Tecnología e innovación

El uso de la IA para Entender las Causas de las Enfermedades


C. J. Burton/Getty Images

el cuidado de la Salud líderes están adoptando AI. Pero mediante la realización de una extensa revisión de estudios de caso y la investigación de la literatura, hemos encontrado que su AI iniciativas son predominantemente centrado en el desarrollo de algoritmos que pueden predecir un problema como el cáncer con el fin de hacer diagnósticos mejor, más rápido y menos costoso. Rara vez, son sus organizaciones dedicar recursos a la IA de los esfuerzos encaminados a la comprensión de ¿por qué aparecen las enfermedades. Para intervenir de forma más eficaz posible, de los dos tipos de algoritmos son cruciales.

Para ser claros, no estamos minimizando la importancia de la analítica predictiva para ayudar a diagnosticar a los pacientes. El objetivo es salvar vidas. El Beth Israel Deaconess Medical Center modelos utilizados para predecir qué pacientes son propensos a ser de no presentarse o de caer en tratamiento, de manera que se puede intervenir antes de tiempo — por ejemplo, mediante el envío de un mensaje de texto. Con el Departamento de Asuntos de los Veteranos, Google Mente desarrollado una tecnología que es capaz de predecir la lesión renal aguda, una enfermedad que afecta a uno de cada cinco pacientes hospitalizados, 48 horas antes de lo que actualmente se diagnostica.

Pero los modelos de predicción tales como la profundidad del aprendizaje principalmente predecir los resultados mediante el descubrimiento de complejos patrones en los datos. Por ejemplo, dado varias imágenes de las lesiones de la piel, se puede predecir si una nueva imagen de una lesión deben ser etiquetados malignos o benignos. Ellos toman lo que ya hacemos y mejorar el desplazamiento de la tarea de un ser humano — en este caso un radiólogo a un algoritmo. Como un reciente artículo del HBR destacó, “…AI crea actualmente el mayor valor en primera línea de ayudar a los médicos a ser más productivo y en la toma de back-end de la eficiencia de los procesos—, pero aún no en la toma de decisiones clínicas o la mejora de los resultados clínicos. Aplicaciones clínicas para identificar las causas de la enfermedad son todavía raros.”

Con la causal de algoritmos, por el contrario, también podemos identificar los factores subyacentes que causan cáncer y utilizar este conocimiento para desarrollar nuevos medicamentos y entender que deben recibir los medicamentos.

Mejorar los resultados del paciente y de la experiencia.

En el cuidado de la salud, la aproximación por defecto para la comprensión de la causalidad es la realización de un ensayo controlado aleatorio. Pero tales juicios son caros, consumen mucho tiempo, no es totalmente representativa de los diferentes tipos de pacientes, y, a menudo, simplemente no es factible. Causal algoritmos pueden inferir relaciones causales a partir de datos observacionales, que nos dice cómo los diferentes factores que interactúan unos con otros y que es la causa de qué. También podemos hacer “¿y si?” simulaciones — por ejemplo, ¿cómo podría aumentar el tratamiento por diez impacto de la evolución de la enfermedad?

los Nuevos enfoques para la causal de AI están siendo desarrollados y validados. Se incluyen métodos como las redes Bayesianas, los modelos de ecuaciones estructurales, y los posibles resultados de marcos. Aquí están algunas de las áreas donde podemos ver especialmente el valor:

el Descubrimiento de los mecanismos de la enfermedad. GNS cuidado de la Salud, en colaboración con la Alianza para los Ensayos Clínicos en Oncología, quería mejorar la tasa de supervivencia de cáncer colorrectal mediante la mejor comprensión de la enfermedad subyacente mecanismo. Ellos construyeron modelos causales con los datos de un ensayo clínico con más de 2.000 pacientes que estaban en tratamiento con dos fármacos diferentes. Ellos fueron capaces de identificar tanto moleculares y clínicos causal de controladores que puede servir como biomarcadores para la supervivencia, por lo que los médicos pueden orientar mejor el tratamiento adecuado para el paciente correcto.

la optimización del Tratamiento. Quizás uno de los más contrario a la intuición, pero también emocionante, las aplicaciones de la causal AI es proporcionar apoyo a las decisiones para los proveedores de cuidado. Modelos predictivos para evaluar el riesgo del paciente y decidir el tratamiento óptimo a veces puede conducir a poco fiables recomendaciones.

Por ejemplo, hubo un modelo que predice incorrectamente que los asmáticos con neumonía tienen menos probabilidades de morir, sólo porque la política del hospital fue directamente admitir a estos pacientes en la UCI, que el modelo no se tenían en cuenta. Una política desarrollada en este resultado habría peligrosamente recomienda proporcionar menos atención a los pacientes asmáticos. Causal AI modelos de superar dichos riesgos.

el Dr. Suchi Saria ha sido la aplicación de la hipótesis de los modelos. Que el uso de “qué pasa si” razonamiento para predecir cómo un tiempo continuo de la trayectoria (por ejemplo, los resultados de la enfermedad) se progreso en el marco de las diferentes secuencias de acciones (por ejemplo, el cuidado de la salud de las intervenciones). La utilización de datos sobre los pacientes renales sometidos a diálisis en la unidad de cuidados intensivos, su equipo se veía en los niveles de creatinina, que se incrementa durante la insuficiencia renal, y fue capaz de crear un modelo que pueda individualizar qué tipo de diálisis debe ser dado a que el paciente y cuando.

Determinantes Sociales de la Salud. profesionales de la Salud en los Estados unidos y en todo el mundo están luchando para entender cómo los factores sociales que rodean a un paciente puede afectar a la salud. En nuestro propio trabajo en la India, Surgo Fundación quería entender por qué el 20% de las mujeres en Uttar Pradesh, India, que han de decidir a entregar a sus bebés en casa, a pesar de los riesgos a la salud. Utilizando causal de la máquina de técnicas de aprendizaje, hemos aprendido, por ejemplo, que la distancia al hospital en realidad no hizo ninguna diferencia, a pesar del hecho de que la mayoría de las inversiones se han centrado en la construcción de más hospitales cercanos.

también Hemos asumido que las mujeres preferían la entrega en casa. Pero hemos encontrado que un factor determinante de dar a luz en un centro es el de si la mujer tenía un plan de entrega — tales como la organización de transporte para llegar allí, así como una muy específicos de la creencia de que los hospitales no eran seguros. Como resultado, ahora podemos dirigir los mensajes y de las intervenciones a las personas adecuadas.

Entonces, ¿cómo podemos hacer causal AI más central en el cuidado de la salud? Para uno, es importante entender el alcance de lo que AI puede ofrecer. El cuidado de la salud líderes deben tomar el tiempo para identificar problemas en su trabajo que la mayoría de la ventaja de causal AI, colaborar con las empresas y académicos con experiencia en este espacio y, a continuación, prueba este método en un par de estudios de caso.

en Segundo lugar, de los datos es la clave. Mientras que hemos sido capaces de obtener los datos necesarios para obtener resultados significativos en la casa de la entrega de la iniciativa, la obtención de datos adecuados puede ser un desafío. La capacidad de la causal de AI para proporcionar confianza conclusiones deben basarse en tener precisa y representativa de los datos. Podemos entrenar los modelos que ser inteligente sólo si les damos los datos de excelente calidad que representan el derecho de las poblaciones, se pueden combinar con otros conjuntos de datos, y han sido comparados con un buen grupo de control. Las organizaciones deben invertir en la construcción de la infraestructura de datos necesarios para estos algoritmos.

Preguntando “¿por qué?” a través de la causal AI ofrece nuevas formas de desentrañar la complejidad de actuar sobre los factores más importantes que causan la enfermedad por aprovechar el poder de los datos. La creación de algoritmos que pueden realizar esta tarea es más difícil que la creación de aquellos que pueden hacer predicciones. Pero no es sólo un esfuerzo que merece la pena, es necesario.

This content was originally published here.

EL 2 DE JUNIO DEL 2024 VOTA PARA MANTENER

TU LIBERTAD, LA DEMOCRACIA Y EL RESPETO A LA CONSTITUCIÓN.

VOTA POR XÓCHITL