Watson non mordeu ao doutor, e moi ben

Aínda que, como en moitos outros campos, o entusiasmo por substituír os médicos pola IA diminuíu un pouco despois dunha serie de fallos diagnósticos, o traballo no desenvolvemento da medicina baseada na IA aínda está en curso. Porque, con todo, aínda ofrecen grandes oportunidades e unha oportunidade para mellorar a eficiencia das operacións en moitas das súas áreas.

IBM anunciouse en 2015 e en 2016 tivo acceso aos datos de catro grandes empresas de datos de pacientes (1). O máis famoso, grazas a numerosas reportaxes mediáticas, e ao mesmo tempo o proxecto máis ambicioso que utiliza intelixencia artificial avanzada de IBM estaba relacionado coa oncoloxía. Os científicos estiveron tentando utilizar os vastos recursos de datos para procesalos e convertelos en terapias contra o cancro ben adaptadas. O obxectivo a longo prazo era conseguir que Watson arbitrase ensaios clínicos e resultados como faría un médico.

1. Unha das visualizacións do sistema médico de Watson Health

Con todo, resultou que watson non pode facer referencia independente á literatura médica e tampouco pode extraer información dos rexistros médicos electrónicos dos pacientes. Porén, a acusación máis grave contra el foi esa fracaso para comparar eficazmente un paciente novo con outros pacientes con cancro de máis idade e detectar síntomas que son invisibles a primeira vista.

Había, certamente, algúns oncólogos que afirmaron ter confianza no seu xuízo, aínda que sobre todo en canto ás suxestións de Watson para tratamentos estándar, ou como unha opinión médica adicional. Moitos sinalaron que este sistema será un gran bibliotecario automatizado para os médicos.

Como resultado das críticas non moi halagadoras de IBM problemas coa venda do sistema Watson en institucións médicas estadounidenses. Os representantes de vendas de IBM conseguiron vendelo a algúns hospitais da India, Corea do Sur, Tailandia e outros países. Na India, os médicos () avaliaron as recomendacións de Watson para 638 casos de cancro de mama. A taxa de cumprimento das recomendacións de tratamento é do 73%. Peor watson abandonou no Centro Médico Gachon en Corea do Sur, onde as súas mellores recomendacións para 656 pacientes con cancro colorrectal coincidiron coas recomendacións de expertos só o 49 por cento das veces. Os médicos avaliárono A Watson non lle foi ben cos pacientes maioresao non ofrecerlles certos medicamentos estándar, e cometeu o erro crítico de realizar unha vixilancia agresiva do tratamento para algúns pacientes con enfermidade metastásica.

En definitiva, aínda que o seu traballo como diagnóstico e médico se considera infructuoso, hai áreas nas que demostrou ser extremadamente útil. Produto Watson para a xenómica, que foi desenvolvido en colaboración coa Universidade de Carolina do Norte, a Universidade de Yale e outras institucións, úsase laboratorios de xenética para a elaboración de informes para oncólogos. Lista de descargas de Watson mutacións xenéticas nun paciente e pode xerar un informe en minutos que inclúa suxestións para todos os fármacos e ensaios clínicos importantes. Watson manexa a información xenética con relativa facilidadeporque se presentan en ficheiros estruturados e non conteñen ambigüidades -ou hai unha mutación ou non hai mutación-.

Os socios de IBM da Universidade de Carolina do Norte publicaron un artigo sobre a eficiencia en 2017. Watson atopou mutacións potencialmente importantes que non foran identificadas por estudos en humanos no 32% delas. pacientes estudaron, converténdoos en bos candidatos para o novo medicamento. Non obstante, aínda non hai probas de que o uso conduza a mellores resultados do tratamento.

Domesticación de proteínas

Este e moitos outros exemplos contribúen á crenza crecente de que todas as deficiencias da sanidade están a ser abordadas, pero hai que buscar áreas nas que isto realmente poida axudar, porque a xente non está moi ben alí. Este campo é, por exemplo, investigación de proteínas. O ano pasado, xurdiu información de que podía predecir con precisión a forma das proteínas en función da súa secuencia (2). Esta é unha tarefa tradicional, máis aló do poder non só das persoas, senón incluso dos ordenadores poderosos. Se dominamos o modelado preciso da torsión das moléculas de proteínas, haberá enormes oportunidades para a terapia xénica. Os científicos esperan que coa axuda de AlphaFold estudemos as funcións de miles, e isto, á súa vez, permitiranos comprender as causas de moitas enfermidades.

Figura 2. Torsión de proteínas modelada con AlphaFold de DeepMind.

Agora coñecemos douscentos millóns de proteínas, pero entendemos perfectamente a estrutura e a función dunha pequena parte deles. Proteínas é o bloque básico dos organismos vivos. Son responsables da maioría dos procesos que ocorren nas células. Como funcionan e o que fan está determinado pola súa estrutura 50D. Adoptan a forma adecuada sen instrucións, guiados polas leis da física. Durante décadas, os métodos experimentais foron o principal método para determinar a forma das proteínas. Nos anos XNUMX, o uso Métodos cristalográficos de raios X. Na última década, converteuse na ferramenta de investigación preferida. microscopia de cristal. Nos anos 80 e 90 comezouse a traballar no uso de ordenadores para determinar a forma das proteínas. Non obstante, os resultados aínda non satisfaceron aos científicos. Os métodos que funcionaron para algunhas proteínas non funcionaron para outras.

Xa no 2018 AlphaFold recibiu o recoñecemento de expertos en modelado de proteínas. Porén, no seu momento utilizaba métodos moi similares a outros programas. Os científicos cambiaron de táctica e crearon outra, que tamén utilizaba información sobre as restricións físicas e xeométricas no pregamento das moléculas de proteínas. AlphaFold deu resultados desiguais. Ás veces facíao mellor, outras peor. Pero case dous terzos das súas predicións coincidiron cos resultados obtidos por métodos experimentais. A principios do ano 2, o algoritmo describiu a estrutura de varias proteínas do virus SARS-CoV-3. Máis tarde, comprobouse que as predicións para a proteína Orf2020a son consistentes cos resultados obtidos experimentalmente.

Non se trata só de estudar as formas internas de pregamento das proteínas, senón tamén de deseño. Os investigadores da iniciativa NIH BRAIN utilizaron aprendizaxe automática desenvolver unha proteína que pode seguir os niveis de serotonina no cerebro en tempo real. A serotonina é un neuroquímico que xoga un papel fundamental na forma en que o cerebro controla os nosos pensamentos e sentimentos. Por exemplo, moitos antidepresivos están deseñados para cambiar os sinais de serotonina que se transmiten entre as neuronas. Nun artigo da revista Cell, os científicos describiron como usan o avanzado métodos de enxeñería xenética converter unha proteína bacteriana nunha nova ferramenta de investigación que podería axudar a rastrexar a transmisión da serotonina con maior precisión que os métodos actuais. Os experimentos preclínicos, principalmente en ratos, demostraron que o sensor pode detectar instantáneamente cambios sutís nos niveis de serotonina cerebrais durante o sono, o medo e as interaccións sociais, e probar a eficacia de novas drogas psicoactivas.

A loita contra a pandemia non sempre foi exitosa

Despois de todo, esta foi a primeira epidemia sobre a que escribimos en MT. Non obstante, por exemplo, se falamos do propio proceso de desenvolvemento da pandemia, na fase inicial, a IA parecía ser un fracaso. Os estudosos queixáronse diso Intelixencia artificial non pode predicir correctamente o alcance da propagación do coronavirus baseándose en datos de epidemias anteriores. “Estas solucións funcionan ben nalgunhas áreas, como recoñecer caras que teñen un certo número de ollos e oídos. Epidemia de SARS-CoV-2 Son acontecementos descoñecidos ata agora e moitas variables novas, polo que a intelixencia artificial baseada nos datos históricos que se utilizou para adestrala non funciona ben. A pandemia demostrou que necesitamos buscar outras tecnoloxías e enfoques", dixo Maxim Fedorov de Skoltech nunha declaración de abril de 2020 aos medios rusos.

Co tempo houbo non obstante, algoritmos que parecen demostrar a gran utilidade da IA ​​na loita contra o COVID-19. Científicos dos Estados Unidos desenvolveron un sistema no outono de 2020 para recoñecer os patróns de tose característicos das persoas con COVID-19, aínda que non presentasen outros síntomas.

Cando apareceron as vacinas, naceu a idea de axudar a vacinar á poboación. Ela podería, por exemplo axudar a modelar o transporte e a loxística das vacinas. Tamén para determinar que poboacións deberían vacinarse primeiro para facer fronte á pandemia máis rápido. Tamén axudaría a prever a demanda e optimizar o momento e a velocidade da vacinación identificando rapidamente problemas e colos de botella na loxística. A combinación de algoritmos cun seguimento constante tamén pode proporcionar información rapidamente sobre posibles efectos secundarios e eventos de saúde.

estes sistemas que usan IA en optimizar e mellorar a asistencia sanitaria xa se coñecen. Apreciáronse as súas vantaxes prácticas; por exemplo, o sistema de saúde desenvolvido por Macro-Eyes na Universidade de Stanford en EE. Como ocorre con moitas outras institucións médicas, o problema era a falta de pacientes que non acudían ás citas. Macro Ollos construíu un sistema que podería predecir de forma fiable que pacientes non era probable que estean alí. Nalgunhas situacións, tamén podería suxerir horarios e lugares alternativos para as clínicas, o que aumentaría as posibilidades de que un paciente apareza. Máis tarde, aplicouse tecnoloxía similar en varios lugares desde Arkansas ata Nixeria con apoio, en particular, a Axencia de Desenvolvemento Internacional dos EUA i.

En Tanzania, Macro-Eyes traballou nun proxecto dirixido aumento das taxas de inmunización infantil. O software analizou cantas doses de vacinas debían enviarse a un determinado centro de vacinación. Tamén puido avaliar cales son as familias que poderían ser reticentes a vacinar aos seus fillos, pero podían convencerse con argumentos axeitados e a localización dun centro de vacinación nun lugar conveniente. Usando este software, o goberno de Tanzania puido aumentar a eficacia do seu programa de inmunización nun 96%. e reducir os residuos de vacinas a 2,42 por 100 persoas.

En Serra Leoa, onde faltaban os datos de saúde dos residentes, a empresa intentou relacionalo con información sobre educación. Resultou que só o número de profesores e os seus alumnos era suficiente para prever o 70 por cento. a precisión de se a clínica local ten acceso a auga potable, que xa é unha pegada de datos sobre a saúde das persoas que viven alí (3).

3. Ilustración de Macro-Eyes de programas de saúde impulsados ​​pola IA en África.

O mito do médico da máquina non desaparece

A pesar dos fracasos Watson aínda se están a desenvolver novos enfoques diagnósticos que considéranse cada vez máis avanzados. Comparación feita en Suecia en setembro de 2020. usado no diagnóstico por imaxe do cancro de mama demostrou que o mellor deles funciona do mesmo xeito que un radiólogo. Os algoritmos foron probados usando case nove mil imaxes de mamografía obtidas durante a selección de rutina. Tres sistemas, designados como AI-1, AI-2 e AI-3, acadaron unha precisión do 81,9%, 67%. e 67,4%. A modo de comparación, para os radiólogos que interpretan estas imaxes como as primeiras, esta cifra foi do 77,4%, e no caso de radiólogosquen foi o segundo en describilo, foi o 80,1 por cento. O mellor dos algoritmos tamén foi capaz de detectar casos que os radiólogos ignoraron durante a detección e as mulleres foron diagnosticadas como enfermas en menos dun ano.

Segundo os investigadores, estes resultados demostran iso algoritmos de intelixencia artificial axuda a corrixir os diagnósticos falsos negativos realizados polos radiólogos. A combinación das capacidades da AI-1 cun radiólogo medio aumentou o número de cancros de mama detectados nun 8%. O equipo do Royal Institute detrás deste estudo espera que a calidade dos algoritmos de IA continúe mellorando. Unha descrición completa do experimento publicouse en JAMA Oncology.

W nunha escala de cinco puntos. Na actualidade, asistimos a unha aceleración tecnolóxica importante e acadando o nivel IV (alta automatización), cando o sistema procesa de forma independente os datos recibidos e proporciona ao especialista información previamente analizada. Isto aforra tempo, evita erros humanos e proporciona unha atención máis eficiente ao paciente. Iso xulgou hai uns meses Stan A.I. no campo da medicina próximo a el, o prof. Janusz Braziewicz da Sociedade Polaca de Medicina Nuclear nunha declaración á Axencia de Prensa Polaca.

4. Visualización automática de imaxes médicas

Algoritmos, segundo expertos como o prof. Brazievichmesmo indispensable nesta industria. A razón é o rápido aumento do número de probas de diagnóstico por imaxe. Só para o período 2000-2010. o número de exames e exames de resonancia magnética multiplicouse por dez. Desafortunadamente, o número de médicos especialistas dispoñibles que poderían levalos a cabo de forma rápida e fiable non aumentou. Tamén hai escaseza de técnicos cualificados. A implementación de algoritmos baseados en IA permite aforrar tempo e permite unha estandarización total dos procedementos, ademais de evitar erros humanos e tratamentos máis eficientes e personalizados para os pacientes.

Como se viu, tamén Medicina Legal pode beneficiarse desenvolvemento da intelixencia artificial. Os especialistas neste campo poden determinar o momento exacto da morte do falecido mediante a análise química das secrecións dos vermes e outras criaturas que se alimentan de tecidos mortos. Un problema xorde cando se inclúen na análise mesturas de secrecións de distintos tipos de necrófagos. Aquí é onde entra en xogo a aprendizaxe automática. Desenvolvéronse científicos da Universidade de Albany un método de intelixencia artificial que permite unha identificación máis rápida das especies de vermes baseándose nas súas "pegadas dixitais químicas". O equipo adestrou o seu programa informático utilizando mesturas de diferentes combinacións de secrecións químicas de seis especies de mosca. Descifrou as sinaturas químicas das larvas de insectos mediante espectrometría de masas, que identifica produtos químicos medindo con precisión a relación entre a masa e a carga eléctrica dun ión.

Entón, como podes ver, con todo AI como detective de investigación non moi bo, pode ser moi útil nun laboratorio forense. Quizais esperábamos demasiado dela nesta fase, anticipando algoritmos que deixarían aos médicos sen traballo (5). Cando miramos Intelixencia artificial de forma máis realista, centrándose en beneficios prácticos específicos máis que no xeral, a súa carreira en medicina volve ser moi prometedora.

5. Visión do coche do médico