Uniéndose a la lucha contra el sesgo en la atención médica

'Joining the fight against bias in healthcare.'

Leo Anthony Celi invita a la industria a ampliar su enfoque en la recolección y análisis de datos clínicos para todas las poblaciones.

Applying machine learning and other advanced data science techniques to medical data reveals that “bias exists in the data in unimaginable ways,” in every type of health product, says Leo Anthony Celi.

Los investigadores médicos están abrumados por un tsunami de datos clínicos. Pero necesitamos cambios importantes en la forma en que recopilamos, compartimos y aplicamos estos datos para llevar sus beneficios a todos, dice Leo Anthony Celi, científico principal de investigación en el Laboratorio de Fisiología Computacional (LCP) del MIT y en el Instituto de Ingeniería y Ciencias Médicas (IMES).

Un cambio clave es hacer que los datos clínicos de todo tipo estén abiertamente disponibles, con las debidas salvaguardas de privacidad, dice Celi, un médico de cuidados intensivos (UCI) que ejerce en el Centro Médico Beth Israel Deaconess (BIDMC) de Boston. Otro cambio clave es aprovechar al máximo estos datos abiertos con colaboraciones multidisciplinarias entre clínicos, investigadores académicos e industria. Un tercer cambio clave es centrarse en las diferentes necesidades de las poblaciones en cada país y capacitar a los expertos para impulsar los avances en el tratamiento, dice Celi, quien también es profesor asociado de la Escuela de Medicina de Harvard.

En todo este trabajo, los investigadores deben buscar activamente superar el problema perenne del sesgo en la comprensión y aplicación del conocimiento médico. Este problema profundamente dañino solo se intensifica con el enorme asalto de la tecnología de aprendizaje automático y otras tecnologías de inteligencia artificial. “Las computadoras recogerán todos nuestros sesgos inconscientes e implícitos cuando tomamos decisiones”, advierte Celi.

Compartir datos médicos

Fundado por el LCP, el consorcio MIT Critical Data construye comunidades interdisciplinarias para aprovechar los datos que se recopilan rutinariamente en el proceso de atención en la UCI para comprender mejor la salud y la enfermedad. “Conectamos personas y alineamos incentivos”, dice Celi. “Para avanzar, los hospitales necesitan trabajar con universidades, que necesitan trabajar con socios de la industria, que necesitan acceso a clínicos y datos”.

El proyecto insignia del consorcio es la base de datos de la UCI MIMIC (información médica marcada para cuidados intensivos) construida en el BIDMC. Con alrededor de 35,000 usuarios en todo el mundo, la cohorte MIMIC es la más ampliamente analizada en medicina de cuidados críticos.

Las colaboraciones internacionales como MIMIC destacan uno de los mayores obstáculos en la atención médica: la mayoría de la investigación clínica se realiza en países ricos, típicamente con la mayoría de los participantes en ensayos clínicos siendo hombres blancos. “Los hallazgos de estos ensayos se traducen en recomendaciones de tratamiento para todos los pacientes de todo el mundo”, dice Celi. “Creemos que esto es un contribuyente importante a los resultados subóptimos que vemos en el tratamiento de todo tipo de enfermedades en África, Asia y América Latina”.

Para solucionar este problema, “los grupos que están desproporcionadamente afectados por la enfermedad deberían establecer la agenda de investigación”, dice Celi.

Esa es la regla en los “datatones” (hackatones de salud) que MIT Critical Data ha organizado en más de dos docenas de países, que aplican las últimas técnicas de ciencia de datos a datos de salud del mundo real. En los datatones, tanto los estudiantes como el profesorado del MIT aprenden de expertos locales y comparten sus propios conjuntos de habilidades. Muchos de estos eventos de varios días son patrocinados por el Programa de Enlace Industrial del MIT, el Programa de Iniciativas de Ciencia y Tecnología Internacional del MIT o la Oficina de América Latina de MIT Sloan.

Los datatones se llevan a cabo típicamente en el idioma o dialecto nacional del país, en lugar del inglés, con representación de académicos, la industria, el gobierno y otros interesados. Los médicos, enfermeros, farmacéuticos y trabajadores sociales se unen a estudiantes de informática, ingeniería y humanidades para analizar y buscar soluciones potenciales. “Necesitan la experiencia del otro para aprovechar, descubrir y validar el conocimiento que está encriptado en los datos y que se traducirá en la forma en que brindan atención”, dice Celi.

“En todas partes a donde vamos, hay un talento increíble que es completamente capaz de diseñar soluciones para sus problemas de atención médica”, enfatiza. Los datatones tienen como objetivo empoderar aún más a los profesionales y estudiantes en los países anfitriones para impulsar la investigación médica, la innovación y el espíritu empresarial.

Luchando contra el sesgo integrado

La aplicación del aprendizaje automático y otras técnicas avanzadas de ciencia de datos a datos médicos revela que “el sesgo existe en los datos de maneras inimaginables” en todo tipo de productos de salud, dice Celi. A menudo, este sesgo se origina en los ensayos clínicos requeridos para aprobar dispositivos y terapias médicas.

Un ejemplo dramático proviene de los oxímetros de pulso, que proporcionan lecturas sobre los niveles de oxígeno en la sangre del paciente. Resulta que estos dispositivos sobreestiman los niveles de oxígeno en personas de color. “Hemos estado tratando de manera insuficiente a las personas de color porque las enfermeras y los médicos han estado falsamente seguros de que sus pacientes tienen una oxigenación adecuada”, dice. “Creemos que hemos perjudicado, si no matado, a muchas personas en el pasado, especialmente durante Covid, como resultado de una tecnología que no fue diseñada con sujetos de prueba inclusivos”.

Estos peligros aumentan a medida que el universo de datos médicos se expande. “Los datos que tenemos disponibles ahora para la investigación son tal vez dos o tres niveles de magnitud más que lo que teníamos hace incluso 10 años”, dice Celi. MIMIC, por ejemplo, ahora incluye terabytes de datos de rayos X, ecocardiogramas y electrocardiogramas, todos vinculados con registros de salud relacionados. Conjuntos de datos enormes como estos permiten a los investigadores detectar patrones de salud que antes eran invisibles.

“Pero hay una advertencia”, dice Celi. “Es trivial que las computadoras aprendan atributos sensibles que no son muy obvios para los expertos humanos”. En un estudio publicado el año pasado, por ejemplo, él y sus colegas mostraron que los algoritmos pueden decir si una imagen de rayos X de tórax pertenece a un paciente blanco o a una persona de color, incluso sin examinar ningún otro dato clínico.

“Más preocupante aún, grupos incluyendo el nuestro han demostrado que las computadoras pueden aprender fácilmente si eres rico o pobre, solo de tu imagenología”, dice Celi. “Pudimos entrenar a una computadora para predecir si tienes Medicaid o si tienes seguro privado, si les alimentamos con rayos X de tórax sin ninguna anormalidad. Entonces, de nuevo, las computadoras están capturando características que no son visibles para el ojo humano”. Y estas características pueden llevar a los algoritmos a recomendar terapias en contra de las personas negras o pobres, dice él.

Abriendo oportunidades en la industria

Todos los interesados se benefician cuando las empresas farmacéuticas y otras corporaciones de atención médica comprenden mejor las necesidades sociales y pueden dirigir sus tratamientos apropiadamente, dice Celi.

“Necesitamos involucrar a los proveedores de registros médicos electrónicos y a los fabricantes de dispositivos médicos, así como a las empresas farmacéuticas”, explica. “Necesitan ser más conscientes de las disparidades en la forma en que realizan su investigación. Necesitan tener más investigadores que representen a grupos de personas subrepresentados, para proporcionar esa perspectiva y llegar a mejores diseños de productos de salud”.

Las corporaciones podrían beneficiarse compartiendo resultados de sus ensayos clínicos e inmediatamente podrían ver estos beneficios potenciales al participar en datatones, dice Celi. “¡Podrían realmente ser testigos de la magia que ocurre cuando esos datos son seleccionados y analizados por estudiantes y clínicos con diferentes antecedentes de diferentes países. Así que estamos llamando a nuestros socios de la industria farmacéutica a organizar estos eventos con nosotros!”

We will continue to update Zepes; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

Ciencia de Datos

Lenguajes de Programación para Roles de Datos Específicos

¿Qué lenguaje de programación se necesita para un rol de datos específico?

Noticias de Inteligencia Artificial

Microsoft y OpenAI chocan por la integración de la inteligencia artificial.

En un enfrentamiento entre los titanes de la IA, Microsoft y OpenAI se encuentran en desacuerdo sobre la integración ...

Inteligencia Artificial

Python Ray ¿La vía rápida de la computación distribuida?

Python Ray es un marco dinámico que revoluciona la computación distribuida. Desarrollado por RISELab de UC Berkeley, ...

Inteligencia Artificial

Construir una máquina GPU vs. Usar la Nube GPU

El artículo examina los pros y los contras de construir una máquina GPU en las instalaciones en comparación con el us...

Ciencias de la Computación

Singapur planea una red nacional para protegerse contra futuras amenazas cuánticas.

Las empresas de telecomunicaciones en Singapur planean renovar las redes de fibra existentes para protegerse a sí mis...