Las organizaciones en todo el ecosistema de la salud han estado apostando fuerte por la IA. La emoción es justificada. Implementar estas tecnologías puede ahorrar mucho tiempo y dinero para hacer muchas cosas maravillosas.
Lamentablemente, sin embargo, implementar la IA también puede fácilmente desperdiciar mucho tiempo y dinero haciendo muchas tonterías.
Una de las peores cosas que cualquier organización puede hacer a su arquitectura de datos es automatizar procesos para mejorar el problema equivocado. No solo desperdicia tiempo y recursos, sino que también aumenta la hinchazón y afianza distracciones innecesarias y obstáculos para la función y el progreso. Es seguro decir que estos efectos perjudiciales ya son bastante familiares para cualquiera que haya trabajado con TI de la salud, – aseguradoras, proveedores, farmacéuticas, biotecnológicas… Nadie es inmune.
El uso tonto de la IA fácilmente podría empeorar aún más esta situación, desviando el esfuerzo hacia funciones llamativas que nadie necesita y características costosas que nadie usa. Entonces, aunque pueda parecer contradictorio, cuando se trata del uso efectivo de la IA, en realidad no deberías comenzar con la IA.
Tienes que comenzar identificando el problema que estás tratando de resolver.
Cambio de perspectiva
En la universidad, estudié ingeniería civil, donde el “pensamiento de primeros principios” de Aristóteles es canónico para generar procesos eficientes y resultados óptimos. El enfoque implica descomponer problemas complicados en elementos fundamentales básicos y solo entonces volver a montarlos para lograr tu objetivo. Y tener un objetivo es clave.
En términos de ingeniería civil, ¿por qué construir un costoso puente colgante de acero en una sección plana de carretera perfectamente funcional? Incluso si es el puente más fuerte e impresionante jamás construido, nadie se beneficia al usarlo, por lo que no sirve para nada.
En el mundo real, cada organización tiene sistemas de computación y gestión de datos. La IA es una capacidad nueva y poderosa impresionante que las organizaciones naturalmente quieren incorporar en esos sistemas. Pero independientemente de la capacidad, tiene que brindar beneficios del mundo real para tener algún valor en absoluto.
Entonces debes comenzar con una definición apropiada del problema alineada con el resultado deseado. Luego puedes abordar sistemáticamente los componentes relevantes y el proceso real involucrado. Y no puedes cargarlo con todos los viejos procesos que pusiste en marcha debido a requisitos y limitaciones tecnológicas pasadas. Cuestiona todo. La leyenda de la informática Grace Hopper dijo una vez que la frase más peligrosa es “Siempre lo hemos hecho así” – y vale la pena señalar que estaba hablando de procesamiento de datos cuando lo dijo.
Desafía cada suposición y preconcepción, elimina todo lo innecesario, despoja todo a su forma y función más básicas para tu propósito. Esto asegura que entiendas las necesidades reales para abordar un problema real. Eso debería dictar la estrategia de datos en el futuro, y eso enfoca la integración de la IA en la entrega de valor.
Principios básicos en el uso de IA en ciencias de la vida
La IA generativa relacionada con el lenguaje y el texto es actualmente una de las formas más maduras de la tecnología (y no estoy hablando de chatbots). Para ilustrar un uso inteligente, enfoquémonos en el sector de las ciencias de la vida de la salud para ejemplos de pensamiento de primeros principios en la integración de la IA enfocada en la resolución de problemas.
Considera una empresa farmacéutica o de dispositivos médicos, y cómo construyen un proceso de fabricación para un nuevo medicamento o dispositivo médico. Ese proceso necesita un diseño para la fabricación física y la gestión de materiales, así como para cumplir con los requisitos regulatorios para cada aspecto de la producción. Esto guía el establecimiento del sitio de fabricación real desde probar piezas de equipo individuales, hasta probar secciones de equipo, hasta facilitar pruebas continuas de toda la instalación. Ese proceso se llama “puesta en marcha, calificación y verificación”, y puede involucrar cientos de miles de páginas de documentación. En términos sencillos, el nivel de documentación representa toneladas de trabajo.
El papel de la documentación es increíblemente importante porque valida todas esas pruebas y proporciona una comprensión científica de que el proceso está funcionando correctamente, los materiales se están produciendo adecuadamente y que todo pasará la inspección y asegurará la aprobación de la FDA para la distribución en el mercado.
La aprobación de la FDA es el premio, el laborioso proceso de documentación adecuada es necesario para lograrlo.
Entonces, un objetivo de ingeniería claro para derivar valor de la integración de la IA en este contexto sería la automatización de la producción de documentación de puesta en marcha, calificación y verificación aprobada y correctamente formateada que cumpla con los estándares de la FDA. Los datos que detallan cada aspecto de los procedimientos de construcción y prueba, junto con datos que detallan los minuciosos requisitos de la FDA para cada aspecto de ese proceso, pueden aprovecharse para alimentar un modelo de lenguaje grande (LLM) y una IA generativa que garantice que la documentación apropiada se recopile y produzca automáticamente y de manera continua correctamente. ¡Eso ahorraría incontables horas de trabajo humano!
Además, la profundidad de experiencia y conocimiento institucional de una organización sobre los procesos comerciales involucrados en la fabricación de productos farmacéuticos o dispositivos médicos también se puede ingresar en este modelo para refinar aún más la sofisticación de la gestión y desarrollo de la documentación, aumentando así la ventaja competitiva desde una perspectiva financiera. Obviamente, los humanos seguirán teniendo que revisar la documentación, pero la diferencia radica en quién (o más bien, qué) está preparando la documentación de manera consistente y precisa y cuánto tiempo y esfuerzo se ahorra. El punto es que la integración de la IA se centra en abordar el problema “correcto” – la carga de documentación – donde brinda una mejora práctica y significativamente valiosa.
Si eso suena un poco esotérico, ¿qué tal herramientas de IA para suministrar procesos de preselección para ensayos clínicos de una manera que se ajuste perfectamente a las operaciones de revisión de casos de pacientes existentes en las consultas médicas? Este tipo de capacidad es increíblemente útil para, por ejemplo, clínicos rurales que pueden atender a varios miles de pacientes a lo largo de varios miles de millas y simplemente no tienen los recursos humanos disponibles para proporcionar investigaciones informadas y oportunas.
El modelo de IA correcto aplicado a ese problema mejora exponencialmente su capacidad para emparejar a los pacientes con tratamientos potencialmente salvavidas de manera más rápida y efectiva. Eso realmente puede salvar vidas, y representa exactamente cómo queremos que estas nuevas tecnologías ahorren tiempo y dinero y hagan cosas maravillosas.
El único “truco” requerido para una integración de IA verdaderamente exitosa – en ciencias de la vida o en cualquier otro aspecto de la industria de la salud – es la claridad de propósito. El pensamiento de primeros principios es una excelente manera de asegurar que tu esfuerzo e inversión realmente se alinean y producen resultados deseados – y un valor real.