En la primera prueba del mundo real de inteligencia artificial en la investigación de la salud, científicos de UC San Francisco y Wayne State University han descubierto que la IA generativa puede procesar conjuntos de datos médicos mucho más rápido que los equipos tradicionales de informática y, en algunos casos, producir resultados más sólidos. Los expertos humanos pudieron analizar los mismos datos durante varios meses.
Para comparar directamente el desempeño, los investigadores asignaron tareas idénticas a diferentes grupos. Algunos equipos se basaron exclusivamente en la experiencia humana, mientras que otros utilizaron científicos que trabajaban con herramientas de inteligencia artificial. El desafío consistía en predecir el nacimiento prematuro utilizando datos de más de 1.000 mujeres embarazadas.
Incluso un dúo de investigadores junior formado por un estudiante de maestría de la UCSF, Ruben Sarwal, y un estudiante de secundaria, Viktor Tarka, han desarrollado con éxito modelos de predicción con soporte de IA. El sistema genera código de computadora funcional en minutos, algo que normalmente tomaría horas o incluso días a programadores experimentados.
El beneficio proviene de la capacidad de la IA para escribir código analítico basado en indicaciones breves pero muy específicas. No todos los sistemas funcionan bien. Sólo 4 de los 8 chatbots de IA generaron código utilizable. Sin embargo, quienes tuvieron éxito no necesitaron un gran equipo de expertos que los guiara.
Gracias a esta velocidad, los investigadores jóvenes pudieron completar sus experimentos, validar sus resultados y enviar sus hallazgos a una revista en unos pocos meses.
“Estas herramientas de IA pueden aliviar uno de los mayores obstáculos en la ciencia de datos: construir nuestra línea de análisis”, dijo Marina Sirota, PhD, profesora de pediatría y directora interina del Instituto de Ciencias de la Salud Computacional Bakker (BCHSI) de la UCSF e investigadora principal del Centro de Investigación Principal March of Dimesat de la UCSF. “La aceleración no puede llegar lo suficientemente pronto para los pacientes que necesitan ayuda ahora”.
Sirota es coautor principal del estudio, publicado Medicina de informe celular El 17 de febrero
Por qué el parto prematuro es objeto de investigación
Acelerar el análisis de datos podría mejorar las herramientas de diagnóstico del parto prematuro, la principal causa de muerte neonatal y un importante contribuyente a los desafíos motores y cognitivos a largo plazo de los niños. En los Estados Unidos, alrededor de 1000 bebés nacen prematuramente cada día.
Los investigadores aún no comprenden completamente las causas del nacimiento prematuro. Para investigar los posibles factores de riesgo, el equipo de Sirota recopiló datos del microbioma de casi 1200 mujeres embarazadas cuyos resultados fueron rastreados en nueve estudios separados.
“Este tipo de trabajo sólo es posible mediante el intercambio de datos abiertos, combinando las experiencias de muchas mujeres y la experiencia de muchos investigadores”, afirmó Tomiko T. Oskotsky, MD, codirectora del Repositorio de datos de nacimientos prematuros de March of Dimes, profesora asociada en UCSF BCHSI y coautora del artículo.
Sin embargo, analizar un conjunto de datos tan grande y complejo ha resultado un desafío. Para combatir esto, los investigadores han recurrido a una competencia global de crowdsourcing llamada DREAM (Diálogo sobre evaluación y métodos de ingeniería inversa).
Sirota codirigió uno de los tres Dream Pregnant Challenges, centrándose específicamente en los datos del microbioma vaginal. Participaron más de 100 equipos de todo el mundo, que desarrollaron modelos de aprendizaje automático diseñados para identificar patrones asociados con el parto prematuro. La mayoría de los equipos completaron su trabajo dentro del período de competencia de tres meses. Sin embargo, se necesitaron casi dos años para recopilar los hallazgos y publicarlos.
Prueba de IA en datos de embarazo y microbioma
Con curiosidad sobre si la IA generativa podría acortar ese cronograma, el grupo de Sirota se asoció con investigadores dirigidos por el coautor principal y profesor Adi El Tarka, Ph.D., del Centro de Medicina Molecular y Genética de la Universidad Estatal de Wayne en Detroit. Tarka dirigió otros dos Dream Challenges, que se centraron en mejorar los métodos para predecir las etapas del embarazo.
Juntos, los investigadores instruyeron a ocho sistemas de IA para que generaran algoritmos de forma independiente utilizando el mismo conjunto de datos de tres desafíos DREAM sin codificación humana directa.
Los chatbots de IA reciben instrucciones cuidadosamente escritas en lenguaje natural. Al igual que ChatGPT, los sistemas fueron guiados a través de indicaciones detalladas diseñadas para dirigirlos a analizar datos de salud comparables a los de los participantes del sueño original.
Sus objetivos reflejaban desafíos anteriores. Los sistemas de inteligencia artificial analizan datos del microbioma vaginal para detectar signos de nacimientos anteriores y examinar muestras de sangre o placenta para estimar la edad gestacional. La datación del embarazo es casi siempre una suposición, pero determina qué tipo de atención reciben las mujeres a medida que avanza el embarazo. Cuando la suposición es errónea, la preparación para el parto se vuelve más difícil.
Luego, los investigadores ejecutaron el código generado por IA utilizando el conjunto de datos DREAM. Sólo 4 de las 8 herramientas produjeron modelos que igualaban el desempeño del equipo humano, aunque en algunos casos los modelos de IA tuvieron un mejor desempeño. Todo el esfuerzo de IA generativa, desde el inicio hasta la presentación de un artículo, tomó solo seis meses.
Los científicos subrayan que la IA todavía necesita una supervisión cuidadosa. Estos sistemas pueden producir resultados engañosos y la habilidad humana es esencial. Sin embargo, al clasificar rápidamente conjuntos de datos de salud masivos, la IA generativa puede dedicar menos tiempo a los investigadores a solucionar problemas de código, interpretar resultados y formular preguntas científicas significativas.
“Gracias a la IA generativa, los investigadores con experiencia limitada en ciencia de datos no siempre tienen que crear colaboraciones extensas o pasar horas depurando código”, dijo Tarka. “Pueden centrarse en responder las preguntas biomédicas correctas”.
Autores: UCSF Los autores son Ruben Sarwal; Claire Dubin; Sanchita Bhattacharya, MS; y Atul Batte, MD, Ph.D. Otros autores son Victor Tarka (Huron High School, Ann Arbor, MI); Nicholas Kalavros y Gustavo Stolovitsky, PhD (Universidad de Nueva York); Gaurav Bhatti (Universidad Estatal Wayne); y Roberto Romero, MD, D(Med)Sc (Instituto Nacional de Salud Infantil y Desarrollo Humano (NICHD)).
Financiamiento: Este trabajo fue financiado por el Centro de Investigación de Prematuridad March of Dimes de UCSF e ImmPort. Los datos utilizados en este estudio se generaron en parte con el apoyo de la Subdivisión de Investigación del Embarazo del NICHD.
