La sostenibilitat de la medicina a través del machine Learning. S’associa amb freqüència Intel·ligència Artificial en salut al diagnòstic i de la teràpia personalitzada, a la medicina de precisió, gairebé exclusivament: S’utilitzen grans bases de dades per a crear algorismes sobre la base de l’experiència que ajudin als clínics al diagnòstic i al tractament dels seus pacients.
La tecnologia és costosa i l’avanç és lent. Es beneficien els grans hospitals que tenen recursos econòmics i humans per a costejar el procés cap a la IA, i un projecte desenvolupat en un hospital és difícilment transferible a uns altres.
La realitat és que, avui dia, la medicina de precisió per a tots i per a tot no és sostenible.
S’aplica la IA per a casos puntuals i pioners, amb gran repercussió mediàtica, però aporten grans canvis com perquè ens plantegem adoptar la IA en tots els centres hospitalaris?
La resposta tindrà una infinitat de comentaris i valoracions diverses que ens porten sempre a no aconseguir l’equitat en salut dels diferents centres i regions.
L’adopció de la IA és una marató, en la qual no podem deixar a ningú enrere. Si abastem problemes de gran impacte, aportant solucions per a una millor gestió dels recursos disponibles, el benefici social és per a tots.
La proposta d’Amalfi és l’ús de la IA en gestió sanitària, per a ajudar a la sostenibilitat del sistema. Abastar grans problemes com són la gestió de l’absentisme laboral, que al nostre país consumeix una gran quantitat de recursos econòmics i que pot gestionar-se amb IA obtenint reducció de costos i millora del benestar laboral.
La metodologia de ARUM (Anàlisi de Recursos Humans), basada en Machine Learning, és aprendre els patrons de comportament dels col·lectius d’empleats a partir de dades històriques i predir l’absentisme futur per a millorar la planificació, evitar la falta de personal i reduir els costos de contractació de personal substitut.
Dins del clínic, pot la IA anar més enllà del tractament individualitzat, pacient a pacient?
De nou la resposta és sí. La IA també pot abastar l’anàlisi, l’agrupació i la segmentació de tots els pacients, donant respostes a grans grups poblacionals i plantejar solucions a problemes d’impacte molt alt sense la necessitat d’aplicar prèviament grans inversions.
En la plataforma ANIS, l’algorisme agrupa els pacients descrits en registres de salut de l’historial mèdic (diagnòstic, tractament, medicació, etc) de manera que els grups creats aporten informació nova, no descoberta o analitzada amb els procediments clàssics ja que permet veure d’aquest subgrup creat, quin comorbilidades, associacions, procediments i tractaments es diferencien de la resta de grups que a priori eren similars.
Aquesta tecnologia permet una anàlisi més enllà d’agregats com els GRD (Grups Relacionats de Diagnòstic) i la resolució d’hipòtesis clíniques que donen resposta a canvis de protocol i millora del tractament dels pacients, aconseguint una eficiència dels recursos disponibles. En identificar grups d’alt risc i alt cost, es pot focalitzar l’acció sobre una part dels malalts d’una patologia aconsegueix un impacte en els resultats globals.
Tractem amb les dades de tota la població que cada organització ha de tractar, permetent doncs passar del Real World Data (RWD) a la Real World Evidence (RWE).
