Implementación de un checklist para seleccionar plataformas AutoML en Salud
La inteligencia artificial, en particular el aprendizaje automático (ML), ha transformado la capacidad de analizar grandes volúmenes de datos para realizar predicciones y clasificaciones precisas. En el ámbito de la salud, el aumento de los datos digitales y los registros electrónicos de salud (EHRs) ofrece oportunidades para optimizar el diagnóstico, el pronóstico y la administración de tratamientos.
Sin embargo, desarrollar modelos de ML clínicos robustos puede ser desafiante y exigir mucho tiempo, especialmente para equipos que no cuentan con una gran capacidad de procesamiento de datos.
Las plataformas de aprendizaje automático automatizado (AutoML) han surgido como una solución para facilitar la creación y validación rápida de estos modelos, lo que reduce los tiempos de desarrollo y permite la escalabilidad en el uso de modelos predictivos en salud.
Desarrollo de un checklist para selección de plataformas AutoML en Salud
Para ayudar en la selección de una plataforma AutoML adecuada, un equipo multidisciplinario desarrolló un checklist basado en criterios funcionales y no funcionales. El objetivo era ofrecer una herramienta práctica para guiar la evaluación y selección de plataformas AutoML según las necesidades específicas de las organizaciones de salud.
El proceso de creación del checklist constó de tres pasos principales:
1. Identificación de Requisitos Clave: Se definieron los criterios fundamentales para que una plataforma AutoML cumpla con los objetivos específicos de salud.
2. Exploración de Mercado: Se realizó un análisis exhaustivo de plataformas disponibles, tanto de código abierto como comerciales.
3. Evaluación Práctica: Se utilizó un caso de uso clínico para probar la utilidad del checklist en la selección de una plataforma AutoML para desarrollar un modelo de dosificación de heparina.
Resultados: Checklist final y aplicación en un caso de uso clínico
El checklist final incluyó 21 criterios funcionales y 6 criterios no funcionales. Se aplicó a distintas propuestas de plataformas para seleccionar la mejor opción en el desarrollo de un modelo de dosificación de heparina, un anticoagulante cuya dosificación presenta efectos terapéuticos impredecibles y requiere ajuste cuidadoso.
La aplicación del checklist en este caso clínico ejemplifica cómo puede utilizarse la herramienta en diversas organizaciones de salud. Entre los criterios funcionales destacan el soporte para múltiples fuentes de datos, la capacidad de realizar aprendizaje supervisado, el uso de modelos de ensamble y la posibilidad de desplegar múltiples modelos en producción.
Estos y otros criterios fueron desarrollados con la colaboración de un equipo compuesto por clínicos, científicos de datos y otros actores clave en la salud.
Criterios clave para seleccionar una plataforma AutoML
El checklist cubre tanto criterios funcionales como no funcionales, proporcionando una guía integral. Algunos de los criterios funcionales más importantes incluyen:
1. Manejo de múltiples fuentes de datos: Es esencial que la plataforma soporte datos estructurados y no estructurados, dada la variedad de información médica.
2. Ingeniería de características: Capacidad para transformar y limpiar datos, lo cual es altamente deseable para mejorar la precisión del modelo.
3. Capacidades de aprendizaje supervisado y profundo: Estos son obligatorios para asegurar que la plataforma pueda aplicar los modelos más adecuados a los datos de salud.
4. Aplicación de procesamiento de lenguaje natural (NLP): Deseable para manejar datos textuales no estructurados, como los registros clínicos.
También se priorizó la transparencia de los modelos y la capacidad de monitorear su rendimiento, elementos cruciales para aplicaciones en salud donde la supervisión de predicciones y resultados es fundamental.
Mejorando la traducción clínica con AutoML y explicabilidad
A pesar de sus ventajas en eficiencia y escalabilidad, las plataformas AutoML presentan ciertos desafíos, como la calidad de los datos, la interoperabilidad entre sistemas EHR y la transparencia de los modelos opacos o “caja negra”.
EuSoMII recomienda técnicas explicativas como SHAP y LIME, que permiten entender cómo cada variable afecta las predicciones del modelo, aumentando así la confianza en los resultados. La explicabilidad es especialmente importante en salud, donde los clínicos necesitan comprender cómo el modelo llega a una conclusión antes de aplicarla a decisiones de tratamiento.
Desafíos y Limitaciones
El checklist fue creado con el objetivo de facilitar la selección de plataformas AutoML en salud, pero enfrenta algunos desafíos y limitaciones. Entre ellos:
1. Muestra limitada de proveedores: La evaluación incluyó solo un número reducido de proveedores, por lo que una validación en estudios multi-sitio es necesaria para generalizar su aplicabilidad.
2. Consideraciones de costo: Los factores financieros pueden influir en la elección de la plataforma, lo que requiere equilibrar el presupuesto con las necesidades clínicas.
Sin embargo, el checklist también muestra fortalezas significativas, como el refinamiento de los criterios a través de retroalimentación de los proveedores y la validación práctica en un caso clínico que tiene implicaciones de seguridad para los pacientes.
Proyecciones y Aplicaciones Futuras
Este checklist representa una herramienta base adaptable a diferentes entornos de salud. A medida que la tecnología de AutoML avance, es probable que los criterios puedan actualizarse para incluir nuevas capacidades y mejores prácticas.
La incorporación de criterios específicos para la salud pública, la integración de EHRs y el monitoreo de resultados en tiempo real podrían mejorar aún más la aplicabilidad de estas plataformas en un contexto clínico.
La implementación de un checklist para seleccionar plataformas AutoML en salud tiene el potencial de optimizar el proceso de selección de herramientas predictivas, mejorando la eficiencia y precisión de los modelos clínicos.
La adaptabilidad del checklist a diferentes entornos permite que cada organización pueda ajustarlo a sus necesidades específicas, beneficiando así a los pacientes mediante decisiones clínicas más informadas.
Para conocer más sobre esta investigación puede visitar JAMIA Open y acceder al artículo completo.
0 comentarios