, específicamente en cuanto a cómo se utiliza, almacena y distribuye la información médica personal en los modelos de IA. Cualquier dato empleado para entrenar estos modelos debe estar debidamente anonimizado y estandarizado. Otra preocupación importante es el uso malicioso de la IA, como la creación de investigaciones médicas fabricadas o el uso de datos falsos. Un análisis reciente de referencias en un artículo médico generado por IA reveló que sólo el 7% de las referencias eran auténticas y analizaban la información de manera correcta.[10]
Los modelos de IA actuales están limitados por cierto grado de sesgo, influenciado por factores como el género, la etnia y el uso de conjuntos de datos provenientes de países de ingresos altos. Esto podría generar decisiones inadecuadas para pacientes en países de bajos ingresos. Además, muchos modelos de IA carecen de diversidad demográfica, lo que dificulta su implementación en la práctica clínica.
Otro desafío es la falta de estudios clínicos que validen los resultados de los modelos de IA. En una revisión de 172 soluciones de IA, se encontró que el 93% no alcanzó el nivel 4 de preparación clínica en aplicaciones del mundo real. Así también, sólo el 2% había pasado por validación prospectiva. El nivel 4 debería demostrar el potencial para realizar predicciones, ofrecer apoyo en la toma de decisiones, optimizar modelos y validarlos con datos caracterizados.[11] Los modelos deberán demostrar consistencia en sus resultados a través de múltiples conjuntos de datos antes de ser integrados en entornos reales.
Otra preocupación importante se relaciona con la asignación de responsabilidades cuando algo sale mal. Si un algoritmo de IA proporciona un diagnóstico o plan de tratamiento incorrecto, será difícil responsabilizar a alguien en particular.
Las herramientas de predicción basadas en IA pueden cometer errores, al igual que los humanos, pero actualmente no existen regulaciones o pautas que determinen quién es legalmente responsable cuando una decisión incorrecta de la IA daña a un paciente.
Otras limitaciones y desafíos incluyen los elevados costos iniciales de las aplicaciones de IA y su mantenimiento, que podrían ser prohibitivos, además del impacto ambiental que generan los sistemas de IA intensivos en recursos.
Implicaciones para la industria de seguros
La IA ya desempeña un papel esencial en la industria aseguradora, desde la detección de fraudes y la verificación de clientes hasta los chatbots en aplicaciones de soporte al cliente. La IA puede identificar riesgos en las solicitudes de suscripción y los modelos de precios, así como apoyar en la toma de decisiones durante la gestión de reclamaciones. También ayuda a agilizar procesos, analizar datos y mejorar la eficiencia en toda la operación.
Es especialmente útil para procesar tareas e interpretar datos médicos complejos, que son una parte importante del proceso de seguros de vida. La IA podría acelerar el proceso de suscripción al limitar la necesidad de pruebas adicionales basadas en los resultados de los modelos de riesgo. También podría identificar posibles comorbilidades y el riesgo de desarrollo de enfermedades basándose en las respuestas de los solicitantes en los formularios de aplicación.
El uso de IA podría generar reducciones significativas en costos operativos para las aseguradoras, desde pagos reducidos por reclamaciones de fallecimiento y enfermedades críticas hasta tareas administrativas más eficientes. Según el Boston Consulting Group, la IA tiene el potencial de reducir los pagos de reclamaciones en un 3% a 4%.[12] Un informe separado sobre tendencias de IA en el mercado de seguros indicó que la IA podría reducir los costos de procesamiento de reclamaciones entre un 50% y un 65%, yal tiempo que los tiempos de procesamiento entre un 50% y un 90%.[13]
Conclusión
La IA tiene el poder de revolucionar la medicina moderna, mejorando la detección de enfermedades y la eficacia de los tratamientos. Es probable que beneficie a muchos pacientes y mejore los resultados generales de salud, especialmente para individuos diagnosticados con cáncer. No obstante, las barreras actuales limitan su adopción inmediata, podría pasar algún tiempo antes de que los modelos predictivos de IA reemplacen a los expertos en atención médica y se integren de manera rutinaria en los programas de cribado preventivo, diagnósticos de pacientes y tratamientos personalizados.
