Inteligencia Artificial (IA) en el cuidado de la diabetes
La Inteligencia Artificial (IA) puede sonar como algo del futuro, pero ya está a nuestro alrededor y tiene el potencial de utilizarse para mejorar la atención sanitaria, el día de hoy vamos a ver la potencialidad en un campo específico, como la diabetes mellitus.
La Federación Internacional de Diabetes estima que hay 425 millones de personas con diagnóstico de diabetes en todo el mundo, esta cifra sitúa a la diabetes como una pandemia, con implicaciones como representar el 12 % de los gastos sanitarios del mundo, sin embargo, 1 de cada 2 personas sigue sin ser diagnosticada ni tratada (1).
La diabetes mellitus comprende a un conjunto de enfermedades de diferentes patologías, caracterizada por alteraciones en el control interno de la glucosa del cuerpo. (2) La obesidad y un estilo de vida sedentario ha impulsado el aumento en el número de casos de diabetes mellitus tipo 2. Los niños que nacen con diabetes mellitus tipo 1, en la que el cuerpo no puede producir insulina o el desarrollo de diabetes gestacional, pueden requerir terapia con insulina (2).
En los Estados Unidos, la diabetes es la principal causa de insuficiencia renal, amputaciones de extremidades inferiores, ceguera en adultos y casi duplica el riesgo de ataque cardíaco y mortalidad por todas las causas, lo que lleva a hospitalización, complicaciones a largo plazo y costos más altos. (3)
La IA inicialmente surgió como un intento para que una máquina emulara las capacidades cognoscitivas humanas, sin embargo, por los requerimiento en poder computacional y los desarrollos en programación se dieron pobres resultados, lo cual sumió esta rama de la ciencia computacional en el llamado invierno de la IA, sin embargo, con el cambio de enfoque, en el cual se concentró en la generación de algoritmos para la realización de tareas específicas, denominadas inteligencia artificial estrecha, que es un campo de rápido crecimiento en salud. Uno de los tipos de IA estrecha es el aprendizaje automático, que se ha utilizado para construir soluciones informáticas con utilidades tales como modelos predictivos del riesgo de desarrollar diabetes o sus complicaciones.
La IA introducirá un cambio de paradigma en la atención de la diabetes desde las estrategias de gestión convencionales hasta la creación de una atención de precisión basada en datos específicos a través de la combinación de metodologías de inteligencia artificial y tecnologías como dispositivos médicos, dispositivos portátiles, biosensores, que podrían permitir el desarrollo y la implementación de mejores servicios de gestión de enfermedades crónicas, la prevención y manejo óptimo de la diabetes y sus complicaciones.
La IA tiene utilidades como el manejo de los datos y la big data a través de la ciencia de datos, el soporte al razonamiento clínico y la educación; y dentro de estas hay cuatro campos principales de aplicación en la atención de la diabetes: detección automatizada de retinopatía, apoyo a las decisiones clínicas (diagóstico y tratamiento), estratificación predictiva del riesgo de la población y herramientas de autogestión de pacientes.
Históricamente los pacientes con diabetes no han tenido el poder de acceder ni interactuar con sus datos relacionados con la diabetes, pero esto está cambiando en los últimos años, gracias al desarrollo de nuevos dispositivos o evolución de versiones previas, dispositivos que usan cada vez más software impulsado por algoritmos de IA/ML. Estos componentes han ido facilitando un diagnóstico y tratamiento más personalizado, incluyendo la predicción de la respuesta a las comidas y actividad, por ejemplo, el monitoreo de glucémico asociado a la bomba de infusión de insulina.
El funcionamiento de estos dispostivos tienen implicaciones en la salud humano, por lo cual se requiere un cambio en los marcos regulatorios tradicionales, pero los cambios rápidos en los dispositivos basados en algoritmos, adicionalemnte justifica la actualización frecuente de regulaciones para la prevención del daño, favorecer los mejores desenlaces y prevenir el empeoramiento de las inequidades.
Para abordar este problema, la FDA publicó un borrador de documento de discusión en 2019 que describe un marco regulatorio actualizado que permite a los fabricantes realizar cambios previamente acordados en un algoritmo sin requerir una nueva presentación regulatoria (5).
Hay evidencia de una aceleración de la actividad de investigación destinada a desarrollar herramientas impulsadas por inteligencia artificial para la predicción y prevención de complicaciones asociadas con la diabetes. Los resultados indican que los métodos de inteligencia artificial se están consolidando progresivamente como adecuados para su uso en la práctica clínica diaria, así como para el autocontrol de la diabetes. En consecuencia, estos métodos proporcionan herramientas poderosas para mejorar la calidad de vida de los pacientes.
Gráfico No.1. Artículos publicados por año, entre 2017 y 2022.
Gráfico No. 2. Terminos de busqueda artificial intelligence diabetes en https://pubmed.ncbi.nlm.nih.gov/ del 1 de enero del 2017 al 20 de septiembre del 2022
La búsqueda en PubMed arrojó un total de 450 artículos clínicamente relevantes y de alto impacto publicados en la última década relacionados con el campo de la IA aplicada en el cuidado de la diabetes. Los artículos publicados incluidos en esta búsqueda tuvieron un alto impacto clínico en el sentido de que buscaban producir y probar enfoques de IA que pudieran tener un impacto significativo en la atención de la diabetes en las áreas de acceso, precisión, eficiencia, asequibilidad, velocidad y satisfacción de pacientes, médicos y cuidadores.
Tabla 1. Categorización de la Inteligencia Artificial y el cuidado de la diabetes.
Tabla 2. Enfoques comunes de inteligencia artificial utilizados en el cuidado de la diabetes
Método | Cómo funciona | Fortalezas | Limitaciones | Área de aplicación |
Perceptrón multicapa | Compuesto por neuronas en capa de entrada, capa de salida y múltiples capas ocultas. Las neuronas de cada capa están conectadas con todas las neuronas de la siguiente capa, lo que hace que cada capa esté completamente conectada con la siguiente. Aprende por el método de «propagación hacia atrás» | Puede modelar relaciones no lineales complejas | Se debe estimar una mayor cantidad de parámetros sin convolución Menos efectivo que muchos otros modelos profundos | Modelos de predicción, herramientas de autogestión del paciente |
Red neuronal convolucional (CNN) | Compuesto de múltiples capas de neuronas con la capa de convolución que tiene neuronas que miran pequeños parches de la imagen de entrada a la vez, como un filtro, y se convolucionan en toda la imagen de entrada y comparten parámetros en toda la imagen. Aprende por el método de «propagación hacia atrás» Cada capa de la CNN detecta la presencia de características específicas en el espacio, detectando más características de alto nivel a medida que avanza | Puede modelar relaciones no lineales complejas Ideal para imagen, audio, video | Requiere una gran cantidad de datos para entrenar Computacionalmente intensivo Muchos parámetros requieren un ajuste fino mientras se entrena el modelo | Cribado de retina |
Bosque aleatorio | Crea un conjunto de árboles de decisión . En cada árbol, se considera un conjunto aleatorio de características para determinar los nodos raíz y las divisiones. | Fácil de ajustar, generalmente produce un buen rendimiento Se puede usar tanto para problemas de clasificación como de regresión Puede medir fácilmente la importancia relativa de las características Robusto frente a valores atípicos y evita el sobreajuste, dado un tamaño de muestra suficiente | Puede ser lento en la predicción Solo aplicable para resultados discretos: si el resultado es continuo, debe categorizarse Difícil de interpretar | Detección de retina, apoyo a la toma de decisiones, modelos de predicción, herramientas de autogestión del paciente |
Lógica difusa/sistema difuso | Proporciona un valor de probabilidad entre 0 y 1 en lugar de una decisión determinista (0 o 1) para pertenecer a una determinada clase | Se asemeja al razonamiento humano Alta interpretabilidad Reglas fáciles de modificar No requiere grandes cantidades de datos | Requiere una curaduría experta de reglas | Detección de retina, apoyo a la toma de decisiones, sensores y páncreas artificial |
Máquina de vectores de soporte (SVM) | Método de clasificación para resultados binarios (no se usa a menudo para problemas multiclase, pero existen técnicas para SVM multiclase) Funciona agregando datos a un espacio de alta dimensión y encuentra un hiperplano que separa mejor 2 clases (que maximiza la distancia entre el plano y los datos cercanos puntos o margen) | Funciona bien en límites de decisión no lineales Robusto contra el sobreajuste | No se adapta bien a datos grandes Difícil de interpretar | Detección de retina, apoyo a la toma de decisiones, modelos de predicción, herramientas de autogestión del paciente |
Regresión logística | Método de clasificación para resultados binarios Predice la probabilidad de un resultado (0 o 1) en función de las características Aprende los coeficientes del modelo por estimación de máxima verosimilitud Encuentra una línea o hiperplano que mejor representa los puntos de datos | Fácil de instalar, eficiente y escalable Compatible con la mayoría del software estándar Puede obtener la probabilidad del resultado, lo que puede ser útil | Solo clasificación binaria Puede ser sensible a valores atípicos Requiere transformación de características no lineales | Modelos de predicción |
Procesamiento natural del lenguaje | Herramientas y métodos computacionales para procesar, analizar y realizar inferencias de lenguajes humanos | Crítico en la construcción de máquinas inteligentes e interacciones entre humanos y computadoras. Puede procesar y analizar información de texto libre, como notas médicas electrónicas. | Por lo general, requiere una gran cantidad de registros anotados por humanos para entrenar | Modelos de predicción |
Algoritmo de vecinos más cercanos K | Categoriza los datos de entrada en varias clases usando sus k vecinos más cercanos | No hace suposiciones sobre la distribución subyacente Se puede usar tanto para problemas de clasificación como de regresión Fácil de entender e implementar | Computacionalmente intensivo Sensible a valores atípicos o datos localizados | Detección de retina, apoyo a la toma de decisiones, modelos de predicción, herramientas de autogestión del paciente |
Esta tecnología ha llegado para quedarse, y esto es debido a que tiene un sinfín de posibilidades y que puede aplicarse en la práctica clínica facilitando la toma de decisiones en el día a día de los profesionales de la salud.
En el caso que nos ocupa, nos interesa ver las posibilidades que la inteligencia artificial tiene dentro del campo de la medicina, y más concretamente en sus posibles aplicaciones en el control y gestión de la diabetes.
En las próximas columnas abordaremos revisión y casos de uso exitosos de las diferentes categorías de la IA enumeradas en la tabla 1 y los enfoques más comunes de IA referidos en la tabla 2.
Bibliografia
- Federación Internacional de Diabetes (FID). Atlas de diabetes de la FID , 7ª edición. Bruselas, Bélgica: Federación Internacional de Diabetes, 2015 https://scholar.google.com/scholar?q=+International+Diabetes+Federation+(IDF)+.++IDF+diabetes+atlas+,++7th++edition.++Brussels,+Belgium+:++International+Diabetes+Federation+,++2015+
- Liu J, Wang R, Ganz ML, Paprocki Y, Schneider D, Weatherall J. La carga de la hipoglucemia grave en la diabetes tipo 2 . Curr Med Res Opinión 2018; 34 :179–186 https://www.tandfonline.com/doi/abs/10.1080/03007995.2017.1391080?journalCode=icmo20
- Centros para el Control y la Prevención de Enfermedades. Estimaciones de la diabetes y su carga en los Estados Unidos . Washington, DC: Departamento de Salud y Servicios Humanos de EE. UU., 2017: 1–20 https://scholar.google.com/scholar?q=+Centers+for+Disease+Control+and+Prevention+.++Estimates+of+diabetes+and+its+burden+in+the+United+States+.++Washington,+DC+:++US+Department+of+Health+and+Human+Services+,++2017+:+1+%E2%80%93+20
- Dankwa-Mullan I., Rivo M., Sepulveda M., Park Y., Snowdon J., Rhee K. Transformando el cuidado de la diabetes a través de la inteligencia artificial: el futuro está aquí. Población Gerencia de Salud 2019; 22 :229–242. doi: 10.1089/pop.2018.0129 https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6555175/
- Administración de Drogas y Alimentos de los Estados Unidos. Marco normativo propuesto para las modificaciones del software basado en inteligencia artificial/aprendizaje automático como dispositivo médico . Publicado en línea en abril de 2019. Consultado el 14 de abril de 2021. https://www.fda.gov/media/122535/download