La IA podría hacer que la atención médica sea más justa, ayudándonos a creer lo que dicen los pacientes

Sra. tecnología

En los últimos años, la investigación ha demostrado que el aprendizaje profundo puede igualar el rendimiento de nivel experto en tareas de imágenes médicas como detección temprana del cáncer y diagnóstico de enfermedades oculares . Pero también hay motivos para la cautela. Otra investigación ha demostrado que el aprendizaje profundo tiene una tendencia a perpetuar la discriminación . Con un sistema de atención médica que ya está plagado de disparidades, las aplicaciones descuidadas del aprendizaje profundo podrían empeorar las cosas.

Ahora un papel nuevo publicado en Nature Medicine propone una forma de desarrollar algoritmos médicos que podrían ayudar a revertir, en lugar de exacerbar, la desigualdad existente. La clave, dice Ziad Obermeyer, profesor asociado de UC Berkeley que supervisó la investigación, es dejar de entrenar algoritmos para que coincidan con el desempeño de expertos humanos.

El artículo analiza un ejemplo clínico específico de las disparidades que existen en el tratamiento de la osteoartritis de rodilla, una dolencia que causa dolor crónico. Evaluar la gravedad de ese dolor ayuda a los médicos a prescribir el tratamiento adecuado, incluida la fisioterapia, la medicación o la cirugía. Esto lo hace tradicionalmente un radiólogo que revisa una radiografía de la rodilla y califica el dolor del paciente con el grado de Kellgren-Lawrence (KLG), que calcula los niveles de dolor en función de la presencia de diferentes características radiográficas, como el grado de falta de cartílago o daño estructural.

Pero los datos recopilados por el Instituto Nacional de Salud encontraron que los médicos que usan este método califican sistemáticamente el dolor de los pacientes negros como mucho menos severo de lo que dicen que están experimentando. Los pacientes autoinforman sus niveles de dolor mediante una encuesta que pregunta cuánto duele hacer varias cosas, como enderezar completamente la rodilla. Pero estos niveles de dolor autoinformados se ignoran a favor de la puntuación KLG del radiólogo al prescribir el tratamiento. En otras palabras, los pacientes negros que muestran la misma cantidad de cartílago faltante que los pacientes blancos informan niveles más altos de dolor.

Esto ha molestado constantemente a los expertos médicos. Una hipótesis es que los pacientes negros podrían estar reportando niveles más altos de dolor para que los médicos los traten con más seriedad. Pero hay una explicación alternativa. La metodología KLG en sí podría estar sesgada. Fue desarrollado hace varias décadas con poblaciones británicas blancas. Algunos expertos médicos argumentan que la lista de marcadores radiográficos que les dice a los médicos que busquen puede no incluir todas las posibles fuentes físicas de dolor dentro de una población más diversa. Dicho de otra manera, puede haber indicadores radiográficos de dolor que aparecen más comúnmente en personas de raza negra que simplemente no forman parte de la rúbrica KLG.

Historia relacionada

Los médicos están utilizando IA para clasificar a los pacientes con covid-19. Las herramientas pueden estar aquí para quedarse Ante la escasez de personal y la abrumadora cantidad de pacientes, un número creciente de hospitales está recurriendo a herramientas automatizadas para ayudarlos a manejar la pandemia.

Para probar esta posibilidad, los investigadores entrenaron un modelo de aprendizaje profundo para predecir el nivel de dolor autoinformado de los pacientes a partir de su radiografía de rodilla. Si el modelo resultante tuviera una precisión terrible, esto sugeriría que el dolor autoinformado es bastante arbitrario. Pero si el modelo tuviera una precisión realmente buena, esto proporcionaría evidencia de que el dolor autoinformado está de hecho correlacionado con los marcadores radiográficos en la radiografía.

Después de realizar varios experimentos, incluidos algunos diseñados para descartar cualquier factor de confusión, los investigadores descubrieron que el modelo era mucho más preciso que KLG para predecir los niveles de dolor autoinformados para pacientes blancos y negros, pero especialmente para pacientes negros. Redujo la disparidad racial en cada nivel de dolor a casi la mitad.

El objetivo no es necesariamente comenzar a usar este algoritmo en un entorno clínico. Pero al superar la metodología KLG, reveló que la forma estándar de medir el dolor es defectuosa, a un costo mucho mayor para las personas negras. Esto debería alertar a la comunidad médica para investigar qué marcadores radiográficos podría estar viendo el algoritmo y actualizar su metodología de puntuación.

En realidad, destaca una parte realmente emocionante de dónde pueden encajar este tipo de algoritmos en el proceso de descubrimiento médico, dice Obermeyer. Nos dice si hay algo aquí que vale la pena mirar y que no entendemos. Prepara el escenario para que los humanos intervengan y, utilizando estos algoritmos como herramientas, intenten descubrir qué está pasando.

Lo bueno de este documento es que está pensando en las cosas desde una perspectiva completamente diferente, dice Irene Chen, investigadora del MIT que estudia cómo reducir las desigualdades en la atención médica en el aprendizaje automático y no participó en el documento. En lugar de entrenar el algoritmo con conocimiento experto bien establecido, dice, los investigadores optaron por tratar la autoevaluación de los pacientes como si fuera verdad. A través de eso, descubrió lagunas importantes en lo que el campo médico generalmente considera que es la medida del dolor más objetiva.

Ese era exactamente el secreto, concuerda Obermeyer. Si los algoritmos solo se entrenan para igualar el desempeño de los expertos, dice, simplemente perpetuarán las brechas e inequidades existentes. Este estudio es un vistazo a una tubería más general que podemos usar cada vez más en medicina para generar nuevos conocimientos.

esconder