>

"Los laboratorios clínicos: retos, cambios y oportunidades en la Medicina Personalizada basada en Ciencia de datos e Inteligencia artificial. El caso de Costa Rica."

Graciela Oguilve, Allan Bejarano, Carlos Azofeifa, y Jorge Bermúdez Tellería.

La integración de tecnologías avanzadas en análisis de datos, en aprendizaje automático y en la IA, presente en los procesos de los laboratorios clínicos está allanando el camino para diagnósticos más precisos, planes de tratamiento personalizados y mejores resultados para los pacientes.

En los últimos años, la convergencia de la ciencia de datos y la inteligencia artificial (IA) ha desencadenado una transformación revolucionaria en el ámbito de la atención sanitaria. Especialmente, en el campo de la medicina personalizada. Los laboratorios químicos son parte de las áreas clave donde se ha observado una transformación que está experimentando un profundo impacto. 

 

¿Cómo se organizan los Laboratorios Clínicos?

Los laboratorios clínicos ofrecen una amplia gama de servicios destinados al diagnóstico, esenciales para la detección y tratamiento de enfermedades, cubriendo áreas como patología, microbiología, hematología, química clínica e inmunología, entre otros. 

En el contexto de la medicina personalizada, los laboratorios juegan un papel fundamental al proporcionar datos cruciales para adaptar los tratamientos según las características genéticas y personales de cada paciente. Incluso, estando frente a diversos desafíos; por ejemplo, limitaciones presupuestarias y disparidades en el acceso a la atención médica. Los laboratorios clínicos en América Latina, contribuyen a la investigación médica, la educación y la salud pública, desempeñando un rol clave en la implementación de la medicina personalizada y un mejoramiento en la calidad de atención médica en la región.

 

Conceptos sobre medicina personalizada

En primera instancia, se debe comprender la medicina personalizada, la cual es conocida como medicina de precisión desde un enfoque innovador de la atención sanitaria que adapta las decisiones, junto a prácticas e intervenciones médicas a cada paciente. 

A diferencia del enfoque tradicional de "talla única", la medicina personalizada tiene en cuenta la composición genética, el estilo de vida, el entorno y otros factores relevantes de cada paciente. Este enfoque a medida permite a los profesionales sanitarios predecir y prevenir enfermedades, seleccionar los tratamientos más adecuados y optimizar las intervenciones terapéuticas. La medicina personalizada en términos generales, es un modelo de atención sanitaria predictiva, personalizada, preventiva y participativa. 

 

El papel de la Ciencia de datos y la Inteligencia Artificial

Una recomendación de Netflix, un anuncio de Facebook, una sugerencia de YouTube, una llamada de un Banco ofreciendo un producto financiero; todas estas cuatro acciones tienen un factor común: ciencia de datos aplicada y enfocada al cliente. 

Y es que, la ciencia de datos entre los objetivos que persigue se encuentra la búsqueda de modelos que describan patrones y comportamientos a partir de los datos y con el fin de tomar decisiones o hacer predicciones (García, y otros).

Por otro lado, la inteligencia artificial también se encuentra en continua exploración hacia nuevas utilidades en apoyo para la sociedad, donde el área médica no se encuentra ajena a esta búsqueda. En esta sección del artículo, se presentarán algunas ideas sobre la ciencia de datos y la inteligencia artificial como cajas de herramientas que podrían mejorar el servicio médico y personalizarlo.

 

Procesamiento de lenguaje natural (PLN)

En esta área de la inteligencia artificial, se entiende por la habilidad de la máquina para procesar la información comunicada, no simplemente las letras o los sonidos del lenguaje (Gelbukh, 2010). Esta herramienta, se podría utilizar para hacer entrevistas con inteligencia artificial a los pacientes y escribir las respuestas en otro documento donde los médicos ya las tengan procesadas, estratificadas y digitalizadas, esto ayudaría a que, con análisis de palabras claves y observación de sentimientos, se clasifiquen los pacientes para distribuir mejor las cargas de trabajo, además de, mejorar y/o impactar en la productividad de los médicos.

Estas clasificaciones antes mencionadas, ayudarían a personalizar la atención de los clientes. Sin embargo, los modelos de inteligencia artificial no son algoritmos o códigos computacionales aislados, por lo que estos podrían integrarse con otros modelos y crear clasificaciones de pacientes más significativas.

 

Visión computacional

En este caso, se comprende la visión computacional como la rama de la inteligencia artificial que simula a través de algoritmos matemáticos y programación computacional la visión humana, partiendo de esta definición, los laboratorios clínicos podrían tener una base de datos con imágenes que puedan ser procesadas y se logren tener algoritmos de pre-procesamientos, clasificación y, porqué no, predicción de enfermedades, integrando las diferentes ramas como la hematología, bacteriología, uroanálisis y química clínica.

La prueba de papanicolaou es un ejemplo interesante, este examen debido a su carácter esencial ha ido migrando de la prueba de frotis típico a metodologías que hacen uso de las tecnologías de visión computacional, por ejemplo, en Estados Unidos, aproximadamente 750 laboratorios hacían uso de este sistema en el 2010, para analizar un 70% del total de láminas en ese país. Finalmente, se cita el FocalPoint GS Imaging System, similar en su concepción al ThinPrep, en este caso con una productividad de 170 láminas por jornada de ocho horas y 22 sistemas instalados en los EE. UU. en ese mismo año (Lorenzo Ginori & Rodríguez Santos, 2012).

Por lo tanto, este podría ayudar a mejorar la eficiencia y productividad de los laboratorios clínicos, además de, fortalecer la personalización del servicio, donde ya no solo tendría a su disposición herramientas de procesamiento de lenguaje natural, sino también de visión computacional.

 

Aprendizaje Automático (Machine Learning)

El término Machine Learning se refiere a que es un proceso que tiene lugar en dos fases. Una en la que el sistema elige (selecciona) las características más relevantes de un objeto (o un evento), las compara con otras conocidas (si  existen).

A través de algún proceso de cotejamiento y, cuando las diferencias son significativas, adapta su modelo de aquel objeto (o evento) según el resultado del cotejamiento. (Moreno, y otros, 1994).

El aprendizaje automático serviría para integrar los datos médicos con otros datos como sociodemográficos, es decir, ubicaciones geográficas, escolaridad, clases sociales, trabajos, bienes muebles e inmuebles y un amplio espectro  de indicadores que nos permitan realizar modelos de clasificación, regresiones u otros que nos ayuden a robustecer la atención médica personalizada. También, emplear los datos de salud como el tipo de sangre, citas por año en el sistema médico, alergias, patologías, resultados de exámenes anteriores, así como, emplear dichos datos con variables socioeconómicas, ambientales e epidemiológicas. 

La  visión computacional, el procesamiento de lenguaje natural y el aprendizaje automático (todo acompañado cuando se requiera de Aprendizaje profundo) unidos para el uso de la atención médica  personalizada.

Podría aportar en temas tan diversos como predecir enfermedades con anterioridad, aumentar la productividad de los laboratorios clínicos, disminuir los errores de los exámenes médicos y sobre todo impactar en la calidad de vida del ser humano.

En el núcleo de la medicina personalizada situada en los laboratorios clínicos, se encuentra el inmenso poder de la ciencia de datos y la IA. Los laboratorios clínicos generan enormes cantidades de datos a través de diversas pruebas diagnósticas, como la secuenciación genética, los análisis de sangre y otros fluidos biológicos, y entre otras. Estos datos, cuando se aprovechan eficazmente, pueden proporcionar información que antes no era productiva, o simplemente se desechaba. 

Las técnicas de la ciencia de datos, como la minería de datos, el reconocimiento de patrones y los modelos predictivos, permiten a los investigadores y a los profesionales sanitarios extraer información significativa de esta gran cantidad de datos.

La IA, en particular, el aprendizaje automático, se nutre de los datos. Mediante el entrenamiento de algoritmos en grandes conjuntos de datos, los modelos de aprendizaje automático pueden identificar patrones y relaciones complejas que podrían ser eludidos por el análisis humano. Esta capacidad para detectar tendencias y correlaciones sutiles permite a los laboratorios clínicos realizar predicciones precisas sobre enfermedades, respuestas a tratamientos y posibles complicaciones de los usuarios de los servicios de salud.

 

Mejora del diagnóstico

En el ámbito del diagnóstico, los enfoques basados en datos están mejorando la precisión y rapidez para la identificación de enfermedades. Por ejemplo, los algoritmos de IA pueden analizar con notable precisión imágenes médicas como radiografías, resonancias magnéticas y tomografías computarizadas. Pueden detectar anomalías, identificar enfermedades en estados tempranos, e incluso, predecir la progresión de la enfermedad basándose en patrones que podrían no ser detectables para el personal de salud. Esta detección precoz permite intervenir a tiempo y mejorar significativamente los resultados de los pacientes y, por ende, un mejor seguimiento en la condición del paciente,  aprovechando los recursos para mejorar la calidad de vida perteneciente al paciente.

 

Adaptación de los planes de tratamiento

La medicina personalizada, pretende adaptar los tratamientos a los pacientes de forma específica. Con la ayuda de la IA, los médicos pueden analizar datos genéticos y moleculares para determinar los medicamentos más eficaces para cada paciente. Este enfoque minimiza los procesos de ensayo y error, reduce los efectos adversos y aumenta las probabilidades de éxito en el tratamiento.

 

Análisis predictivo y pronóstico

Los análisis predictivos impulsados por la IA desempeñan un papel crucial en la previsión del riesgo de enfermedad y el pronóstico de los pacientes. 

Mediante la integración de la información genética, el historial del paciente, los datos sobre su estilo de vida, entre otros. Los modelos de IA pueden predecir la probabilidad de que una persona desarrolle determinadas enfermedades. Esta información, permite a los médicos aplicar medidas preventivas y ofrecer intervenciones tempranas para reducir el riesgo de enfermar al paciente.

 

Retos y consideraciones en medicina personalizada en los laboratorios clínicos en Costa Rica.

Si bien, el potencial de la medicina personalizada impulsada por la ciencia de datos y la IA es inmenso, hay varios desafíos que deben abordarse. La privacidad y la seguridad de los datos son primordiales, ya que, la información de los pacientes debe tratarse con el máximo cuidado para evitar accesos no autorizados. Además, la complejidad de los algoritmos de IA requiere una validación rigurosa y aprobaciones reglamentarias para garantizar su seguridad y eficacia.

La vulnerabilidad de las redes y del expediente único en Costa Rica debe ser evaluada y protegida desde políticas públicas y mayor legislación, si fuese necesario, con colaboración internacional. La unificación eficaz y expedita tanto de los datos del ente rector de salud, es otro de los desafíos puntuales. Por ejemplo, el Ministerio de Salud de Costa Rica, con las bases de datos del principal proveedor de servicios de salud Caja Costarricense de Seguro Social. En primera instancia, disminuir la duplicidad de funciones, poseer en tiempo real información básica para la atención y la vigilancia epidemiológica de la población. Inclusive la interoperabilidad de la información de laboratorios clínicos del sector privado. 

Las situaciones aprendidas durante los tiempos de la última pandemia, así como, la lucha contra la erradicación de la malaria y el control de enfermedades transmitidas por vectores ejemplo Dengue.

La unión virtual de todos los laboratorios clínicos y sus procesos es otro de los retos y necesidades urgentes, inicialmente, para estandarizar procesos. Seguidamente, para contar con información de los pacientes alrededor de todo el territorio nacional, y el uso discrecional de recursos ya que las pruebas analíticas y, por ende, sus resultados estarían disponibles en toda la red de salud.

Bajo términos de calidad de atención, licencias propias de los proveedores de salud (y no de terceros como sucede actualmente) que la calidad del enlace en el expediente único en Salud y el laboratorio no es óptima. La estandarización de pruebas analíticas automatizadas a los largo del país es otro de los retos, buscando mejoras en el tipo, calidad, confiabilidad de las pruebas para que estas sean las mismas a lo largo del territorio nacional, y que las compras de las mismas sean de un carácter único y extendido en los diferentes centros de salud.

La creación de nuevos canales de diagnóstico, como parte de política nacional de salud, la promoción de pruebas empleables en el sitio de toma, accesibles, comercializadas en farmacias y, hasta supermercados, para aumentar la cobertura diagnóstica de las diferentes patologías. La unión de los 18 bancos de sangre a nivel nacional, es un punto sensible para aumentar la hemovigilancia de las transfusiones, optimizar los recursos en la promoción de la donación.

De esta manera, dar seguimiento desde un ente central a todas las fases relacionadas desde la toma en la unidad de sangre, fraccionamiento, distribución, transfusión y, posibles reacciones post transfusionales; y lo más importante, documentar todas estas etapas para que esta  información se encuentre accesible en todos los actores claves del ecosistema de salud.