Watson no va mossegar el metge, i molt bé

Tot i que, com en molts altres camps, l'entusiasme per substituir els metges per IA ha disminuït una mica després d'una sèrie de fracassos diagnòstics, el treball en el desenvolupament de la medicina basada en la IA encara està en curs. Perquè, tanmateix, encara ofereixen grans oportunitats i una oportunitat per millorar l'eficiència de les operacions en moltes de les seves àrees.

IBM es va anunciar el 2015 i el 2016 va tenir accés a les dades de quatre grans empreses de dades de pacients (1). El més famós, gràcies a nombrosos reportatges als mitjans, i alhora el projecte més ambiciós que utilitzava intel·ligència artificial avançada d'IBM estava relacionat amb l'oncologia. Els científics han intentat utilitzar els immensos recursos de dades per processar-les i convertir-les en teràpies contra el càncer ben adaptades. L'objectiu a llarg termini era aconseguir que Watson arbitraria assaigs clínics i resultats com ho faria un metge.

1. Una de les visualitzacions del sistema mèdic Watson Health

No obstant això, va resultar que Watson no pot fer referència independentment a la literatura mèdica i tampoc no pot extreure informació de les històries clíniques electròniques dels pacients. Tanmateix, l'acusació més greu contra ell va ser aquesta incapacitat per comparar eficaçment un nou pacient amb altres pacients antics amb càncer i detectar símptomes invisibles a primera vista.

Certament, hi va haver alguns oncòlegs que van afirmar tenir confiança en el seu judici, encara que sobretot pel que fa als suggeriments de Watson per als tractaments estàndard, o com a opinió mèdica addicional. Molts han assenyalat que aquest sistema serà un gran bibliotecari automatitzat per als metges.

Com a resultat de les ressenyes no gaire afavorides d'IBM problemes amb la venda del sistema Watson a les institucions mèdiques dels EUA. Els representants de vendes d'IBM van aconseguir vendre'l a alguns hospitals de l'Índia, Corea del Sud, Tailàndia i altres països. A l'Índia, els metges () van avaluar les recomanacions de Watson per a 638 casos de càncer de mama. La taxa de compliment de les recomanacions de tractament és del 73%. Pitjor Watson va abandonar el centre mèdic Gachon a Corea del Sud, on les seves millors recomanacions per a 656 pacients amb càncer colorectal coincidien amb les recomanacions dels experts només el 49 per cent del temps. Els metges ho han valorat A Watson no li va anar bé amb els pacients gransen no oferir-los certs medicaments estàndard, i va cometre l'error crític de dur a terme una vigilància agressiva del tractament per a alguns pacients amb malaltia metastàtica.

En última instància, tot i que la seva tasca com a diagnòstic i metge es considera infructuosa, hi ha àrees en què va demostrar ser extremadament útil. Producte Watson per a la genòmica, que es va desenvolupar en col·laboració amb la Universitat de Carolina del Nord, la Universitat de Yale i altres institucions, s'utilitza laboratoris genètics per a l'elaboració d'informes per a oncòlegs. Watson baixa un fitxer de llista mutacions genètiques en un pacient i pot generar un informe en minuts que inclou suggeriments per a tots els fàrmacs i assaigs clínics importants. Watson maneja la informació genètica amb relativa facilitatperquè es presenten en fitxers estructurats i no contenen ambigüitats -o hi ha una mutació o no hi ha mutació-.

Els socis d'IBM de la Universitat de Carolina del Nord van publicar un article sobre l'eficiència el 2017. Watson va trobar mutacions potencialment importants que no havien estat identificades per estudis humans en el 32% d'elles. pacients estudiats, fet que els converteix en bons candidats per al nou fàrmac. Tanmateix, encara no hi ha evidència que l'ús condueixi a millors resultats del tractament.

Domesticació de proteïnes

Aquest i molts altres exemples contribueixen a la creixent creença que s'estan solucionant totes les deficiències en l'assistència sanitària, però hem de buscar àrees on això realment pugui ajudar, perquè la gent no hi està molt bé. Aquest camp és, per exemple, recerca de proteïnes. L'any passat, va sorgir informació que podria predir amb precisió la forma de les proteïnes en funció de la seva seqüència (2). Aquesta és una tasca tradicional, més enllà del poder no només de les persones, sinó fins i tot d'ordinadors potents. Si dominem el modelatge precís de la torsió de les molècules de proteïnes, hi haurà grans oportunitats per a la teràpia gènica. Els científics esperen que amb l'ajuda d'AlphaFold estudiarem les funcions de milers, i això, al seu torn, ens permetrà entendre les causes de moltes malalties.

Figura 2. Torsió de proteïnes modelada amb AlphaFold de DeepMind.

Ara coneixem dos-cents milions de proteïnes, però entenem perfectament l'estructura i la funció d'una petita part d'ells. Proteïnes és el bloc bàsic dels organismes vius. Són els responsables de la majoria dels processos que tenen lloc a les cèl·lules. Com funcionen i què fan està determinat per la seva estructura 50D. Prenen la forma adequada sense cap instrucció, guiats per les lleis de la física. Durant dècades, els mètodes experimentals han estat el principal mètode per determinar la forma de les proteïnes. A la dècada dels XNUMX, l'ús Mètodes cristal·logràfics de raigs X. En l'última dècada, s'ha convertit en l'eina de recerca preferida. microscòpia de cristall. Als anys 80 i 90 es va començar a treballar per utilitzar ordinadors per determinar la forma de les proteïnes. Tanmateix, els resultats encara no van satisfer els científics. Els mètodes que van funcionar per a algunes proteïnes no van funcionar per a altres.

Ja el 2018 AlphaFold va rebre el reconeixement d'experts en modelització de proteïnes. No obstant això, en el seu moment utilitzava mètodes molt semblants als altres programes. Els científics van canviar de tàctica i en van crear una altra, que també utilitzava informació sobre les restriccions físiques i geomètriques en el plegament de les molècules de proteïnes. AlphaFold va donar resultats desiguals. De vegades ho va fer millor, de vegades pitjor. Però gairebé dos terços de les seves prediccions van coincidir amb els resultats obtinguts per mètodes experimentals. A principis de l'any 2, l'algoritme va descriure l'estructura de diverses proteïnes del virus SARS-CoV-3. Més tard, es va trobar que les prediccions de la proteïna Orf2020a són coherents amb els resultats obtinguts experimentalment.

No es tracta només d'estudiar les maneres internes de plegar proteïnes, sinó també de disseny. Els investigadors de la iniciativa NIH BRAIN van utilitzar aprenentatge automàtic desenvolupar una proteïna que pot fer un seguiment dels nivells de serotonina cerebral en temps real. La serotonina és un neuroquímic que juga un paper clau en com el cervell controla els nostres pensaments i sentiments. Per exemple, molts antidepressius estan dissenyats per canviar els senyals de serotonina que es transmeten entre les neurones. En un article de la revista Cell, els científics van descriure com s'utilitzen avançats mètodes d'enginyeria genètica convertir una proteïna bacteriana en una nova eina d'investigació que podria ajudar a fer un seguiment de la transmissió de la serotonina amb més precisió que els mètodes actuals. Els experiments preclínics, principalment en ratolins, han demostrat que el sensor pot detectar instantàniament canvis subtils en els nivells de serotonina cerebral durant el son, la por i les interaccions socials, i provar l'eficàcia de nous fàrmacs psicoactius.

La lluita contra la pandèmia no sempre ha tingut èxit

Després de tot, aquesta va ser la primera epidèmia de la qual vam escriure a MT. Tanmateix, per exemple, si parlem del procés mateix de desenvolupament de la pandèmia, a l'etapa inicial, la IA semblava ser una mica un fracàs. Els estudiosos s'han queixat d'això Intel · ligència artificial no pot predir correctament l'abast de la propagació del coronavirus a partir de dades d'epidèmies anteriors. “Aquestes solucions funcionen bé en algunes àrees, com ara el reconeixement de cares que tenen un cert nombre d'ulls i orelles. Epidèmia SARS-CoV-2 Es tracta d'esdeveniments desconeguts anteriorment i de moltes variables noves, de manera que la intel·ligència artificial basada en les dades històriques que es va utilitzar per entrenar-la no funciona bé. La pandèmia ha demostrat que hem de buscar altres tecnologies i enfocaments", va dir Maxim Fedorov de Skoltech l'abril del 2020 en una declaració als mitjans russos.

Amb el temps n'hi havia tanmateix algorismes que semblen demostrar la gran utilitat de la IA en la lluita contra la COVID-19. Científics dels EUA van desenvolupar un sistema a la tardor del 2020 per reconèixer els patrons de tos característics en persones amb COVID-19, fins i tot si no tenien altres símptomes.

Quan van aparèixer les vacunes, va néixer la idea d'ajudar a vacunar la població. Ella podria, per exemple ajudar a modelar el transport i la logística de les vacunes. També per determinar quines poblacions s'han de vacunar primer per fer front a la pandèmia més ràpidament. També ajudaria a preveure la demanda i optimitzar el moment i la velocitat de la vacunació identificant ràpidament problemes i colls d'ampolla en la logística. La combinació d'algorismes amb un seguiment constant també pot proporcionar informació ràpidament sobre possibles efectes secundaris i esdeveniments de salut.

aquests sistemes que utilitzen IA en optimitzar i millorar l'assistència sanitària ja són coneguts. Es van apreciar els seus avantatges pràctics; per exemple, el sistema sanitari desenvolupat per Macro-Eyes a la Universitat de Stanford als EUA. Com passa amb moltes altres institucions mèdiques, el problema era la manca de pacients que no es presentaven a les cites. Macro Ulls va crear un sistema que pogués predir de manera fiable quins pacients no era probable que hi fossin. En algunes situacions, també podria suggerir horaris i llocs alternatius per a les clíniques, la qual cosa augmentaria les possibilitats que un pacient aparegués. Més tard, es va aplicar una tecnologia similar en diversos llocs des d'Arkansas fins a Nigèria amb el suport, en particular, de l'Agència dels EUA per al Desenvolupament Internacional i.

A Tanzània, Macro-Eyes va treballar en un projecte dirigit augmentant les taxes de vacunació infantil. El programari va analitzar quantes dosis de vacunes s'havien d'enviar a un centre de vacunació determinat. També va poder avaluar quines famílies podrien ser reticents a vacunar els seus fills, però es va poder convèncer amb els arguments adequats i la ubicació d'un centre de vacunació en un lloc convenient. Amb aquest programari, el govern de Tanzània ha estat capaç d'augmentar l'efectivitat del seu programa d'immunització en un 96%. i reduir els residus de vacunes a 2,42 per cada 100 persones.

A Sierra Leone, on faltaven les dades de salut dels residents, l'empresa va intentar relacionar-les amb informació sobre educació. Va resultar que només el nombre de professors i els seus alumnes era suficient per predir el 70 per cent. la precisió de si la clínica local té accés a aigua neta, que ja és una petjada de dades sobre la salut de les persones que hi viuen (3).

3. Il·lustració Macro-Eyes de programes de salut impulsats per IA a Àfrica.

El mite del metge de la màquina no desapareix

Malgrat els fracassos Watson Encara s'estan desenvolupant nous enfocaments diagnòstics que es consideren cada cop més avançats. Comparació feta a Suècia el setembre de 2020. utilitzat en el diagnòstic per imatge del càncer de mama va demostrar que el millor d'ells funciona de la mateixa manera que un radiòleg. Els algorismes s'han provat utilitzant prop de nou mil imatges mamogràfiques obtingudes durant el cribratge de rutina. Tres sistemes, designats com AI-1, AI-2 i AI-3, van aconseguir una precisió del 81,9%, 67%. i el 67,4%. Per comparació, per als radiòlegs que interpreten aquestes imatges com a primeres, aquesta xifra va ser del 77,4%, i en el cas de radiòlegsqui va ser el segon a descriure-ho, va ser del 80,1 per cent. El millor dels algorismes també va ser capaç de detectar casos que els radiòlegs van perdre durant el cribratge, i les dones van ser diagnosticades com a malaltes en menys d'un any.

Segons els investigadors, aquests resultats ho demostren algorismes d'intel·ligència artificial ajudar a corregir els diagnòstics falsos negatius fets pels radiòlegs. La combinació de les capacitats de l'AI-1 amb un radiòleg mitjà va augmentar el nombre de càncers de mama detectats en un 8%. L'equip del Royal Institute darrere d'aquest estudi espera que la qualitat dels algorismes d'IA continuï millorant. Una descripció completa de l'experiment es va publicar a JAMA Oncology.

W en una escala de cinc punts. Actualment assistim a una acceleració tecnològica important i arribem al nivell IV (alta automatització), quan el sistema processa de manera autònoma automàticament les dades rebudes i proporciona a l'especialista informació prèviament analitzada. Això estalvia temps, evita errors humans i proporciona una atenció al pacient més eficient. Això és el que va jutjar fa uns mesos Stan A.I. en l'àmbit de la medicina proper a ell, el prof. Janusz Braziewicz de la Societat Polonesa de Medicina Nuclear en una declaració a l'Agència de Premsa Polonesa.

4. Visualització automàtica d'imatges mèdiques

Els algorismes, segons experts com el prof. Brazievitxfins i tot indispensable en aquesta indústria. El motiu és el ràpid augment del nombre de proves de diagnòstic per imatge. Només per al període 2000-2010. el nombre d'exàmens i exàmens de ressonància magnètica s'ha multiplicat per deu. Malauradament, no ha augmentat el nombre de metges especialistes disponibles que podrien dur-los a terme de manera ràpida i fiable. També hi ha escassetat de tècnics qualificats. La implementació d'algoritmes basats en IA estalvia temps i permet una estandardització total dels procediments, així com evitar errors humans i tractaments més eficients i personalitzats per als pacients.

Com va resultar, també Medicina forense es pot beneficiar desenvolupament de la intel·ligència artificial. Els especialistes en aquest camp poden determinar l'hora exacta de la mort del difunt mitjançant l'anàlisi química de les secrecions de cucs i altres criatures que s'alimenten de teixits morts. Sorgeix un problema quan s'inclouen en l'anàlisi barreges de secrecions de diferents tipus de necròfags. Aquí és on entra en joc l'aprenentatge automàtic. S'han desenvolupat científics de la Universitat d'Albany un mètode d'intel·ligència artificial que permet una identificació més ràpida de les espècies de cucs basant-se en les seves "empremtes dactilars químiques". L'equip va entrenar el seu programa informàtic utilitzant barreges de diferents combinacions de secrecions químiques de sis espècies de mosques. Va desxifrar les signatures químiques de les larves d'insectes mitjançant espectrometria de masses, que identifica els productes químics mesurant amb precisió la relació entre la massa i la càrrega elèctrica d'un ió.

Per tant, com podeu veure, però La IA com a detectiu d'investigació no molt bo, pot ser molt útil en un laboratori forense. Potser esperàvem massa d'ella en aquesta etapa, anticipant algorismes que deixarien els metges sense feina (5). Quan mirem Intel · ligència artificial De manera més realista, centrant-se en beneficis pràctics específics més que en els generals, la seva carrera en medicina torna a semblar molt prometedora.

5. Visió del cotxe del metge