Cómo los vendedores de IA pueden navegar por el sector de la salud

La IA tiene el potencial de mejorar significativamente la calidad y el coste de la atención médica. Sin embargo, a medida que las empresas diseñan nuevas ofertas, deben tener en cuenta los obstáculos con los que se encontrarán para persuadir a los clientes, los reguladores y los pagadores de que acepten sus ofertas. Este artículo identifica esos obstáculos y cómo tipos específicos de modelos de negocio pueden superarlos.

••• La adopción de la IA en el cuidado de la salud se ve impulsada por el crecimiento exponencial de los datos de salud, la amplia disponibilidad de la potencia computacional y los avances fundamentales en las técnicas de aprendizaje automático. La IA ya ha demostrado la[potencial de crear valor](/2018/05/10-promising-ai-applications-in-health-care) reduciendo los costes, ampliando el acceso y mejorando la calidad. Pero para que la IA dé cuenta de su potencial transformador a gran escala, sus proponentes necesitan[modelos de negocio](/2013/05/a-better-way-to-think-about-yo) optimizado para captar mejor ese valor. AI[cambia las reglas del negocio](/2020/01/competing-in-the-age-of-ai) y, como siempre, hay algunas consideraciones únicas en el cuidado de la salud. Para entenderlas, estudiamos[La IA en 15 conjuntos de casos de uso](https://reconstrategy.com/wp-content/uploads/2021/03/2019-AI-in-Healthcare-Where-AI-Meets-Clinical-Care-Whitepaper-Part-II.pdf). Abarcan cinco dominios de la atención médica (participación de los pacientes, prestación de cuidados, salud de la población, I+D y administración) y cubren tres tipos de funciones (medir, decidir y ejecutar). Basándonos en nuestra experiencia en el desarrollo de estrategias para las empresas de salud y ciencias de la vida y sus proveedores de tecnología (Nikhil) y en la creación de un servicio basado en la IA para las aseguradoras de salud (Trishan), identificamos seis factores críticos y las adaptaciones necesarias en el modelo de negocio que las empresas (tanto las vendedoras como los usuarios de IA) necesitan para tener éxito en el cuidado de la salud. ## 1. Abordar la aversión de los clientes al riesgo El fracaso en la atención médica es caro. Por lo tanto, los usuarios de soluciones de IA en el cuidado de la salud son más reacios al riesgo que sus homólogos de otros sectores. Necesitan más pruebas antes de lanzar las aplicaciones de IA. Esto supone una carga para el desarrollo de productos, prolonga los ciclos de venta y reduce las tasas de adopción. Las empresas pueden evitar estos problemas mediante el despliegue de modelos de negocio que compartan el riesgo a la baja de sus soluciones de IA. En la I+D biofarmacéutica, por ejemplo, el fracaso de los fármacos en los ensayos clínicos es caro y hace subir el coste medio del desarrollo de nuevos medicamentos. Por eso, las empresas desconfían naturalmente de los nuevos enfoques.[Exscientia](https://www.exscientia.ai/), que es la empresa de tecnología farmacéutica detrás del [las dos primeras moléculas diseñadas por la IA presentadas a ensayos en humanos](https://www.europeanpharmaceuticalreview.com/news/150456/first-ai-designed-immuno-oncology-drug-enters-human-trials/), aborda este problema mediante la firma de acuerdos de desarrollo conjunto con sus clientes farmacéuticos, es decir, vincular la cantidad que se le paga al éxito de sus moléculas en el futuro. Este modelo de negocio significa que Exscientia asume una parte importante del riesgo y está más cerca de los utilizados por las firmas tradicionales de descubrimiento de fármacos que de modelos de negocio tecnológicos como [Software como servicio (SaaS)](https://www.salesforce.com/in/saas/). Si bien el modelo de negocio de Exscientia requiere más capital inicial que los enfoques basados en comisiones, permite a la empresa obtener más beneficios cuando un medicamento tiene éxito. Los sistemas de salud y los pagadores también desconfían de la avalancha de propuestas que reciben de los vendedores de IA y se muestran reacios a lanzarlos a toda máquina. En cambio, suelen iniciar proyectos piloto con estos proveedores, lo que crea un dilema: el éxito de la IA depende del análisis de los datos a escala, pero los pilotos, por definición, son a subescala. Para abordar este desafío y acelerar la adopción, los proveedores de IA deben abordar esta aversión al riesgo a través de su modelo de negocio. Como mínimo, tienen que estar dispuestos a poner en riesgo sus comisiones para demostrar que tienen al menos algo de piel en el juego, e idealmente también deberían estar dispuestos y ser capaces de soportar un golpe financiero si su producto no cumple lo prometido. Sin embargo, a medida que su solución madure, será menos necesario fijar precios en riesgo para cerrar una venta, pero los vendedores cuyas soluciones tengan un historial comprobado deberían considerar la posibilidad de seguir utilizando precios en riesgo para cobrar precios más altos. ## 2. Aprovechar las estructuras heredadas o esquivarlas Hay muchos obstáculos estructurales que inhiben la adopción de nuevas tecnologías en el cuidado de la salud, como un alto nivel de regulación, una concentración significativa del mercado y los intereses vested en las estructuras de incentivos existentes. Si bien, en última instancia, la IA podría superar estas barreras, muchas empresas se beneficiarán inicialmente del diseño de sus modelos de negocio para que se adapten al paradigma actual. Por ejemplo, la mayor parte de la prestación de cuidados en los Estados Unidos en la actualidad se sigue compensando en función del volumen de actividad (pago por servicio). Hay sistemas completos de códigos de facturación relacionados para los procedimientos hospitalarios, las visitas a la clínica, los diagnósticos y los laboratorios que se han diseñado en función de las suposiciones de los recursos y los costes asociados a los productos y servicios que prestan las personas. En lugar de intentar cambiar este sistema, las empresas de diagnóstico con IA deberían tomar el camino más fácil de conseguir que los pagadores configuren[códigos de reembolso similares a los que se utilizan hoy en día para los radiólogos humanos](https://www.radiologybusiness.com/topics/artificial-intelligence/radiology-specific-artificial-intelligence-cpt-code). Una alternativa, por supuesto, es ir directamente a los consumidores. Esto es[El enfoque de Apple](https://www.apple.com/ios/health/). Ha optado por captar el valor de sus ofertas de IA para la salud, como las que [monitorizar las arritmias y las caídas](https://www.apple.com/healthcare/apple-watch/) cobrando un precio superior por el Apple Watch. Otros, como el chatbot de salud mental[¡Ay, bot!](https://woebothealth.com/) comercializar directamente a los consumidores. Esperamos ver muchas otras ofertas de atención médica basadas en la IA directamente al consumidor en los ámbitos del diagnóstico molecular, la monitorización remota de pacientes, el asesoramiento de salud y otras áreas. ## 3. Importe o repercuta el coste de obtención y preparación de los datos Obtener cantidades suficientes de datos de alta calidad es un desafío importante en el cuidado de la salud. Esto se debe a que esos datos suelen residir en diferentes organizaciones y su calidad varía. Una forma de superar este desafío es utilizar una parte del modelo de negocio para financiar la conservación y la preparación de las bibliotecas de datos.[Tempus](https://www.tempus.com/), por ejemplo, ofrece servicios de integración de datos a centros de investigación académica y hospitales, lo que les da acceso a una enorme biblioteca de datos multimodales de alta calidad (clínicos, radiológicos, patológicos) y ofrece servicios de pruebas genéticas para generar datos genómicos. La otra cara de su negocio utiliza la IA en estos datos para obtener información para que los proveedores mejoren la atención clínica de pacientes específicos y para las empresas de ciencias de la vida con fines de investigación. Un elemento fundamental de la propuesta de valor de otras empresas, como[Lumiata](https://www.lumiata.com/) y[Clarificar la salud](https://clarifyhealth.com/) proporciona plataformas para abordar la conservación de los datos de sus clientes. La oferta de Lumiata se basa en paquetes de funciones con diferentes niveles de datos y soporte de modelado, mientras que la de Clarify Health se presenta por caso de uso. Sin embargo, ambos modelos se basan en distribuir eficazmente el alto coste de crear conjuntos de datos preparados para la IA entre muchos clientes de pagadores, proveedores y ciencias de la vida. Algunas empresas de IA que han conseguido éxitos tempranos se han centrado en casos de uso limitados, como en radiología y patología, donde los datos están menos aislados. Sin embargo, incluso en esas aplicaciones, las empresas deben tener en cuenta que los costes de los datos de la IA no son únicos y listo. Habrá costes de datos continuos para personalizar los algoritmos para diferentes poblaciones y clientes. ## **4. Invierta en mantenerse a la vanguardia de las expectativas reglamentarias y públicas en materia de comportamiento ético** El uso de la IA es[plagado de consideraciones éticas y los riesgos asociados](/2021/01/when-machine-learning-goes-off-the-rails). Esto también es cierto en el sector de la salud, donde los casos de uso relacionados con la participación de los pacientes, la prestación de cuidados y la salud de la población son particularmente propensos a problemas como los prejuicios, la falta de consentimiento adecuado de los pacientes y las violaciones de la privacidad de los datos. Los proveedores de IA deben mitigar estos riesgos de forma proactiva o se enfrentarán a una importante reacción por parte de los médicos, los pacientes y los responsables políticos. Los sesgos en la sociedad se reflejan en los datos históricos de salud y, si no se corrigen, pueden provocar que los sistemas de IA tomen decisiones sesgadas sobre, por ejemplo,[quién tiene acceso a los servicios de gestión de la atención](https://science.sciencemag.org/content/366/6464/447.full) o incluso[órganos que salvan vidas para trasplantes](/2020/12/can-ai-fairly-decide-who-gets-an-organ-transplant). [Se encontró STAT](https://www.statnews.com/2021/02/03/fda-clearances-artificial-intelligence-data/) que de los 161 productos aprobados por la Administración de Alimentos y Medicamentos (FDA) de los Estados Unidos entre 2012 y 2020, solo siete declararon la composición racial y solo 13 informaron la división por género de las poblaciones de estudio. Esto cambiará: El[La FDA está desarrollando enfoques regulatorios](https://www.fda.gov/media/145022/download) para reducir el sesgo y propone que las empresas supervisen e informen periódicamente sobre el rendimiento de sus algoritmos en el mundo real. En consecuencia, las empresas deben asegurarse de que las decisiones que toman (los clientes y socios con los que trabajan, la composición de sus equipos de ciencia de datos (es decir, su diversidad) y los datos que recopilan contribuyen a minimizar los sesgos. Algunas empresas ya están realizando estos cambios. Por ejemplo,[Google Salud](https://health.google/), que trabaja en la IA para revolucionar la detección del cáncer de mama con la promesa de mejorar el rendimiento con una reducción del coste de casi diez veces, no solo valida el rendimiento del algoritmo en diferentes entornos clínicos, sino que también está realizando grandes inversiones para garantizar que el algoritmo funcione de manera equitativa en los diferentes grupos raciales. ## 5. Incorporar la gestión del cambio para contrarrestar la resistencia humana La atención médica está plagada de ejemplos de mejores prácticas que tardan muchos años en adoptarse, incluso después de que se demuestre que son superiores. Incluso las aplicaciones de IA que cuentan con la aceptación institucional todavía necesitan que los médicos y otros trabajadores de primera línea las utilicen, y la difícil implementación de los registros médicos electrónicos en los Estados Unidos durante la última década, que ha hecho que los trabajadores de la salud desconfíen de las nuevas tecnologías de la información, no ha hecho más que dificultar esta tarea. Las aplicaciones de IA pueden percibirse como especialmente amenazantes porque requieren cambios en los flujos de trabajo conocidos, lo que afecta a la autonomía de los médicos y puede considerarse una amenaza para los puestos de trabajo o los ingresos. En consecuencia, además de invertir en el desarrollo de productos, la preparación de datos y los servicios de apoyo, las empresas de IA necesitan invertir en la gestión del cambio. Esto incluye el uso[pensamiento de diseño](/2008/06/design-thinking) en el desarrollo del producto, un sólido programa de formación e incorporación y comunicaciones confidenciales (por ejemplo, que se centre en las ventajas y aborde las preocupaciones sobre el impacto en el trabajo de las personas). ## 6. Incluya a Humans in the Loop La IA no es perfecta; en algunas situaciones, especialmente en las que son complejas, fallará. En el cuidado de la salud, donde las enfermedades son causadas por la interacción de factores genéticos, sociales y conductuales, existe una gran complejidad. Por lo tanto, no debería sorprender que la IA en el cuidado de la salud tenga más probabilidades de fracasar que en muchos otros sectores y que el coste del fracaso (por ejemplo, un diagnóstico erróneo, un fármaco candidato no aprobado o un error al recetar un medicamento) sea mucho mayor. Por lo tanto, a menudo es necesario implicar a los humanos[al tanto](https://hai.stanford.edu/news/humans-loop-design-interactive-ai-systems) aceptar o rechazar las decisiones tomadas por la IA. Las empresas que crean y venden sistemas basados en la IA deben tener en cuenta el coste de esta experiencia humana en sus precios. Una empresa que lo ha hecho es[AliveCor](https://www.alivecor.com/), cuyo electrocardiograma (ECG) directo al consumidor utiliza la IA para interpretar las lecturas del electrocardiograma que un consumidor toma con un dispositivo relativamente barato combinado con una aplicación de teléfono móvil. Cuando la IA ve un «caso límite» (un caso poco común que puede que no haya visto antes) o encuentra un problema que requiere la opinión del médico, pide al usuario que considere la posibilidad de hacer que un médico lo analice por segunda vez, por supuesto, pagando una cuota. Cuando no sea posible repercutir este coste adicional de la intervención humana, las empresas deberían limitar el alcance del producto.[Salud de la boya](https://www.buoyhealth.com/) adoptó este enfoque con su popular comprobador de síntomas basado en la IA. Su chatbot de IA interactúa con el paciente y le sugiere los posibles diagnósticos junto con la navegación hasta el punto de atención más adecuado, que puede ser la telesalud, la atención de urgencias, la sala de emergencias o el médico de atención primaria del paciente. En cada uno de estos casos, Buoy opta por dejar que otros informen a los costosos humanos, lo que le permite mantener un modelo de bajo coste. La IA tiene un enorme potencial en el cuidado de la salud. Sin embargo, para tener éxito con sus ofertas, las empresas tienen que adaptar sus modelos de negocio a las características de su oferta en particular. La talla única no sirve para todos.