IA Generativa en Sanidad: Casos prácticos y aplicaciones reales

Generación de datos

La IA, como los chatbots de IA médica, necesita conjuntos de datos amplios y diversos de los que aprender, pero las leyes de privacidad de los pacientes, como la HIPAA, dificultan el intercambio de datos clínicos reales entre instituciones. Ahí es donde entra en juego la IA generativa para la generación de datos sintéticos.

En lugar de acceder a historiales reales de pacientes, los investigadores utilizan modelos generativos entrenados en conjuntos de datos no identificados. Estos modelos aprenden patrones sobre cómo progresan las enfermedades, cómo se correlacionan los síntomas con los resultados de laboratorio y cómo afectan los tratamientos a los resultados. A continuación, generan historiales de pacientes totalmente sintéticos que parecen y se comportan como datos reales, pero que no están vinculados a ninguna persona.

Supongamos que un hospital quiere entrenar un modelo de IA para detectar los primeros signos de sepsis. Sólo tiene 200 casos. No son suficientes. Así que el modelo de IA analiza esos 200 casos reales y genera miles de casos sintéticos:

• Algunos muestran síntomas típicos de sepsis.
• Otros imitan combinaciones poco frecuentes, como fiebre tardía más constantes vitales anormales tres días después.
• Algunos incluso simulan pacientes con síntomas engañosos, lo que ayuda a probar casos extremos.

Estos registros sintéticos no pertenecen a nadie, pero se comportan como datos reales.

Esto abre nuevas vías para poner a prueba ideas y explorar escenarios hipotéticos en medicina sin poner en peligro la privacidad del paciente.

Diagnóstico médico

En Estados Unidos, hospitales como Mayo Clinic y Mass General Brigham están introduciendo datos anónimos de pacientes, como resonancias magnéticas, tomografías computarizadas, resultados de laboratorio y notas clínicas, en herramientas de diagnóstico de IA. 

De hecho, el 65% de los hospitales estadounidenses ya utilizan modelos de IA predictiva en alguna parte de sus flujos de trabajo de diagnóstico.

Un campo que ha experimentado una adopción especialmente rápida es el de la radiología, donde la IA ayuda a los médicos a superar los límites del ojo humano. Los algoritmos están entrenados para reconstruir imágenes borrosas y resaltar áreas de interés como tumores o fracturas.

Pero las aplicaciones más impactantes no se limitan a una sola imagen. Los grandes modelos lingüísticos pueden combinar datos de múltiples fuentes, desde informes radiológicos y notas médicas hasta valores de laboratorio, recetas y constantes vitales del paciente, para construir una imagen más completa.

Imagina un historial de un paciente que diga: "Dificultad respiratoria leve desde hace dos semanas, nuevas sibilancias, sin antecedentes de asma".

Un asistente de inteligencia artificial podría reconocer un posible patrón de insuficiencia cardíaca precoz. A continuación, comprueba los valores de laboratorio recientes del péptido natriurético tipo B (utilizado para detectar el estrés cardíaco) y el historial de medicación. Si el paciente tiene más de 65 años, el sistema podría priorizar la insuficiencia cardíaca como más probable que el asma, y marcarlo para que lo revise el médico.

Descubrimiento de fármacos

En 2020, científicos del MIT y Harvard utilizaron la IA generativa para identificar un nuevo antibiótico, la halicina, que podría acabar con las bacterias resistentes a los medicamentos. 

Este tipo de avance de la IA está cambiando la forma en que los químicos e investigadores farmacéuticos abordan una de las partes más caras y laboriosas de la medicina.

El desarrollo de un solo fármaco, incluido el coste de los candidatos fallidos, puede costar entre 1.000 y 2.000 millones de USD. Tradicionalmente, se trata de un juego de números: seleccionar miles de compuestos, realizar un ensayo tras otro y esperar que uno de ellos dé en el blanco. 

La IA generativa agiliza enormemente el proceso. Los investigadores empiezan con una petición de descubrimiento de fármacos del tipo "Diseña una molécula que inhiba las mutaciones KRAS G12C en el cáncer de pulmón pero que no afecte a las células sanas". 

Esta información se introduce en un modelo generativo entrenado a partir de bases de datos de estructuras químicas, interacciones proteínicas y efectos secundarios conocidos. En cuestión de horas, el modelo propone estructuras moleculares totalmente nuevas que cumplen esos criterios, algunas inspiradas en compuestos ya existentes y otras completamente nuevas. 

Los investigadores pueden simular cómo se unen estas moléculas a las proteínas diana, reduciendo la lista antes de realizar un experimento de laboratorio.

También funciona a la inversa. Si los investigadores introducen datos de expresión génica de pacientes enfermos, el modelo puede inferir qué tipo de compuesto podría solucionar la disfunción subyacente, aunque ese compuesto aún no exista.

Documentación clínica 

En lugar de pasar horas examinando las historias clínicas electrónicas (HCE), los médicos pueden recibir ahora resúmenes instantáneos que muestran información clave como diagnósticos, medicamentos, tendencias de laboratorio e historial de tratamiento.

Estos resúmenes ayudan a los proveedores a ponerse al día más rápidamente, especialmente durante los cambios de turno o cuando hay un gran volumen de pacientes.

Además de mejorar el acceso a la información, estas herramientas también se utilizan para automatizar la documentación. Los médicos suelen pasar más tiempo redactando notas que tratando a los pacientes. Pero con LLMs, los médicos pueden dictar o cargar los datos del paciente y recibir a cambio un borrador de la nota de evolución o el resumen del alta. El último paso es una rápida revisión y aprobación.

Epic Systems, uno de los mayores proveedores de HCE de Estados Unidos, está probando activamente la generación de notas asistida por IA en colaboración con Microsoft. En otro estudio, los primeros resultados muestran que los médicos ahorran una media de 3,3 horas a la semana con la documentación asistida por IA. 

Estos sistemas también introducen una capa de comprobación de la seguridad clínica. Los modelos de IA detectan posibles problemas, como interacciones entre medicamentos y alergias o instrucciones contradictorias ocultas en el historial. Aunque no toman decisiones, actúan como un segundo par de ojos, reduciendo el riesgo de error médico.

Medicina personalizada

La IA generativa puede predecir cómo responderán las personas a los tratamientos analizando su genética y su historial médico. 

Entrenados en grandes conjuntos de datos, los modelos de IA encuentran patrones sutiles -como el modo en que una variante genética específica afecta al metabolismo de un fármaco- y utilizan esa información para recomendar soluciones a medida.

Tratamiento de salud mental

Este mismo principio de utilizar la IA generativa para modelar respuestas personalizadas se está explorando también en el ámbito de la salud mental. 

Empresas como Woebot Health están desarrollando herramientas de terapia cognitivo-conductual (TCC) impulsadas por IA. Estos sistemas analizan interacciones previas para crear diálogos terapéuticos personalizados y simular desencadenantes de ansiedad del mundo real, como asistir a una fiesta multitudinaria o recibir críticas en el trabajo. A continuación, guían al paciente a través de estrategias de afrontamiento en tiempo real, ofreciendo continuidad entre las sesiones de terapia.

Educación y formación médicas

La formación médica tradicional siempre se ha basado en estudios de casos estáticos y pacientes estandarizados. Son útiles, pero no preparan del todo a los estudiantes para la imprevisibilidad del trabajo clínico real. 

La IA generativa cambia esta situación al introducir nuevas simulaciones que se adaptan a la forma en que cada alumno responde y aprende.

Virti, una empresa con sede en el Reino Unido, ha desarrollado "pacientes virtuales" con IA para mejorar la formación clínica a distancia. En Virti, un estudiante puede tener que:

• Dar malas noticias a un paciente virtual con cáncer
• Calmar a un familiar enfadado que exige respuestas
• Explicar un diagnóstico complicado en términos sencillos

Los pacientes virtuales responden en tiempo real a lo que el alumno dice o hace, lo que crea una experiencia más realista. 

El paciente virtual de Virti también evalúa la claridad y empatía con que se comunica el alumno. Si un alumno dice algo como "metastásico", el sistema puede sugerirle que lo reformule como "el cáncer se ha extendido" para que el paciente lo entienda mejor.

Virti también realiza un seguimiento del rendimiento de los alumnos en las simulaciones, proporcionando a los instructores paneles que destacan las áreas en las que los alumnos pueden tener dificultades, como la prescripción excesiva de antibióticos o la omisión de diagnósticos críticos.

Esta tecnología de IA es cada vez más popular en la práctica. Durante la pandemia de COVID-19, la tecnología de Virti formó a más de 300 médicos del hospital Cedars-Sinai.

Educación del paciente

En lo que respecta a la educación del paciente, la IA generativa permite una educación personalizada mediante el análisis de su estado y su historial médico. 

Aplicaciones como OneRemission utilizan chatbots de inteligencia artificial para guiar a los supervivientes de cáncer en la atención posterior al tratamiento. Si un paciente pregunta: "¿Puedo comer esto con la medicación?", el chatbot le da una respuesta directa basada en su historial médico. 

Esta interacción va más allá de las conversaciones estáticas. Un paciente con diabetes recién diagnosticada, por ejemplo, puede empezar por lo básico: cómo medir el azúcar en sangre, cuándo inyectarse insulina, qué comer. Luego puede preguntar: "¿Qué pasa si me salto una dosis?" o "¿Puedo comer fruta?". La IA responde enseguida en un lenguaje sencillo y no técnico.

La IA también va al encuentro de las personas. Si alguien tiene pocos conocimientos de salud o habla otro idioma, la IA adapta su explicación. En lugar de decir "controle su glucosa", puede decir "controle su glucemia con este dispositivo. He aquí cómo".

Para mantener a los pacientes en el buen camino, los chatbots de IA también envían recordatorios puntuales como "Tómese la pastilla de las 16:00 ahora" o "Su cita de seguimiento es mañana a las 10:00". 

Funciones administrativas

Puede que los hospitales dispongan de alta tecnología en el quirófano, pero entre bastidores, muchos siguen funcionando con hojas de cálculo, archivos PDF escaneados y largos hilos de correo electrónico. Los departamentos de recursos humanos, finanzas y operaciones a menudo dependen de sistemas obsoletos que hacen ineficientes incluso los flujos de trabajo básicos.

La IA generativa está ayudando a modernizar estas funciones administrativas convirtiendo los procesos manuales en sistemas automatizados.

Por ejemplo, las finanzas. En lugar de que el personal revise manualmente cada factura, algunos hospitales utilizan ahora la IA para escanear las órdenes de compra, cotejarlas con los contratos de los proveedores, detectar incoherencias como cargos duplicados y enviarlas al aprobador correcto. 

En RRHH, la IA impulsa chatbots internos de IA que responden a preguntas del personal como "¿Dónde puedo encontrar la política de PTO?". En lugar de esperar horas (o días) a que TI o RRHH respondan, los empleados obtienen respuestas al instante, incluso a las 2 de la mañana.

Puede que estas herramientas entre bastidores no sean tan visibles como los modelos de diagnóstico o los asistentes virtuales, pero detectan errores y liberan al personal para que pueda centrarse en tareas de mayor impacto. 

Y los hospitales no son la única parte del sistema sanitario que se enfrenta a flujos de trabajo obsoletos. Los proveedores de seguros están utilizando chatbots de IA para gestionar tareas como la actualización de pólizas y la tramitación de reclamaciones, lo que ofrece un claro ejemplo de cómo los hospitales pueden aportar la misma eficiencia a sus propias operaciones.

Llamadas de seguimiento de vacunas automatizadas con Voice AI

Durante el despliegue de la vacuna COVID-19 en Italia, los equipos de salud pública necesitaban una forma de controlar los efectos secundarios en miles de pacientes. Confiar en los controles personales o las llamadas telefónicas no era escalable, y los retrasos podían hacer que no se detectaran reacciones graves.

engineon creó un bot basado en la voz utilizando Botpress para llamar a los pacientes de forma proactiva, preguntarles sobre los síntomas postvacunales y registrar las respuestas, todo ello cumpliendo las leyes de privacidad de la UE. 

Los datos se introdujeron directamente en el sistema de análisis de engineon, lo que ayudó a los funcionarios sanitarios a responder rápidamente a los acontecimientos adversos.

El resultado fue una precisión de respuesta del 95%, 80.000 euros de ahorro anual y más de 6.000 horas de trabajo liberadas. 

Asistente clínico manos libres para médicos

El Centro Médico de la Universidad de Vanderbilt se enfrentaba a un problema creciente: el agotamiento de los proveedores. 

La documentación y el trabajo administrativo consumían mucho tiempo y elevaban los costes laborales. Para aliviar la carga, la Dra. Yaa Kumah-Crystal dirigió un esfuerzo para introducir herramientas de IA por voz en los flujos de trabajo clínicos diarios.

En colaboración con Epic Systems, el equipo desarrolló V-EVA: un asistente de voz que permite a los médicos acceder a información clave del paciente con sólo pedírsela verbalmente. En lugar de leer historiales o escuchar largas respuestas de audio, los profesionales ven resúmenes instantáneos en pantalla adaptados a sus necesidades.

Los médicos ya utilizan comandos de voz para pedir análisis y solicitar actualizaciones sin necesidad de usar las manos. A medida que la IA mejore, se espera que haga aún más, como escuchar conversaciones y anticiparse a las necesidades clínicas.

Chatbot de inteligencia artificial para responder a las preguntas más frecuentes sobre salud pública

Durante el brote de COVID-19 en Quebec, el Ministerio de Sanidad y Servicios Sociales (MSSS) tuvo que hacer frente a una oleada de consultas del público, desde síntomas y pruebas hasta ayudas económicas y normas de salud pública. Sus centros de atención telefónica no daban abasto.

Para responder con rapidez, MSSS desplegó un chatbot de IA Botpress en solo dos semanas. Fue entrenado para responder a grandes volúmenes de preguntas relacionadas con la COVID, disponible 24 horas al día, 7 días a la semana, y siempre al día de las últimas directrices sanitarias.

COVID-19 Línea directa de triaje gestionada por un robot de voz con inteligencia artificial

Durante la primera oleada de COVID-19, el Mass General Brigham puso en marcha una línea directa para ayudar a los pacientes con preguntas. Pero en cuestión de horas, el volumen de llamadas se disparó. 

Para solucionarlo, el equipo creó un asistente de voz basado en IA y entrenado en los protocolos de detección de los CDC. El bot hacía preguntas sobre los síntomas, ofrecía los siguientes pasos y dirigía a los pacientes a urgencias, a un médico de atención primaria o a urgencias.

Al descargar las llamadas rutinarias, el bot de IA redujo drásticamente los tiempos de espera y ayudó a miles de pacientes a obtener orientación más rápidamente. 

Hoy en día, ese impulso inicial del uso de la IA continúa: 1 de cada 10 médicos del Mass General Brigham utiliza IA generativa, ahora para ayudar con la documentación.

Herramienta de voz con inteligencia artificial para discapacitados

Vocable es una aplicación gratuita que ayuda a las personas con problemas de habla a comunicarse utilizando los movimientos de la cabeza, la cara o los ojos para generar respuestas naturales basadas en inteligencia artificial.

La primera versión utilizaba la cámara frontal de un dispositivo móvil para seguir los movimientos de la cabeza y la cara, lo que permitía a los usuarios seleccionar palabras y frases en la pantalla. Fue un gran paso adelante en comparación con los dispositivos tradicionales de CAA (comunicación aumentativa y alternativa), que a menudo cuestan más de 15.000 dólares y ofrecen una funcionalidad limitada.

Pero la sensación seguía siendo mecánica. Para cambiar eso, el equipo integró ChatGPT. Ahora, Vocable entiende lo que dice un cuidador y genera respuestas inteligentes en tiempo real.

En Apple Vision Pro, la experiencia va aún más allá. Los usuarios pueden navegar por la interfaz con seguimiento ocular en una pantalla totalmente inmersiva.

El resultado es una moderna herramienta de comunicación para supervivientes de ictus, personas con ELA o EM, pacientes no verbales y otras personas con dificultades para hablar.

1. Defina sus objetivos

No construyas un chatbot sólo por tener uno. Decide exactamente lo que debe hacer.

• ¿Debe reservar citas?
• ¿Enviar recordatorios de recetas?
• ¿Evaluar los síntomas y dirigir a los pacientes a los servicios sanitarios?

Cada objetivo conlleva diferentes características, integraciones y decisiones de diseño. Por ejemplo, si desea un triaje de síntomas, necesitará un agente LLM que entienda el lenguaje natural y pueda manejar entradas abiertas como: "Llevo dos días con dolor de garganta y fiebre, ¿debería venir?".

Sin objetivo claro = bot desordenado sin valor claro.

2. Elegir la plataforma de IA adecuada

No todos los creadores de chatbot sirven para hospitales o clínicas. Elija una plataforma diseñada para el sector sanitario o que se adapte fácilmente a él. Para empezar, aquí tienes 9 de los mejores creadores de chatbot de IA.

Busque flujos de trabajo personalizables, de modo que pueda definir la lógica para el triaje, los recordatorios o la admisión, e integraciones con HCE, portales de pacientes y herramientas de programación.

Confirme también que es compatible con el cumplimiento (por ejemplo, HIPAA) y la escalabilidad. No querrá tener que reconstruirlo cuando su piloto se amplíe. 

Y asegúrese de que la plataforma que elija incluya medidas de seguridad sólidas para el chatbot, como el cifrado de datos y los controles de acceso basados en funciones. 

3. Integración con los sistemas centrales

Un chatbot independiente no servirá de mucho. Para obtener un valor real de la implementación de tu chatbot, intégralo con tus sistemas principales para que pueda hacer cosas como:

• Extraiga datos de los pacientes de su HCE para personalizar las interacciones
• Consultar la disponibilidad de citas en tiempo real
• Gestionar las cuestiones de facturación conectándose a las herramientas de seguros y reclamaciones.
• Seguimiento de los datos de uso a través de plataformas analíticas como Looker o Tableau

Sin integración, su chatbot no es más que un elegante FAQ.

4. Crea y prueba

Diseñe el flujo de la conversación como si fuera un proceso clínico. Planifícalo:

• ¿Qué debe decir primero el robot?
• ¿Qué preguntas de seguimiento debe formular?
• ¿Cómo gestiona las entradas confusas o la escalada?

Una vez que el flujo esté claro, construye tu chatbot.

5. Reiterar

Por último, pruébalo de forma iterativa.

Simule charlas con pacientes, descubra dónde falla y arréglelo. Obtenga opiniones del personal de primera línea y de usuarios reales. Ajusta el tono y las respuestas hasta que funcione como se espera.

La mejora no termina tras el lanzamiento. Los mejores robots evolucionan con el uso en el mundo real.

¿Cómo sé si mi organización sanitaria está preparada para implantar la IA generativa?

Sabrá que su organización sanitaria está preparada para implantar la IA generativa si tiene problemas bien definidos que resolver, como reducir el tiempo de documentación o mejorar el análisis de datos, y si su equipo está abierto a adoptar nuevas herramientas digitales. Estar preparado también significa disponer de sistemas de datos seguros (como HCE) con los que pueda integrarse la IA, y contar con el apoyo de los directivos para poner a prueba proyectos de IA pequeños y específicos antes de ampliarlos.

¿Qué leyes sobre la privacidad de los datos de los pacientes debo tener en cuenta al utilizar la IA generativa en la asistencia sanitaria?

Cuando se utiliza IA generativa en sanidad, hay que cumplir las leyes de privacidad del paciente, como la HIPAA en Estados Unidos (o la GDPR en Europa), que rigen cómo se almacena y comparte la información sanitaria protegida (PHI). Esto significa que cualquier herramienta de IA que despliegue debe ser compatible con el cifrado, estrictos controles de acceso, registros de auditoría y procesos para desidentificar los datos si se utilizan para modelos de formación o análisis.

¿Es la IA generativa lo bastante segura para la toma de decisiones clínicas o sólo debe utilizarse para tareas administrativas?

La IA generativa aún no es lo bastante fiable como para sustituir al juicio clínico y debe utilizarse como herramienta de ayuda más que para tomar decisiones en la atención al paciente. Es segura para tareas administrativas, como la redacción de notas y la gestión de consultas rutinarias de los pacientes, pero cualquier diagnóstico médico o plan de tratamiento debe estar siempre bajo supervisión humana para evitar errores.

¿Cuánto se tarda normalmente en implantar un chatbot de IA en un entorno sanitario?

Desplegar un chatbot de IA en un entorno sanitario puede llevar desde unas pocas semanas hasta varios meses, dependiendo de la complejidad. Un bot básico de preguntas frecuentes puede lanzarse en 2-4 semanas, mientras que un chatbot sofisticado que se conecte a las HCE, gestione conversaciones conformes con la HIPAA o realice triaje puede tardar entre 2 y 6 meses en desarrollarse, probarse y obtener las aprobaciones de conformidad.

¿Hay especialidades médicas concretas en las que la IA generativa sea más útil?

Sí, la IA generativa es especialmente útil en especialidades como la radiología (para interpretar imágenes y redactar informes), la patología (para resumir hallazgos), la oncología (para resumir planes de tratamiento complejos), la salud mental (para bots de terapia conversacional) y campos con gran carga administrativa como la atención primaria, donde ayuda a generar documentación clínica y a gestionar la comunicación con los pacientes de forma eficiente.