UC San Diego Health usa AWS para implementar un modelo de imagen de inteligencia artificial en 10 días

Cuando la pandemia de COVID-19 llegó a Estados Unidos en la primavera de 2020, los investigadores de UC San Diego Health ya habían desarrollado un modelo de reconocimiento de imágenes mediante machine learning para identificar la neumonía en casos difíciles de detectar. Dado que la neumonía se estaba convirtiendo rápidamente en uno de los principales indicadores de infección grave en los pacientes de COVID-19, el doctor Mike Hogart, responsable de información de investigación clínica de UC San Diego Health, pidió ayuda a Amazon Web Services (AWS) para establecer un sistema de aplicación del modelo en un entorno clínico que permitiera a los médicos utilizar la información para el diagnóstico y el tratamiento.

Cuando se utilizan archivos e información de pacientes en entornos sanitarios, la seguridad de los datos es vital. El sistema para aplicar el modelo de inteligencia artificial debería habilitar a UC San Diego Health a respetar reglas estrictas, en conformidad con los requisitos de HIPAA, para su uso en un entorno clínico. UC San Diego Health había configurado soluciones de cumplimiento similares en AWS anteriormente y esta experiencia permitió que el equipo de UC San Diego Health diseñe el sistema deseado en apenas 10 días con AWS.

UC San Diego Health es una de las 15 principales universidades de investigación en todo el mundo. La Facultad de Medicina de UC San Diego realiza cientos de ensayos clínicos por año, y el Centro de Investigación de Servicios de Salud de UCSD se especializa en la recopilación y el análisis de datos de resultados de salud para complementar estas investigaciones. En 2018, un equipo de UC San Diego Health, liderado por el doctor Albert Hsiao, profesor asociado de radiología de la Facultad de Medicina de UC San Diego, desarrolló una manera de utilizar machine learning para detectar casos de neumonía en placas de tórax. “Creamos un mapa de probabilidades codificado por colores que indicaba la alta o baja probabilidad de neumonía”, señala el Dr. Brian Hurt, médico residente e integrante del equipo del Dr. Hsiao. Según el Dr. Hsiao, “lo que suelen hacer las personas es crear un modelo que brinde una respuesta simple, afirmativa o negativa, para indicar si se trata o no de un caso de neumonía. Sin embargo, pensamos que producir una imagen era importante para destacar el lugar donde se detectan anomalías”. El equipo publicó un trabajo de investigación con estos resultados a principios de 2020.

El equipo de UC San Diego Health tenía experiencia previa con AWS en la creación de un entorno seguro y conforme con los requisitos de HIPAA para sus datos de investigación. “Uno de mis primeros trabajos en UC San Diego Health fue crear un entorno donde la información de salud protegida pudiera computarse e incluso moverse en los casos necesarios”, explica el Dr. Hogarth. “Nuestro equipo se reunía semanalmente con gente de AWS para concretar avances de optimización y, en el peor momento de la pandemia de COVID-19, AWS nos preguntó de qué manera podía ayudarnos y si había algo que quisiéramos hacer”. El modelo del equipo del Dr. Hsiao fue lo primero que se nos vino a la mente.

El objetivo era implementar un sistema que pudiera tomar placas de un entorno clínico, ejecutar el modelo en ellas y devolver resultados rápidamente para ayudar en el diagnóstico. “Muchos de los modelos creados en laboratorios como el nuestro suelen ser prometedores al principio, pero no son muy útiles sin integrarlos concretamente en el flujo de trabajo clínico”, amplía el Dr. Hsiao. Este tipo de implementación potencialmente puede influir sobre el diagnóstico, el tratamiento y los resultados en pacientes con COVID-19. “La detección de casos de neumonía relacionada con COVID-19 son básicamente los mismos que los de cualquier otra neumonía viral”, afirma el Dr. Hsiao. “El modelo que entrenó Brian da buenos resultados en esta población debido a que es un buen modelo para detectar casos de neumonía en general”. El modelo era útil en dos aspectos. En primer lugar, si detectaba casos de neumonía en una placa, solicitaba una prueba (o una nueva prueba) en caso de un resultado previo negativo, posiblemente falso. Y en segundo lugar, en pacientes con un diagnóstico de infección, la detección de neumonía en una placa podía indicar la gravedad y la prognosis de la enfermedad, lo que permitía ajustar el tratamiento.

El equipo de investigación de UC San Diego Health ya había configurado el modelo para tomar imágenes y devolverlas con una serie de códigos de color. Solo se necesitaba una solución en la nube que pudiera conectar el sistema de diagnóstico por imágenes clínicas para recibir esas imágenes y enviarlas directamente al archivo de los pacientes, a fin de que estuvieran rápidamente disponibles para la consulta de los profesionales médicos. Debido a que el equipo ya había creado entornos conforme con HIPAA en AWS, el proyecto pudo ponerse en marcha en apenas 10 días. “El primer día que funcionó con AWS, el modelo procesó alrededor de 400 placas con muy pocos errores”, señala el Dr. Hogarth. En los seis meses siguientes a la implementación, el modelo procesó más de 65 000 placas, cada una de ellas en 3-4 minutos.

La capacidad del modelo para ofrecer información a médicos en el lugar de atención es su mayor utilidad, y AWS fue fundamental para que eso sea posible, sencillo y de fácil mantenimiento. Según el Dr. Hogarth, en un equipo de tecnología de la información compuesto por 500 personas en UC San Diego Health, una sola persona podía verificar la conformidad continua con HIPAA y otras normativas en el entorno de AWS como parte de sus tareas. Y si hablamos de implementar el modelo creado por el equipo del Dr. Hsiao en un entorno clínico, lo que se necesita principalmente son instancias de Amazon Elastic Compute Cloud (Amazon EC2). El entorno ofrece las configuraciones de seguridad que el equipo necesita y es fácil de redimensionar a medida que aumenta la capacidad de computación.

Un trabajo de investigación reciente publicado por Journal of the American College of Emergency Physicians Open indicó que la implementación de este modelo había tenido influencia sobre la toma de decisiones clínicas en el 20 por ciento de los casos. “Hay muy pocas cosas que afecten la toma de decisiones clínicas en una medida tan importante”, se sorprende el Dr. Hsiao. La precisión inicial del modelo fue del 86 %, y próximamente el equipo implementará una versión más exacta que detecte los casos de neumonía que suelen omitirse cuando están ubicados detrás del corazón.

La evaluación de instancias complementarias de toma de decisiones clínicas basadas en machine learning en flujos de trabajo de puntos de atención existentes es importante, pero se trata de algo relativamente poco frecuente. Aunque la evaluación de esta herramienta de análisis de imágenes aún es precoz, hay evidencia circunstancial de que su impacto es positivo. Recientemente, un paciente de 78 años fue internado con fiebre y dolor abdominal. Los médicos no se habían inclinado hacia un diagnóstico de COVID-19, pero el modelo mostraba signos de neumonía en una placa de tórax. Decidieron hisopar al paciente, que dio positivo del virus.

El equipo del Dr. Hsiao planea seguir refinando el modelo, pero la idea de evaluar algoritmos de machine learning e inteligencia artificial en el punto de atención tiene aplicaciones potenciales en un amplio rango de otras ramas de investigación de salud. “Para nosotros, es una canalización de datos que complementa la toma de decisiones”, sentencia el Dr. Hogarth. “Hemos demostrado el uso de la canalización con estas imágenes, pero también puede haber otras aplicaciones”.