Merative LP , anteriormente IBM Watson Health , es una empresa estadounidense de tecnología médica que ofrece productos y servicios que ayudan a los clientes a facilitar la investigación médica , la investigación clínica , la evidencia del mundo real y los servicios de atención médica , mediante el uso de inteligencia artificial , análisis de datos , computación en la nube y otras tecnologías de la información avanzadas. Merative es propiedad de Francisco Partners , una firma de capital privado estadounidense con sede en San Francisco, California . En 2022, IBM se deshizo y escindió su división Watson Health en Merative. A partir de 2023 [actualizar], sigue siendo una empresa independiente con sede en Ann Arbor con centros de innovación en Hyderabad , Bengaluru y Chennai . [1]
Thomson Healthcare fue una división de Thomson Corporation hasta 2008, cuando, tras la fusión de Thomson con Reuters, se convirtió en la unidad de atención sanitaria de Thomson Reuters . El 23 de abril de 2012, Thomson Reuters acordó venderla a Veritas Capital por 1.250 millones de dólares. [2] El 6 de junio de 2012, se concretó la venta y la nueva empresa, Truven Health Analytics, se convirtió en una organización independiente centrada exclusivamente en la atención sanitaria. [3]
IBM Corporation adquirió Truven Health Analytics el 18 de febrero de 2016 y la fusionó con la unidad Watson Health de IBM. [4] Truven Health Analytics proporcionaba servicios integrales de análisis y datos sanitarios, [5] sus soluciones incluían información, herramientas analíticas, puntos de referencia, investigación y servicios para la industria sanitaria , incluidos hospitales, agencias gubernamentales, empleadores, planes de salud, médicos, empresas farmacéuticas, biotecnológicas y de dispositivos médicos. El nombre de la empresa Truven es una combinación de las palabras "trusted" (confiable) y "proven" (probado). [6]
En enero de 2022, IBM anunció la venta de parte de los activos de Watson Health, incluido Truven, a Francisco Partners por un valor de 1.000 millones de dólares. [7] El 30 de junio de 2022, Francisco Partners anunció la finalización de la adquisición de Watson Health y lanzó una empresa de datos sanitarios llamada Merative. [8] [9]
Se están investigando las capacidades de lenguaje natural, generación de hipótesis y aprendizaje basado en evidencia de Watson para ver cómo Watson puede contribuir a los sistemas de apoyo a la toma de decisiones clínicas y al aumento de la inteligencia artificial en la atención médica para su uso por parte de los profesionales médicos . [10] Para ayudar a los médicos en el tratamiento de sus pacientes, una vez que un médico ha planteado una consulta al sistema que describe los síntomas y otros factores relacionados, Watson primero analiza la entrada para identificar las piezas de información más importantes; luego extrae los datos del paciente para encontrar hechos relevantes para el historial médico y hereditario del paciente ; luego examina las fuentes de datos disponibles para formar y probar hipótesis ; [10] y finalmente proporciona una lista de recomendaciones individualizadas con puntaje de confianza. [11] Las fuentes de datos que Watson utiliza para el análisis pueden incluir pautas de tratamiento, datos de registros médicos electrónicos , notas de proveedores de atención médica, materiales de investigación, estudios clínicos, artículos de revistas e información del paciente. [10] A pesar de haber sido desarrollado y comercializado como un "asesor de diagnóstico y tratamiento", Watson nunca ha estado realmente involucrado en el proceso de diagnóstico médico , solo en ayudar a identificar opciones de tratamiento para pacientes que ya han sido diagnosticados. [12]
En febrero de 2011, se anunció que IBM se asociaría con Nuance Communications para un proyecto de investigación para desarrollar un producto comercial durante los próximos 18 a 24 meses, diseñado para explotar las capacidades de apoyo a la toma de decisiones clínicas de Watson. Los médicos de la Universidad de Columbia ayudarían a identificar problemas críticos en la práctica de la medicina , donde la tecnología del sistema podría ser de utilidad. Y también, los médicos de la Universidad de Maryland trabajarían para identificar la mejor manera en que una tecnología como Watson podría interactuar con los médicos para proporcionar la máxima asistencia. [13]
En septiembre de 2011, IBM y WellPoint (ahora Anthem ) anunciaron una asociación para utilizar la capacidad de procesamiento de datos de Watson para ayudar a sugerir opciones de tratamiento a los médicos. [14] Luego, en febrero de 2013, IBM y WellPoint le dieron a Watson su primera aplicación comercial , para decisiones de gestión de utilización en el tratamiento del cáncer de pulmón en el Memorial Sloan–Kettering Cancer Center . [15]
IBM anunció una asociación con Cleveland Clinic en octubre de 2012. La compañía ha enviado a Watson al Lerner College of Medicine de la Cleveland Clinic de la Case Western Reserve University , donde aumentará su experiencia en salud y ayudará a los profesionales médicos a tratar a los pacientes. La instalación médica utilizará la capacidad de Watson para almacenar y procesar grandes cantidades de información para ayudar a acelerar y aumentar la precisión del proceso de tratamiento. "La colaboración de Cleveland Clinic con IBM es emocionante porque nos ofrece la oportunidad de enseñar a Watson a 'pensar' de formas que tienen el potencial de convertirlo en una poderosa herramienta en medicina", dijo C. Martin Harris, MD, director de información de Cleveland Clinic . [16]
En 2013, IBM y el MD Anderson Cancer Center iniciaron un programa piloto para promover la "misión del centro de erradicar el cáncer". [17] [18] Sin embargo, después de gastar 62 millones de dólares, el proyecto no alcanzó sus objetivos y se detuvo. [19]
El 8 de febrero de 2013, IBM anunció que los oncólogos del Centro de Medicina del Cáncer de Maine y del Grupo Médico Westmed de Nueva York habían comenzado a probar el sistema de supercomputadora Watson en un esfuerzo por recomendar un tratamiento para el cáncer de pulmón. [20]
El 29 de julio de 2016, IBM y Manipal Hospitals [21] (una cadena de hospitales líder en India) anunciaron el lanzamiento de IBM Watson for Oncology, para pacientes con cáncer. Este producto proporciona información y conocimientos a médicos y pacientes con cáncer para ayudarlos a identificar opciones de atención oncológica personalizadas y basadas en evidencia. Manipal Hospitals es el segundo hospital [22] en el mundo en adoptar esta tecnología y el primero en el mundo en ofrecerla a los pacientes en línea como una segunda opinión experta a través de su sitio web . [23] Manipal interrumpió este contrato en diciembre de 2018.
El 7 de enero de 2017, IBM y Fukoku Mutual Life Insurance firmaron un contrato para que IBM realizara análisis de pagos de compensación a través de su IBM Watson Explorer AI, lo que resultó en la pérdida de 34 puestos de trabajo y la compañía dijo que aceleraría el análisis de pagos de compensación mediante el análisis de reclamos y registros médicos y aumentaría la productividad en un 30%. La compañía también dijo que ahorraría ¥140 millones en costos operativos. [24]
Se dice que IBM Watson albergará la base de conocimientos de 1000 especialistas en cáncer, lo que supondrá una revolución en el campo de la atención sanitaria. IBM se considera una innovación disruptiva. Sin embargo, la rama de la oncología todavía está en su fase inicial. [25]
Varias empresas emergentes en el ámbito de la atención sanitaria han utilizado de forma eficaz siete arquetipos de modelos de negocio para llevar soluciones [ palabra de moda ] basadas en IBM Watson al mercado. Estos arquetipos dependen del valor generado para el usuario objetivo (por ejemplo, el enfoque en el paciente frente al enfoque en el proveedor de atención sanitaria y el pagador) y de los mecanismos de captura de valor (por ejemplo, proporcionar información o conectar a las partes interesadas). [26]
En 2019, Eliza Strickland califica la "historia de Watson Health [...] como una advertencia sobre la arrogancia y la exageración" y ofrece una "muestra representativa de proyectos" con su estado. [27] Una publicación de 2021 de la Association for Computing Machinery (ACM) titulada "¿Qué pasó con Watson Health?" describió los desafíos de gestión de cartera de Watson Health dada la cantidad de adquisiciones involucradas en la creación de la división en 2015 y su énfasis casi total en el proceso de "lavado azul" por sobre las necesidades de la base de clientes de adquisición. [28]
El 21 de enero de 2022, IBM anunció que vendería Watson Health a la firma de capital privado Francisco Partners . [29]
El motivo posterior de que las grandes empresas de salud se fusionen con otras empresas de salud permite una mayor accesibilidad a los datos de salud. [30] Una mayor cantidad de datos de salud puede permitir una mayor implementación de algoritmos de IA . [31]
Una gran parte del enfoque de la industria en la implementación de IA en el sector de la salud se centra en los sistemas de apoyo a la toma de decisiones clínicas . [32] A medida que aumenta la cantidad de datos, los sistemas de apoyo a la toma de decisiones basados en IA se vuelven más eficientes. Numerosas empresas están explorando las posibilidades de la incorporación de big data en la industria de la atención médica. [33]
Watson Oncology de IBM está en desarrollo en el Memorial Sloan Kettering Cancer Center y en la Cleveland Clinic . [34] IBM también está trabajando con CVS Health en aplicaciones de IA en el tratamiento de enfermedades crónicas y con Johnson & Johnson en el análisis de artículos científicos para encontrar nuevas conexiones para el desarrollo de fármacos . [35] En mayo de 2017, IBM y el Instituto Politécnico Rensselaer comenzaron un proyecto conjunto titulado Health Empowerment by Analytics, Learning and Semantics (HEALS), que se explorará utilizando tecnología de IA para mejorar la atención médica. [36]
Otras grandes empresas que han contribuido a desarrollar algoritmos de IA para su uso en el ámbito sanitario son:
El proyecto Hanover de Microsoft , en colaboración con el Knight Cancer Institute de la Oregon Health & Science University , analiza la investigación médica para predecir las opciones de tratamiento farmacológico más eficaces para los pacientes. [37] Otros proyectos incluyen el análisis de imágenes médicas de la progresión tumoral y el desarrollo de células programables . [38]
La plataforma DeepMind de Google está siendo utilizada por el Servicio Nacional de Salud del Reino Unido (NHS) para detectar ciertos riesgos para la salud a través de datos recopilados mediante una aplicación móvil. [39] Un segundo proyecto con el NHS implica el análisis de imágenes médicas recopiladas de pacientes del NHS para desarrollar algoritmos de visión artificial para detectar tejidos cancerosos. [40]
La división de capital de riesgo de Intel ( Intel Capital ) invirtió recientemente en la startup Lumiata, que utiliza IA para identificar pacientes en riesgo y desarrollar opciones de atención. [41]
La inteligencia artificial en el ámbito de la atención sanitaria consiste en el uso de algoritmos y software complejos para emular la cognición humana en el análisis de datos médicos complejos. En concreto, la IA es la capacidad de los algoritmos informáticos para aproximarse a conclusiones sin intervención humana directa.
Lo que distingue a la tecnología de IA de las tecnologías tradicionales en el cuidado de la salud es la capacidad de obtener información, procesarla y dar un resultado bien definido al usuario final. La IA hace esto a través de algoritmos de aprendizaje automático . Estos algoritmos pueden reconocer patrones de comportamiento y crear su propia lógica. Para reducir el margen de error, los algoritmos de IA deben probarse repetidamente. Los algoritmos de IA se comportan de manera diferente a los humanos de dos maneras: (1) los algoritmos son literales: si establece un objetivo, el algoritmo no puede ajustarse a sí mismo y solo entiende lo que se le ha dicho explícitamente, (2) y los algoritmos son cajas negras ; los algoritmos pueden predecir con extrema precisión, pero no la causa ni el por qué. [42]
El objetivo principal de las aplicaciones de IA relacionadas con la salud es analizar las relaciones entre las técnicas de prevención o tratamiento y los resultados del paciente. [43] Se han desarrollado programas de IA y se han aplicado a prácticas como procesos de diagnóstico , desarrollo de protocolos de tratamiento , desarrollo de fármacos , medicina personalizada y seguimiento y atención de pacientes. Instituciones médicas como Mayo Clinic , Memorial Sloan Kettering Cancer Center , [44] [45] y el Servicio Nacional de Salud , [46] han desarrollado algoritmos de IA para sus departamentos. Grandes empresas de tecnología como IBM [47] y Google , [46] y nuevas empresas como Welltok y Ayasdi, [48] también han desarrollado algoritmos de IA para la atención médica. Además, los hospitales buscan soluciones de IA [ palabra de moda ] para respaldar iniciativas operativas que aumenten el ahorro de costos, mejoren la satisfacción del paciente y satisfagan sus necesidades de personal y fuerza laboral. [49] Las empresas están desarrollando soluciones de análisis predictivo [ palabra de moda ] que ayudan a los gerentes de atención médica a mejorar las operaciones comerciales al aumentar la utilización, disminuir el alojamiento de pacientes, reducir la duración de la estadía y optimizar los niveles de personal. [50]
Los siguientes campos médicos son de interés para la investigación en inteligencia artificial:
La capacidad de interpretar los resultados de las imágenes con la radiología puede ayudar a los médicos a detectar un cambio minúsculo en una imagen que un médico podría pasar por alto accidentalmente. Un estudio en Stanford creó un algoritmo que podría detectar neumonía en ese sitio específico, en aquellos pacientes involucrados, con una mejor métrica F1 promedio (una métrica estadística basada en la precisión y la recuperación), que los radiólogos involucrados en ese ensayo. [51] La conferencia de radiología de la Sociedad Radiológica de Norteamérica ha implementado presentaciones sobre IA en imágenes durante su reunión anual. El surgimiento de la tecnología de IA en radiología es percibido como una amenaza por algunos especialistas, ya que la tecnología puede lograr mejoras en ciertas métricas estadísticas en casos aislados, a diferencia de los especialistas. [52] [53]
Los avances recientes han sugerido el uso de IA para describir y evaluar el resultado de la cirugía maxilofacial o la evaluación de la terapia del paladar hendido en relación con el atractivo facial o la apariencia de la edad. [54] [55]
En 2018, un artículo publicado en la revista Annals of Oncology mencionó que el cáncer de piel podría ser detectado con mayor precisión por un sistema de inteligencia artificial (que utilizó una red neuronal convolucional de aprendizaje profundo ) que por dermatólogos . En promedio, los dermatólogos humanos detectaron con precisión el 86,6% de los cánceres de piel a partir de las imágenes, en comparación con el 95% de la máquina CNN. [56]
Existen muchas enfermedades, pero también hay muchas formas en las que se ha utilizado la IA para diagnosticarlas de manera eficiente y precisa. Algunas de las enfermedades más conocidas son la diabetes y las enfermedades cardiovasculares (ECV), que se encuentran entre las diez principales causas de muerte en todo el mundo y han sido la base de muchas investigaciones y pruebas para ayudar a obtener un diagnóstico preciso. Debido a que estas enfermedades tienen una tasa de mortalidad tan alta , se han realizado esfuerzos para integrar varios métodos para ayudar a obtener un diagnóstico preciso.
Un artículo de Jiang et al. (2017) [57] demostró que existen múltiples tipos diferentes de técnicas de IA que se han utilizado para una variedad de enfermedades diferentes. Algunas de estas técnicas analizadas por Jiang et al. incluyen: máquinas de vectores de soporte , redes neuronales , árboles de decisión y muchas más. Cada una de estas técnicas se describe como teniendo un "objetivo de entrenamiento" para que "las clasificaciones coincidan con los resultados tanto como sea posible...". [57]
Para demostrar algunos detalles específicos para el diagnóstico/clasificación de enfermedades, hay dos técnicas diferentes que se utilizan en la clasificación de estas enfermedades que incluyen el uso de " Redes neuronales artificiales (ANN) y redes bayesianas (BN)". [58] A partir de una revisión de múltiples artículos diferentes dentro del período de tiempo de 2008-2017, [58] se observó dentro de ellos cuál de las dos técnicas era mejor. La conclusión a la que se llegó fue que "la clasificación temprana de estas enfermedades se puede lograr mediante el desarrollo de modelos de aprendizaje automático como la red neuronal artificial y la red bayesiana". En otra conclusión, Alic, et al. (2017) [58] fue capaz de extraer que entre los dos; ANN y BN es que ANN era mejor y podía clasificar con mayor precisión la diabetes/ECV con una precisión media en "ambos casos (87,29 para diabetes y 89,38 para ECV).
El aumento de la telemedicina ha demostrado el surgimiento de posibles aplicaciones de IA. [59] La capacidad de monitorear a los pacientes mediante IA puede permitir la comunicación de información a los médicos si se ha producido una posible actividad de la enfermedad. [60] Un dispositivo portátil puede permitir el monitoreo constante de un paciente y también permitir la capacidad de notar cambios que pueden ser menos distinguibles para los humanos.
Los registros médicos electrónicos son cruciales para la digitalización y la difusión de la información en el sector sanitario. Sin embargo, el registro de todos estos datos conlleva sus propios problemas, como la sobrecarga cognitiva y el agotamiento de los usuarios. Los desarrolladores de registros médicos electrónicos están automatizando gran parte del proceso e incluso están empezando a utilizar herramientas de procesamiento del lenguaje natural (PLN) para mejorar este proceso. Un estudio realizado por el instituto de investigación Centerstone descubrió que el modelado predictivo de los datos de los registros médicos electrónicos ha logrado una precisión del 70-72 % a la hora de predecir la respuesta al tratamiento individualizado al inicio del estudio. [61] Esto significa que el uso de una herramienta de IA que escanee los datos de los registros médicos electrónicos predeciría con bastante precisión la causa de la enfermedad en una persona.
Las mejoras en el procesamiento del lenguaje natural llevaron al desarrollo de algoritmos para identificar interacciones entre fármacos en la literatura médica. [62] [63] [64] [65] Las interacciones entre fármacos representan una amenaza para quienes toman múltiples medicamentos simultáneamente, y el peligro aumenta con el número de medicamentos que se toman. [66] Para abordar la dificultad de rastrear todas las interacciones entre fármacos conocidas o sospechadas, se han creado algoritmos de aprendizaje automático para extraer información sobre los fármacos que interactúan y sus posibles efectos de la literatura médica . Los esfuerzos se consolidaron en 2013 en el DDIExtraction Challenge, en el que un equipo de investigadores de la Universidad Carlos III reunió un corpus de literatura sobre interacciones entre fármacos para formar una prueba estandarizada para tales algoritmos. [67] Los competidores fueron evaluados sobre su capacidad para determinar con precisión, a partir del texto, qué fármacos se demostró que interactuaban y cuáles eran las características de sus interacciones. [68] Los investigadores continúan utilizando este corpus para estandarizar la medida de la efectividad de sus algoritmos. [62] [63] [65]
Otros algoritmos identifican interacciones entre fármacos a partir de patrones en el contenido generado por el usuario, especialmente registros médicos electrónicos y/o informes de eventos adversos. [63] [64] Organizaciones como el Sistema de Notificación de Eventos Adversos de la FDA (FAERS) y VigiBase de la Organización Mundial de la Salud (OMS) permiten a los médicos enviar informes de posibles reacciones negativas a los medicamentos. Se han desarrollado algoritmos de aprendizaje profundo para analizar estos informes y detectar patrones que impliquen interacciones entre fármacos. [69]