Los LLM (como ChatGPT, Gemini, Claude y Llama) son ejemplos de modelos de fundación, sistemas de IA a gran escala entrenados en vastos conjuntos de datos que pueden adaptarse a numerosas tareas, y de IA generativa, que crea contenido novedoso al modelar distribuciones de datos complejos.
Los LLM están trazando un camino hacia una IA conversacional significativa en medicina. Pueden proporcionar interfaces accesibles para que los pacientes interactúen con sus datos de salud en la historia clínica electrónica (HCE) y con información médica general. Se han utilizado para simplificar informes de patología y transformar resúmenes de alta hospitalaria a formatos amigables para el paciente. También han demostrado potencial para reducir el estigma en la atención de salud mental y aumentar las tasas de derivación, especialmente para grupos subrepresentados.
Los LLM también pueden actuar como herramientas para los médicos, demostrando un rendimiento comparable o superior al de los humanos en la toma de registros, el seguimiento de vías diagnósticas y la comunicación. Sirven como recursos de conocimiento médico y los modelos ya logran puntajes aprobatorios en exámenes de licencia médica.
Los escribas impulsados por IA pueden automatizar tareas de documentación, como registrar historiales de pacientes, crear notas médicas y gestionar solicitudes de preautorización, mejorando la eficiencia. Los sistemas agénticos (donde los sistemas de IA completan tareas complejas interactuando con otros sistemas o humanos) prometen automatizar flujos de trabajo y mejorar la seguridad. Polaris AI es un ejemplo de este enfoque agéntico que utiliza una "arquitectura de constelación" de agentes LLM especializados para mantener la precisión médica y la seguridad en las interacciones.
La medicina es inherentemente un dominio multimodal, donde los conocimientos clínicos provienen de la combinación de escaneos de radiología, registros de pacientes, secuencias genómicas y consultas habladas. La IA generativa multimodal supera las limitaciones de los modelos unimodales al aprender representaciones unificadas en diversas modalidades, lo que permite una comprensión más profunda de los datos médicos.
Un avance fundamental es el modelo CLIP (Contrastive Language-Image Pretraining), que alinea representaciones vectoriales de imágenes, texto y otras modalidades en un espacio latente compartido. Esta alineación permite a los modelos generativos procesar y generar salidas multimodales, como sintetizar informes médicos a partir de datos de imágenes o responder consultas clínicas combinando entradas visuales y textuales.
La IA multimodal mejora la precisión diagnóstica al correlacionar imágenes y notas clínicas, acelera el descubrimiento de fármacos al integrar estructuras moleculares con anotaciones textuales y personaliza los planes de tratamiento al combinar historiales de pacientes con datos de sensores en tiempo real. En el campo de la patología, la IA multimodal está progresando rápidamente, con modelos como PathChat y CONCH, capaces de tareas avanzadas como el subtitulado de imágenes y la respuesta a preguntas sobre imágenes histopatológicas.
La práctica médica habilitada por la IA transforma la atención clínica de interacciones esporádicas a monitoreo continuo y controles regulares. En lugar de un tratamiento hospitalario reactivo de enfermedades más avanzadas, los eventos médicos pueden abordarse constantemente en entornos familiares en una etapa más temprana. Los nuevos conocimientos médicos pueden integrarse más fácilmente en los modelos de atención, mientras que los nuevos medicamentos se crean utilizando nuevas técnicas habilitadas por la IA.
La IA está llevando a un nuevo modelo de gestión de la salud que pasa de una atención reactiva y centrada en el hospital a una atención proactiva, personalizada y accesible. Algunos ejemplos son:
• Monitorización continua y autonomía del paciente: Los nuevos sensores habilitados por IA (como smartwatches e implantes) pueden identificar individuos en riesgo de fibrilación auricular, detectar disfunción ventricular izquierda, monitorizar la función cardíaca posvacunación COVID-19, y predecir el rechazo renal o monitorear los niveles de cortisol. Los dispositivos basados en móviles con IA pueden diagnosticar lesiones cutáneas sospechosas o enfermedades como la otitis media aguda, reduciendo la necesidad de consultas presenciales.
• Cribado médico avanzado: Las herramientas de cribado con IA pueden detectar enfermedades de forma más temprana y eficiente, permitiendo una orientación más precisa de individuos de alto riesgo. Ejemplos incluyen la recalibración de recomendaciones de cribado de cáncer de pulmón, algoritmos de interpretación de mamografías que igualan las habilidades humanas, y sistemas basados en imágenes de retina para predecir infarto de miocardio.
• Pronóstico médico multiescala: La IA permite predicciones en múltiples niveles, desde el molecular hasta el poblacional. AlphaFold2 revolucionó la predicción de la estructura de proteínas con una precisión sin precedentes. AlphaFold3 expandió esto a estructuras biomoleculares más complejas. Modelos de IA pueden alertar a los clínicos sobre descompensación inminente, identificar pacientes en riesgo de hipotensión, taquicardia o hipoxia, y predecir el riesgo de futuros eventos cardiovasculares. Los algoritmos de IA en radiología pueden identificar patrones sutiles de textura de imagen no detectables por humanos en estudios de RMI o TAC para clasificar tumores, predecir histopatología, grado y potencial metastásico. Herramientas como RETFound utilizan fotografía de fondo de ojo para predecir condiciones sistémicas, como insuficiencia cardíaca. Los modelos de IA basados en datos de la HCE pueden predecir reingresos, mortalidad y duración de la estancia.
A pesar de las promesas, la adopción generalizada de la IA en la práctica clínica enfrenta desafíos significativos:
• Precisión, sesgo y privacidad: Los LLM tempranos eran propensos a "alucinaciones". El sesgo en los datos de entrenamiento y la tendencia de los LLM a aceptar la entrada como verdadera pueden limitar la precisión. Además, persisten preocupaciones sobre la privacidad.
• Regulación y validación: Determinar cómo regular estas herramientas es un desafío, ya que no siempre generalizan bien en diferentes poblaciones. La FDA ha desarrollado el marco Predetermined Change Control Plan (PCCP) para la certificación y actualización de productos de IA.
• Opacidad del modelo: La naturaleza de "caja negra" de muchos modelos de IA actuales reduce la comprensión de sus mecanismos, usos y limitaciones.
• Rigor de la investigación: Muchos estudios de predicción son retrospectivos y podrían no ser lo suficientemente rigurosos para la implementación clínica generalizada.
• Integración en los sistemas de salud: Los sistemas de salud son complejos, a menudo desactualizados y heterogéneos, lo que hace que la integración de datos y la incorporación de la IA en los HCE y los procesos de toma de decisiones sea un proceso largo y arduo.
• Rol del médico: El rol de los médicos probablemente evolucionará, requiriendo capacitación para interpretar y actuar sobre los datos generados por estas herramientas, y abordando el escepticismo sobre la posible pérdida de empleo o autonomía.
• Costos y reembolso: Los costos de implementación son inciertos y los modelos de reembolso actuales (como los códigos CPT o DRG) generalmente no cubren las herramientas de IA.
• Disparidad en el ritmo de desarrollo: El rápido avance de la IA contrasta con el progreso médico tradicional y la capacidad de adaptación de las agencias reguladoras.