Qué significarán las «tiendas de aplicaciones» de IA para la radiología
Resumen.
Estudios recientes demuestran que los algoritmos de inteligencia artificial pueden ayudar a los radiólogos a mejorar la velocidad y precisión de la interpretación de rayos X, tomografías computarizadas y otros tipos de imágenes de diagnóstico. Sin embargo, poner la tecnología en el uso clínico diario es un desafío debido a las complejidades del desarrollo, las pruebas y la obtención de la aprobación reglamentaria. Pero un concepto adaptado del mundo de los PC y los teléfonos inteligentes (la tienda de aplicaciones) es prometedor como herramienta para llevar la IA de radiología de los ensayos a la práctica diaria. Al asumir las tareas rutinarias, añadir controles de calidad y mejorar la precisión del diagnóstico, es de esperar que los algoritmos de IA mejoren los resultados clínicos. Los algoritmos radiológicos ya han demostrado ser iguales y, en algunos casos, mejores que un radiólogo promedio en la identificación del cáncer de mama en las mamografías de detección. La reciente aparición de los mercados de IA está acelerando la adopción de algoritmos de IA, lo que ayuda a gestionar las crecientes cargas de trabajo y proporciona a los médicos herramientas para mejorar los diagnósticos, los tratamientos y, en última instancia, los resultados de los pacientes.
Estudios recientes demuestran que los algoritmos de inteligencia artificial pueden ayudar a los radiólogos a mejorar la velocidad y precisión de la interpretación de rayos X, tomografías computarizadas y otros tipos de imágenes de diagnóstico. Sin embargo, poner la tecnología en el uso clínico diario es un desafío debido a las complejidades del desarrollo, las pruebas y la obtención de la aprobación reglamentaria. Pero un concepto adaptado del mundo de los PC y los teléfonos inteligentes (la tienda de aplicaciones) es prometedor como herramienta para llevar la IA de radiología de los ensayos a la práctica diaria.
Los mercados de IA de radiología son conceptualmente similares a las tiendas de aplicaciones en el sentido de que permiten descubrimiento, distribuir y monetizar «aplicaciones» o, en este caso, modelos de IA, y proporcionan un canal de retroalimentación entre usuarios y desarrolladores. En lo que estos mercados se diferencian de una tienda de aplicaciones convencional es en la forma en que cumplen los requisitos del ciclo de vida para desarrollar, capacitar, obtener la aprobación regulatoria, implementar y validar modelos de IA. Nuestra empresa, Nuance, introdujo su mercado de IA para diagnóstico por imágenes en 2017; varias otras también han lanzado mercados de IA, como Arterys y GE Healthcare, con su plataforma Edison.
Hacer que la IA sea práctica para la atención
Los algoritmos radiológicos se centran en un solo hallazgo en imágenes de una única modalidad de imagen, por ejemplo, nódulos pulmonares en una TC de tórax. Si bien esto puede ser útil para mejorar la velocidad y precisión del diagnóstico en casos específicos, la conclusión es que un algoritmo solo puede responder una pregunta a la vez. Debido a que hay muchos tipos de imágenes y miles de posibles hallazgos y diagnósticos, cada uno de ellos requeriría un algoritmo diseñado específicamente. Por el contrario, un radiólogo considera una gran cantidad de preguntas y hallazgos a la vez para cada examen por imágenes, así como hallazgos incidentales no relacionados con el motivo original del examen, que son bastante comunes.
En consecuencia, para respaldar plenamente solo la parte diagnóstica del trabajo de los radiólogos, los desarrolladores tendrían que crear, entrenar, probar, solicitar la aprobación de la FDA, distribuir, apoyar y actualizar miles de algoritmos. Además, las organizaciones sanitarias y los médicos tendrían que encontrar, evaluar, comprar e implementar numerosos algoritmos de muchos desarrolladores y luego incorporarlos a los flujos de trabajo existentes.
Para agravar el desafío está la voraz demanda de datos de los modelos de aprendizaje profundo. La mayoría de los modelos se han desarrollado en entornos controlados utilizando conjuntos de datos disponibles y, a menudo, estrechos, y los algoritmos de resultados que producen son tan sólidos como los datos utilizados para desarrollarlos. Los modelos de IA pueden ser frágiles, ya que funcionan bien con los datos del entorno en el que se desarrollaron, pero vacilarán cuando se aplican a datos generados en otras ubicaciones con diferentes poblaciones de pacientes, máquinas de imagen y técnicas. Por ejemplo, en un Estudio de noviembre de 2018 publicado en Medicina PLOS, investigadores de la Escuela de Medicina de Icahn y otras instituciones demostraron que el rendimiento de un modelo de aprendizaje profundo utilizado para diagnosticar la neumonía en las radiografías de tórax era significativamente menor cuando se utilizaba para evaluar radiografías de otros hospitales.
El mercado en acción
Los marketplaces de IA pueden ayudar a afrontar estos complejos desafíos. En primer lugar, resuelven el problema de la «última milla» dando a los médicos y a los sistemas hospitalarios un acceso único a una amplia gama de modelos de IA. A su vez, los desarrolladores de IA obtienen acceso a un mercado consolidado y a un modelo de ingresos escalable.
El modelo de marketplace también incluye un canal de retroalimentación integrado entre desarrolladores y usuarios para cerrar la brecha entre la funcionalidad técnica de los algoritmos y cómo se utilizan en la práctica diaria. Los radiólogos pueden compartir los resultados con los desarrolladores de aplicaciones, lo que les permite refinar los algoritmos de forma iterativa utilizando datos anotados del mundo real. También obtienen valiosos datos de validación para respaldar la aprobación de la FDA. Los sistemas hospitalarios también se benefician, ya que pueden realizar un seguimiento de las métricas para el uso de algoritmos, los costos y el rendimiento desde varias ubicaciones.
Los marketplaces de IA ya están creando comunidades colaborativas de desarrolladores y usuarios sanitarios. Por ejemplo, la Universidad de Rochester está utilizando una aplicación autorizada por la FDA desarrollada por Aidoc que analiza los exámenes por tomografía computarizada para detectar una sospecha de hemorragia intracraneal y luego los prioriza en la lista de trabajo del radiólogo para recibir atención inmediata cuando el tiempo para el tratamiento es crítico. Para la atención a pacientes a largo plazo, la Universidad de Pensilvania utiliza una aplicación desarrollada por Aidencial y eUnity para ayudar a los radiólogos en la laboriosa tarea de detectar y caracterizar nódulos pulmonares para hacer comparaciones de seguimiento e informar.
Los comentarios del mercado apoyan aún más una serie de asociaciones público-privadas para fomentar y mejorar el desarrollo de la IA. Estos incluyen la FDA Programa de precertificación de software (SPP) que funciona para desarrolladores de IA como lo hace el programa TSA Pre-Check para viajeros registrados. El SPP evalúa la capacidad de los desarrolladores para responder al rendimiento de los algoritmos del mundo real y proporciona una forma más eficiente de introducir nuevos modelos de IA en el mercado. La FDA Sistema Nacional de Evaluación de Tecnología Sanitaria (NEST) trabaja con el Colegio Americano de Radiología Instituto de Ciencia de Datos (DSI) para crear formas de validar algoritmos y supervisar el rendimiento. Esa colaboración utiliza los DSI Rads de pulmón programa para validar y monitorear algoritmos de detección y clasificación de nódulos pulmonares en programas de detección del cáncer de pulmón. El objetivo es crear un registro nacional de métricas de rendimiento de algoritmos que midan todo, desde la facilidad de integración en los flujos de trabajo hasta la precisión del diagnóstico.
Abordar el agotamiento
Si bien los mercados de IA deberían fomentar la adopción generalizada de la IA en radiología, también tienen el potencial de ayudar a aliviar el agotamiento de los radiólogos aumentando y ayudándolos de dos maneras. La primera, a través del proceso de desarrollo iterativo, es facilitar el diseño de algoritmos que se integren a la perfección en los flujos de trabajo de los radiólogos y los simplifiquen, en lugar de introducir pantallas adicionales y onerosos pasos por los que hacer clic.
El segundo es mejorar la velocidad y la calidad de los informes radiológicos. Estos algoritmos pueden automatizar tareas repetitivas y actuar como residentes virtuales, preprocesar imágenes para resaltar hallazgos potencialmente importantes, realizar mediciones y comparaciones, y agregar automáticamente datos e inteligencia clínica al informe para su revisión por el radiólogo. Los algoritmos también pueden proporcionar controles de calidad, por ejemplo, detectando errores en la lateralidad o en el sexo del paciente y para garantizar la precisión de los informes y ayudar con la facturación y la codificación, todo lo cual puede reducir el estrés de los médicos.
Mejora de los resultados clínicos
Al asumir las tareas rutinarias, añadir controles de calidad y mejorar la precisión del diagnóstico, es de esperar que los algoritmos de IA mejoren los resultados clínicos. Por ejemplo, un modelo aprobado por la FDA disponible en Densitas evalúa automáticamente la densidad mamaria mediante mamografías digitales, ya que el tejido mamario denso se ha asociado con un mayor riesgo de cáncer de mama. Al manejar y estandarizar esa tarea rutinaria pero importante, el algoritmo ayuda a dirigir su atención a los pacientes con mayor riesgo. Además, en estudios Los algoritmos de IA han demostrado ser iguales y, en algunos casos, mejores que un radiólogo promedio en la identificación del cáncer de mama en las mamografías de detección.
A medida que la población envejece, la necesidad de radiología diagnóstica seguramente aumentará. Mientras tanto, los programas de residencia en radiología en los Estados Unidos han comenzado recientemente a revertir un descenso plurianual en las inscripciones, lo que aumenta el espectro de la escasez de radiólogos a medida que aumenta la necesidad de ellos. La reciente aparición de los mercados de IA puede acelerar la adopción de algoritmos de IA, lo que ayuda a gestionar las crecientes cargas de trabajo y, al mismo tiempo, proporciona a los médicos herramientas para mejorar los diagnósticos, los tratamientos y, en última instancia, los resultados de los pacientes.
— Escrito por Woojin Kim Woojin Kim Karen Holzberger
