Gen AI tiene el potencial de transformar la atención médica global – y la tensión ‘entre la perfecta y la buena’
El director del Centro de Salud Digital de Stanford comparte información sobre las herramientas de IA que cierran las brechas de atención médica en los países de bajos y medianos ingresos. Cuando se trata de problemas de salud globales generalizados, ChatGPT y similares pueden no ser la primera solución que se te ocurra. Pero la IA generativa, el tipo de modelo de lenguaje grande que subyace a los chatbots de inteligencia artificial como ChatGPT, podría tener mucho que ofrecer en países de bajos y medianos ingresos donde el acceso a atención médica confiable sigue siendo un obstáculo para muchos. Eleni Linos, MD, DrPH, el director de la Centro Stanford para la Salud Digitalpasa mucho tiempo pensando en cómo las herramientas digitales, incluida la IA generativa, podrían abordar los problemas de salud que los humanos no han podido resolver. Recientemente, Linos y su equipo de investigación en el centro coautor de un informe sobre la aplicación de IAA generativa para la salud en países de bajos y medianos ingresos en colaboración con Isabella de Vere Hunt de Oxford y Soule Sarah, la decana entrante de la Graduate School of Business y el Stanford Center for Advanced Study in Behavioral Science, que lideró durante nuestra investigación. ¿Cómo surgió este informe? Hablamos con Linos sobre cómo la IA se puede utilizar para proporcionar atención médica personalizada y confiable e información a los pacientes, especialmente en entornos donde la atención médica de alta calidad es difícil de acceder, o cuando las personas dudan en discutir cosas como las pruebas de VIH o la salud reproductiva con su médico. Linos, el profesor de Medicina Ben Davenport y Lucy Zhang, también discutió la dificultad de llegar a los pacientes de forma remota en lugares donde muchos hogares no tienen acceso a herramientas en línea. Esta entrevista ha sido editada por su longitud y claridad. A medida que el uso generativo de IA crece rápidamente, la oportunidad de transformar las vidas de las personas en todo el mundo también ha aumentado. El potencial – el optimismo – de que finalmente podemos proporcionar atención médica de alta calidad para todos está aquí. Muchas organizaciones están invirtiendo en proyectos de salud de GenaI en todo el mundo, pero no sabíamos cómo se están utilizando estas herramientas. ¿Qué funciona y qué no funciona? Para averiguarlo, realizamos entrevistas detalladas con trabajadores de la salud, formuladores de políticas, financiadores y desarrolladores de tecnología. Además, encuestamos a cientos de partes interesadas que trabajan en este campo y realizamos dos mesas redondas en Stanford y en Nairobi, Kenia. Nuestro objetivo era proporcionar información oportuna para informar la próxima etapa de inversión y uso de estas tecnologías. ¿Qué tiene de diferente el uso de IA generativa en países de bajos y medianos ingresos que en países de altos ingresos? El acceso a la infraestructura básica de atención médica es muy diferente. Encontrar atención, especialmente atención especializada, es difícil en muchos de estos países con comunidades rurales donde las personas pueden enfrentar largas distancias de viaje a clínicas, costos prohibitivos y escasez de tratamientos y profesionales de la salud capacitados. Cuando se trata de estos modelos de IA, el lenguaje es otro gran desafío. Muchos modelos de IA están capacitados en inglés u otros idiomas comunes, y las traducciones a los miles de idiomas diferentes que se hablan en África, por ejemplo, pueden no ser precisas. Luego está la escala requerida para satisfacer las necesidades de salud de miles de millones de personas que viven en entornos de bajos ingresos. Finalmente, muchas personas en estas comunidades no tienen acceso a Internet o herramientas digitales. Hay una tensión con cualquier modelo de IA para la salud entre lo perfecto y lo suficientemente bueno. Obviamente, primero debemos priorizar la seguridad. Pero si su alternativa es ir por la calle a un médico capacitado que pueda brindar una atención excelente, con empatía y confianza en lugar de obtener su información de un chatbot de IA, eso es una cosa – sus estándares para ese chatbot pueden ser bastante altos. Pero si no tienes esa alternativa o si tu alternativa está esperando nueve meses, lo que cuenta como lo suficientemente bueno es diferente. En muchos entornos, especialmente si las personas están sufriendo, es posible que no tengamos tiempo para esperar el modelo de IA perfecto. ¿Qué es un ejemplo de cómo se utiliza la IA generativa en estos entornos? Uno de los ejemplos más ampliamente escalados que destacamos en el informe es el sistema de PROMPTS de Jacaranda Healthis en Kenia. PROMPTS es un servicio bidireccional de salud materna basado en SMS que proporciona respuestas oportunas generadas por IA a preguntas de pacientes embarazadas y posparto. Desde la integración de un modelo de IA personalizado en Swahili e inglés, el sistema ha mejorado significativamente los tiempos de respuesta – desde horas o días hasta solo minutos. Al combinar la IA con la supervisión humana, PROMPTS ha llegado a más de 500,000 usuarios solo en 2024. El sistema señala casos de alto riesgo para el seguimiento humano inmediato, asegurando que la IA mejore, en lugar de reemplazar, la experiencia humana. Este es un cambio de juego en la atención de la salud materna, particularmente en regiones donde las complicaciones relacionadas con el embarazo siguen siendo la principal causa de muerte. ¿Cuáles son los problemas que aún deben superarse? Además de los desafíos conocidos de la IA en la atención médica: calidad de los datos, consideraciones éticas, privacidad, sesgo algorítmico y las barandillas necesarias para superarlos, nuestra investigación identificó algunos desafíos adicionales específicos para entornos de bajos y medianos ingresos. Muchos de los desarrolladores que trabajan en estos problemas sienten que todos están trabajando en paralelo sin hablar entre sí, en parte porque la tecnología se mueve tan rápido. Necesitamos encontrar una manera confiable para que todos en este campo aprendan unos de otros sobre los éxitos y las luchas. En relación, necesitamos establecer consistencia en las métricas que usamos para medir el éxito para poder comparar como con, algo que nuestro equipo está ayudando a








