La IA generativa analiza datos médicos más rápido que equipos humanos

En una prueba real sobre el uso de la inteligencia artificial en la investigación en salud, científicos de UC San Francisco y Wayne State University encontraron que la IA generativa podía procesar enormes conjuntos de datos médicos mucho más rápido que los equipos de ciencias computacionales tradicionales, y en algunos casos, lograron resultados incluso más sólidos. Los expertos humanos habían pasado meses analizando la misma información.

Para comparar el rendimiento de ambos enfoques, los investigadores asignaron tareas idénticas a diferentes grupos. Algunos equipos dependieron exclusivamente de la experiencia humana, mientras que otros trabajaron con el apoyo de herramientas de IA. El desafío consistió en predecir el parto prematuro utilizando datos de más de 1,000 mujeres embarazadas.

Incluso un par de investigadores junior, compuesto por un estudiante de maestría de UCSF, Reuben Sarwal, y un estudiante de secundaria, Victor Tarca, lograron desarrollar modelos de predicción con el apoyo de la IA. El sistema generó código informático funcional en minutos, algo que normalmente llevaría a programadores experimentados varias horas o incluso días.

La ventaja se debió a la capacidad de la IA para escribir código analítico basado en indicaciones breves pero muy específicas. No todos los sistemas tuvieron un buen desempeño; solo 4 de los 8 chatbots de IA produjeron código utilizable. Sin embargo, aquellos que tuvieron éxito no requirieron grandes equipos de especialistas para guiarlos.

Gracias a esta rapidez, los investigadores junior pudieron completar sus experimentos, verificar sus hallazgos y enviar sus resultados a una revista en pocos meses.

"Estas herramientas de IA podrían aliviar uno de los mayores cuellos de botella en la ciencia de datos: la construcción de nuestras canalizaciones de análisis", comentó Marina Sirota, PhD, profesora de Pediatría y directora interina del Bakar Computational Health Sciences Institute en UCSF, así como investigadora principal del March of Dimes Prematurity Research Center en UCSF. "La aceleración no podría llegar en un mejor momento para los pacientes que necesitan ayuda ahora".

Importancia de la investigación sobre el parto prematuro

Agilizar el análisis de datos podría mejorar las herramientas de diagnóstico para el parto prematuro, la principal causa de muerte neonatal y un contribuyente importante a desafíos motores y cognitivos a largo plazo en los niños. En Estados Unidos, aproximadamente 1,000 bebés nacen prematuramente cada día.

Aún no se comprenden completamente las causas del parto prematuro. Para investigar los posibles factores de riesgo, el equipo de Sirota compiló datos de microbioma de aproximadamente 1,200 mujeres embarazadas cuyos resultados fueron rastreados a través de nueve estudios distintos.

"Este tipo de trabajo solo es posible con el intercambio de datos abiertos, agrupando las experiencias de muchas mujeres y la experiencia de muchos investigadores", afirmó Tomiko T. Oskotsky, MD, co-directora del March of Dimes Preterm Birth Data Repository, profesora asociada en UCSF BCHSI y coautora del artículo.

Sin embargo, analizar un conjunto de datos tan vasto y complejo resultó un desafío. Para abordarlo, los investigadores recurrieron a una competencia global de crowdsourcing llamada DREAM (Diálogo sobre la Evaluación y Métodos de Ingeniería Inversa).

Sirota co-lideró uno de los tres desafíos de embarazo de DREAM, centrándose específicamente en datos de microbioma vaginal. Más de 100 equipos de todo el mundo participaron, desarrollando modelos de aprendizaje automático diseñados para detectar patrones vinculados al parto prematuro. La mayoría de los grupos completaron su trabajo dentro del plazo de tres meses de la competencia. Sin embargo, se necesitaron casi dos años para consolidar los hallazgos y publicarlos.

Prueba de la IA en datos de embarazo y microbioma

Curiosos por saber si la IA generativa podría acortar ese plazo, el grupo de Sirota se asoció con investigadores liderados por Adi L. Tarca, PhD, coautor y profesor en el Center for Molecular Medicine and Genetics en Wayne State University en Detroit. Tarca había liderado los otros dos desafíos de DREAM, que se centraron en mejorar los métodos para estimar la etapa del embarazo.

Juntos, los investigadores instruyeron a ocho sistemas de IA para generar algoritmos de manera independiente utilizando los mismos conjuntos de datos de los tres desafíos de DREAM, sin codificación humana directa.

Los chatbots de IA recibieron instrucciones cuidadosamente redactadas en lenguaje natural. De manera similar a ChatGPT, los sistemas fueron guiados a través de indicaciones detalladas diseñadas para orientarlos en el análisis de los datos de salud de formas comparables a las de los participantes originales de DREAM.

Sus objetivos reflejaron los desafíos anteriores. Los sistemas de IA analizaron datos de microbioma vaginal para identificar signos de parto prematuro y examinaron muestras de sangre o placentas para estimar la edad gestacional. La datación del embarazo es casi siempre una estimación, pero determina el tipo de atención que reciben las mujeres a medida que avanzan los embarazos. Cuando las estimaciones son inexactas, prepararse para el trabajo de parto se vuelve más difícil.

Los investigadores luego ejecutaron el código generado por la IA utilizando los conjuntos de datos de DREAM. Solo 4 de las 8 herramientas produjeron modelos que coincidían con el rendimiento de los equipos humanos, aunque en algunos casos los modelos de IA tuvieron un mejor desempeño. Todo el esfuerzo de la IA generativa, desde su inicio hasta la presentación de un artículo, tomó solo seis meses.

Los científicos enfatizan que la IA aún requiere supervisión cuidadosa. Estos sistemas pueden producir resultados engañosos, y la experiencia humana sigue siendo esencial. Sin embargo, al clasificar rápidamente enormes conjuntos de datos de salud, la IA generativa podría permitir que los investigadores dediquen menos tiempo a solucionar problemas de código y más tiempo a interpretar resultados y formular preguntas científicas significativas.

"Gracias a la IA generativa, los investigadores con una formación limitada en ciencia de datos no siempre necesitarán formar amplias colaboraciones o pasar horas depurando código", comentó Tarca. "Pueden centrarse en responder las preguntas biomédicas adecuadas".

Los autores de la investigación incluyen a Reuben Sarwal, Victor Tarca, Claire Dubin, Sanchita Bhattacharya, Atul Butte, Gaurav Bhatti, Nikolas Kalavros, Roberto Romero, entre otros. Este trabajo fue financiado por el March of Dimes Prematurity Research Center en UCSF y por ImmPort. Los datos utilizados en este estudio fueron generados en parte con el apoyo de la Pregnancy Research Branch del NICHD.

Temas