Preparar-nos per a la medicina algorítmica

14/10/2024

Els éssers humans estem condicionats per la nostra biologia i les nostres pors. Això explica que segons el CIS la primera preocupació dels espanyols sigui avui una immigració que satura les nostres pantalles en lloc de la invisible possibilitat que les Intel·ligències Artificials (IA) evolucionin d’una manera lesiva per a la humanitat[1]. No sabem encara quin rumb prendran aquestes però sí que modificaran més el món en general que els moviments migratoris. Si ens centrem en el terreny de la medicina el que sembla clar és que ens manca reflexió sobre això.

Sabem que els nostres mòbils i rellotges[2] tenen la possibilitat d’emmagatzemar les dades[3]  del nostre moviment, exercici físic, pulsacions, temperatura, oxigen a la sang, electrocardiograma, ritme son vigília, etc. i amb ells detectar sedentarisme, dies fèrtils, insomni, fibril·lació auricular, risc de patir apnea del son. Sabem que els models ampliats de llenguatge han superat el test de Turing sent cada cop més complicat discriminar si el seu discurs és humà o no[4]. Sabem que és possible entrenar aquests models amb dades mèdiques perquè siguin capaces d’emetre diagnòstics[5]  i ajudar a prendre decisions[6]. Sabem que poden ajudar en la formació i en la pràctica clínica [7].

El que no sabem, o no volem saber, és com organitzar les bases de la medicina algorítmica[8] que s’està desenvolupant davant dels nostres nassos sense que la majoria dels professionals sentim que podem fer alguna cosa més enllà de provar alguna eina. Els que sí que s’estan emprant a fons són les grans companyies tecnològiques que veuen al món de la salut un grandíssim negoci. I van amb avantatge, les aplicacions conversacionals (xatbots) ja parlen amb pacients amb un nivell de qualitat de comunicació i empatia[9] superior a la humana, analitzen imatges mèdiques[10] i fotografia dermatològica[11] amb alta qualitat i són cada cop més competents a nivell de diagnòstic i propostes de tractament. A nivell del ciutadà mitjà estem davant d’un canvi important a l’hora de buscar informació sobre salut en passar de fer la pregunta d’un cercador (Google) a una IA (ChatGPT i altres) que és capaç de dialogar i oferir més qualitat de resposta[12].

Se’ns obre un escenari complex de pacients amb més patologia per una banda, més preocupacions de salut per l’altra i més informació disponible que acudeixen a consulta amb més freqüència i més preguntes augmentant la pressió assistencial sobre professionals i organitzacions que no saben com millorar una gestió per a la qual no quadren els números entre requeriments i recursos.

Inevitablement tenim davant dues possibilitats de reacció: pel costat dels professionals augmentar les seves capacitats amb eines d’IA perquè siguin més resolutius i pel costat dels pacients[13]  oferir-los un ventall eines d’interacció que alleugin les cites presencials fent tasques de triatge, avaluació, pre-anamnesi, educació per a la salut, protocols preventius, controls de patologia crònica, orientació…

Calibrar aquests canvis i la progressiva introducció d’eines digitals al sistema no serà fàcil, no ho està sent. El mercat va molt més de pressa que els sistemes sanitaris, la regulació legislativa i, em temo que també, els professionals. A tall d’exemple els confessaré que a la meva consulta de medicina de família fa mesos que faig servir un assistent d’IA proveït pel meu servei de salut i molts altres pel meu compte (ChatGPT, Perplexity, Grok, Copilot, Gemini…). Fonamentalment per consultar dubtes, interaccions, diagnòstics diferencials… en molts casos són més potents i/o ràpides que les guies clíniques tradicionals o altres fonts d’informació. També he provat eines de transcripció de l’anamnesi que encara són millorables i altres novetats de les quals encara no se’n pot treure gran rendiment clínic. Encara és aviat per llençar les campanes al vol, no hem creuat la línia de la disrupció. Tot i això la sensació és de cert vertigen, això va molt de pressa. El meu suggeriment és encoratjar un diàleg interdisciplinari sobre aquest tema entre professionals, tant als seus equips de treball com a les seves societats científiques, col·legis professionals o altres organitzacions que estableixi ponts entre sanitaris i la societat, pacients i administració. És fonamental desenvolupar una opinió sobre això basada en les dades disponibles i en la nostra experiència per posicionar-nos i evitar ser arrossegats per un mercat que està inundant les nostres vides d’algorismes que poden en potència fagocitar les nostres dades de salut i tota la informació sensible que es posa a sobre de la taula en una consulta així com transformar la relació metge pacient en un grau que encara no som capaços d’imaginar. Els reptes ètics, deontològics, tècnics, legislatius i polítics són majúsculs. Per això els acabo convidant a llegir a Harari i parlin amb el seu entorn d’aquest tema.


Referèncias

[1] Harari, Y. N. (2023). Nexus: Una breve historia de las redes de información desde la Edad de Piedra hasta la IA. Penguin Random House. Barcelona, España.

[2] El-Gayar, O. F., Ambati, L. S., & Nawar, N. (2020). Wearables, artificial intelligence, and the future of healthcare. In AI and Big Data’s Potential for Disruptive Innovation (pp. 104-129). IGI Global.

[3] Canali, S., Schiaffonati, V., & Aliverti, A. (2022). Challenges and recommendations for wearable devices in digital health: Data quality, interoperability, health equity, fairness. PLOS Digital Health, 1(10), e0000104.

[4] Sejnowski, T. J. (2023). Large language models and the reverse turing test. Neural computation, 35(3), 309-342.

[5] McDuff, D., Schaekermann, M., Tu, T., Palepu, A., Wang, A., Garrison, J., … & Natarajan, V. (2023). Towards accurate differential diagnosis with large language models. arXiv preprint arXiv:2312.00164.

[6] Hager, P., Jungmann, F., Holland, R., Bhagat, K., Hubrecht, I., Knauer, M., … & Rueckert, D. (2024). Evaluation and mitigation of the limitations of large language models in clinical decision-making. Nature medicine, 30(9), 2613-2622.

[7] Yang, R., Tan, T. F., Lu, W., Thirunavukarasu, A. J., Ting, D. S. W., & Liu, N. (2023). Large language models in health care: Development, applications, and challenges. Health Care Science, 2(4), 255-263.

[8] Dans E. Hacia la medicina algorítmica. https://www.enriquedans.com/2023/07/hacia-la-medicina-algoritmica.html

[9] Sorin, V., Brin, D., Barash, Y., Konen, E., Charney, A., Nadkarni, G., & Klang, E. (2023). Large language models (llms) and empathy-a systematic review. medRxiv, 2023-08.

[10] van Leeuwen, K. G., Schalekamp, S., Rutten, M. J., van Ginneken, B., & de Rooij, M. (2021). Artificial intelligence in radiology: 100 commercially available products and their scientific evidence. European radiology, 31, 3797-3804

[11] Maron, R. C., Utikal, J. S., Hekler, A., Hauschild, A., Sattler, E., Sondermann, W., … & Brinker, T. J. (2020). Artificial intelligence and its effect on dermatologists’ accuracy in dermoscopic melanoma image classification: web-based survey study. Journal of Medical Internet Research, 22(9), e18091.

[12] Ayoub, N. F., Lee, Y. J., Grimm, D., & Divi, V. (2024). Head‐to‐head comparison of ChatGPT versus Google search for medical knowledge acquisition. Otolaryngology–Head and Neck Surgery, 170(6), 1484-1491.

[13] Dans E. La lógica de utilizar algoritmos en medicina. https://www.enriquedans.com/2024/07/la-logica-de-utilizar-algoritmos-en-medicina.html

Comparteix: