Cómo integrar la inteligencia artificial en el entorno clínico.
El interés por la Inteligencia Artificial (IA) ha aumentado notablemente en los últimos años, dando lugar al desarrollo de numerosos algoritmos en diversas áreas, incluyendo la radiología y la imagen. Sin embargo, muchas instituciones o profesionales de la salud no tienen claro como implementar las innovadoras herramientas que ofrece la IA en la práctica clínica diaria. Esto ha llevado a Pierce y sus colegas, expertos de University Hospitals, a describir su experiencia con la integración exitosa de un escáner de rayos-X móvil habilitado por IA.
Este algoritmo aprobado por la FDA (Food and Drug Administration) de Estados Unidos, detecta neumotórax, el colapso de los pulmones, en una solución integral capaz de extraer, entregar y priorizar estudios positivos dentro del flujo de trabajo clínico de radiología torácica de la misma institución. Además de presentar la aplicación exitosa del algoritmo, los autores incluyeron ideas clave para su implementación con el propósito de informar a otras empresas de radiología que buscan evaluar e implementar soluciones relacionadas con la IA en la práctica clínica diaria.
Jonathan Pierce et al, aseguran que el desarrollo de un algoritmo de IA capaz de identificar los hallazgos clínicos en las imágenes de diagnóstico representa una hazaña impresionante, pero por sí mismo ofrece un valor limitado para los profesionales de la salud. Menciona además que el verdadero valor de una tecnología de este tipo se relaciona con la rapidez con la que se puede integrar en la práctica clínica y aprovechar para mejorar las métricas clave, como el tiempo de respuesta.
A continuación, te presentamos los seis pasos que utilizaron estos investigadores para integrar su herramienta de IA en el flujo de trabajo diario de los radiólogos.
1. Validación.
A pesar de ser un algoritmo avalado por la FDA, los expertos de University Hospitals querían confirmar su funcionamiento y eficacia por su propia cuenta. Dos radiólogos torácicos titulares evaluaron de forma independiente los resultados de 150 radiografías de tórax obtenidos a partir de IA. Confirmaron una sensibilidad de casi el 100% en la detección de neumotórax de tamaño moderado a grande y del 80% en el caso de los más pequeños.
2. Integración.
Después de un tiempo, se iniciaron conversaciones entre el equipo informático de la organización, el proveedor de dispositivos y el departamento de radiología torácica. En esta etapa se evaluó si el nuevo algoritmo era compatible con el PACS del hospital y se discutieron puntos importantes. Posteriormente, los miembros del equipo informático introdujeron el algoritmo al sistema. Pierce et al señalan que identificar los encabezados DICOM que contienen información procesable es clave para la integración de una nueva herramienta de IA en el entorno clínico de PACS y que la colaboración abierta con los proveedores de PACS para determinar la mejor manera de utilizar estos datos DICOM es un paso crucial en el proceso.
3. Experimentación.
En esta etapa los investigadores se encargaron de adaptar el algoritmo a sus necesidades y las necesidades del sistema con el que contaban. Lograron que los hallazgos positivos se enviaran directamente al PACS y se mostraran como prioridades principales en tiempo real en las listas de trabajo de los médicos de guardia.
4. Capacitación.
El sistema hospitalario realizó una campaña de capacitación con el propósito de aumentar la concienciación y aceptación del nuevo algoritmo. Conversaron con los administradores, técnicos, gerentes, residentes y radiólogos de guardia, haciéndolos parte del proceso y brindándoles un paquete de diapositivas con la información necesaria.
5. Puesta en marcha.
La institución comenzó a utilizar la solución de IA y al momento de la publicación del estudio, el nuevo escáner había registrado alrededor de 31,000 exámenes, de los cuales 3,000 se consideraron sospechosos y más de 900 rutinarios o no críticos.
6. Seguimiento.
Desde agosto 2020, University Hospitals en Cleveland ha utilizado el algoritmo y registrando casos de IA en sus PACS. Se continúan haciendo análisis estadísticos y dando seguimiento a plazos de entrega y participación de los usuarios.
Y estos pasos aplicados de forma más general son:
En cuanto a los comentarios que ha hecho el departamento de radiología de la institución, Pierce señala que han sido abrumadoramente positivos. Menciona que se ha realizado un consenso entre los radiólogos y los aprendices de que la herramienta es tanto precisa como útil durante la jornada de trabajo regular, así como en los turnos de guardia, con casi ninguna interrupción percibida en su flujo de trabajo normal. Sin duda, parte importante del éxito de la implementación de las herramientas de IA, radica en la aceptación y adaptabilidad del personal de la institución en la que se introduce.
Pierce, J. D., Rosipko, B., Youngblood, L., Gilkeson, R. C., Gupta, A., & Bittencourt, L. K. (2021). Seamless Integration of Artificial Intelligence Into the Clinical Environment: Our Experience With a Novel Pneumothorax Detection Artificial Intelligence Algorithm. Journal of the American College of Radiology. Published. https://doi.org/10.1016/j.jacr.2021.08.023
