La IA Como Aliada en los Servicios de Laboratorios Clínicos

COMPARTIR

El término “Inteligencia Artificial” fue acuñado por John McCarthy et al. a mediados de los años cincuenta, quienes la definieron como “la ciencia e ingeniería para desarrollar máquinas inteligentes que dan muestras de pensamiento crítico comparable al de los humanos” (1). Desde entonces, los notables avances tecnológicos han mejorado la potencia y las aplicaciones de las herramientas de IA, han pasado a formar parte integral del ámbito personal y profesional.

En el campo de la medicina, se han desarrollado sistemas de IA para mejorar la eficiencia y precisión especialmente en tareas como el diagnóstico de patologías a partir de datos de imagen, y el procesamiento de grandes volúmenes de datos clínicos y diagnósticos optimizando la prestación de la asistencia en salud. Mediante el uso de algoritmos de aprendizaje automático, el procesamiento del lenguaje natural y la visión artificial, la IA permite el análisis de datos médicos complejos. (2).

Un ejemplo de ello se encuentra en las imponentes plataformas que se pueden encontrar hoy haciendo parte de las unidades de autoinmunidad en los laboratorios de mediana y alta complejidad, las cuales realizan un gran aporte a los bacteriólogos de esta área que deben realizar la lectura e interpretación de técnicas complejas como la inmunofluorescencia indirecta (IFI) en la cual, la lectura acertada de un determinado patrón sobre células provenientes de cultivos celulares específicos direccionan de manera crucial el diagnóstico y tratamiento de enfermedades autoinmunes.

Estos softwares brindan un valioso apoyo en la identificación de características específicas que sugieren un resultado inicial con un nivel de confianza determinado, donde el lector es quien autoriza o decide si la lectura generada por la plataforma que se alimenta de la constante y acertada clasificación del usuario que la dirige es aprobado.

Esta sugerencia incluye un patrón y un título (nivel de fluorescencia) para cada uno de los pacientes. Si la clasificación de los usuarios es la misma que la sugerida por la plataforma, el software alimentará su base de datos siendo cada vez más certera la clasificación y brindará un nivel de confianza muy similar a la del lector, sea esta lectura acertada o no. Sin embargo, es importante resaltar que la liberación de un resultado estará siempre bajo la responsabilidad del lector, el cual debe tener en cuenta correlacionar la historia clínica del paciente junto con los demás exámenes solicitados disponibles. Otras líneas en las que ha llegado a ser de gran utilidad la lectura de imágenes en el laboratorio son las áreas de hematología y citohistología, aportando mayor agilidad a los flujos de trabajo.

Es importante señalar que, a pesar de las amenazas de la IA sobre el reemplazo de puestos de trabajo, en el laboratorio clínico su alcance está supeditado al usuario pues, aunque estos sistemas cuentan con algoritmos altamente certeros, no son infalibles ni logran contar con toda la información con la que es posible disponer en el laboratorio o en los diferentes servicios para dar vía libre a un resultado que no se ajuste a la condición clínica del paciente.

Esa siempre será responsabilidad humana y, aunque estas plataformas con IA están en constante alimentación de datos, está siempre aprenderá del usuario que la ejecuta, si no se cuentan con una base sólida en la identificación y clasificación de imágenes en el área determinada donde se apliquen los conocimientos de la IA, esta aprenderá conceptos erróneos que se mantendrán en el tiempo y generarán resultados que no aportarán un valor diagnóstico a los pacientes.

Aunque la IA continua evolucionando, su implementación en los sistemas de salud no la hace indubitable ni supera los conceptos y la correlación de personal altamente calificado en los puestos de trabajo donde llega como una excelente ayuda, debería considerarse un complemento y apoyo a los profesionales del laboratorio clínico, citohistólogos y hematólogos contribuyendo a optimizar los tiempos de procesamiento dejando así más espacio para correlacionar datos de pacientes altamente complejos en los diferentes servicios de salud.

A este camino aún le falta mucho por recorrer, temas legales y éticos que discutir, modelos mas seguros que desarrollar e implementar en esta área de la salud que debe ser abordada con cuidado, academia y disciplina. De nosotros depende que la IA sea nuestra mejor aliada en el manejo de pacientes o una amenaza que ocupe el lugar por el que tanto nos hemos esforzado en conquistar. Diferentes actores económicos ya han empezado a recibir los frutos al integrar la IA en sus líneas de negocio, y el sector salud no será la excepción, pero, no trabajemos para ella, trabajemos con ella siempre buscando el beneficio de nuestros pacientes.

Bibliografía

1. McCarthy J, Minsky ML, Rochester N, Shannon CE. A proposal for the dartmouth summer research project on artificial intelligence, August 31, 1955. AI Mag. 2006;27:12–4

2. Bekbolatova M, Mayer J, Ong CW, Toma M. Transformative potential of AI in healthcare: definitions, applications, and navigating the ethical landscape and public perspectives. 2024;12:125. doi: 10.3390/healthcare12020125

Lo más visto

invitro-news-revista-gestion-salud-oximetros

Syndromic Dx: Resultados eficientes para el manejo adecuado del paciente

Más allá del olvido: El impacto creciente del Alzheimer en América Latina

INVITRO-NEWs-REVISTA-EN-SALUD-CANCER-DE-CUELLO-UTERINO-vph

Reseña | Evaluación del envío postal para pruebas de VPH

invitro-news-revista-salud-annard

¡En ANNAR somos agentes de cambio!