La inteligencia artificial (IA) generativa aporta en la actualidad soluciones innovadoras en el campo de la medicina en tareas concretas; según Diana de la Iglesia, ingeniera informática y doctora en IA, directora de Desarrollo de Negocio de Genómica, Analítica Avanzada e IA en Fujitsu. "Por ejemplo, es capaz de mejorar la precisión diagnóstica durante el análisis de imágenes médicas, detectando patrones que suelen pasar desapercibidos al ojo humano", afirma.

A su juicio, las áreas más transformadoras por la IA generativa serán: (1) la medicina personalizada de precisión, donde la IA generativa mejorará la precisión de los diagnósticos y podrá recomendar tratamientos personalizados a partir de datos genéticos y clínicos; (2) la asistencia virtual para ofrecer información médica precisa a los pacientes, responder a sus preguntas y ofrecerles recomendaciones; (3) la predicción del riesgo de padecer enfermedades en la población sana, gracias a la identificación de patrones genéticos, clínicos, familiares y relativos a la interacción con el entorno, (4) el descubrimiento de fármacos, permitiendo simular la interacción de moléculas con proteínas, y (5) la estandarización y optimización de procesos y procedimientos clínicos, gracias a la codificación y planificación automática de los mismos.

Subraya que no hay que olvidar que el arte de la medicina reside en extraer toda la información necesaria para crear la narrativa correcta y no diagnosticar al paciente erróneamente. "Por tanto, para que la IA alcance su máximo potencial en el área médica, es necesario alimentarla con millones de conjuntos de datos de pacientes que incluyan no sólo sus características individuales, sino también los tratamientos recibidos y sus resultados, así como sus antecedentes y su interacción con el entorno". Este proceso llevará tiempo y "requerirá una colaboración estrecha entre el mundo de la tecnología y la comunidad médica", ya que la compartición de datos y la aplicación de enfoques federados para centralizar el uso de éstos está todavía dando sus primeros pasos.

En enfermedades como el cáncer, donde un diagnóstico a tiempo es de vital importancia, "la IA generativa puede suponer un avance considerable, siendo capaz de cruzar la información de los casos clínicos existentes como nunca habíamos podido hacer". De la Iglesia juzga que esto es especialmente relevante en el caso de las enfermedades raras, dado que "el limitado número de casos, así como su carácter distribuido, impide llegar a diagnósticos precisos para los pacientes". En ese sentido, la IA generativa posibilita crear repositorios de conocimiento aumentados gracias a la cantidad y diversidad de fuentes de datos que es capaz de integrar, proporcionando una interfaz sofisticada basada en chatbots o asistentes. "Los LLMs podrían incorporar nuevos hallazgos obtenidos de datos históricos de enfermedades raras encontrados en los registros médicos electrónicos de los proveedores de atención médica, incorporando evidencia del mundo real que refleje los patrones de la enfermedad, los resultados del tratamiento y las prácticas clínicas", señala. Esta integración mejoraría la base de conocimiento, facilitando una toma de decisiones más informada. Asimismo, la IA generativa podría acompañar al paciente brindando información sobre su condición y respondiendo a sus preguntas. Matiza que, del mismo modo, al profesional, entregándole información sobre nuevas publicaciones relativas al caso clínico.

Por tanto, "el uso de herramientas basadas en IA generativa puede tener un impacto grande en la manera de diagnosticar, proporcionando al facultativo acceso a un mayor número de fuentes de conocimiento y organizando estas fuentes por relevancia, ahorrando así horas y horas de búsqueda infructuosa y facilitando el acceso a un conocimiento más extenso". 

Hoy en día, "la IA generativa ha dado buenos resultados de diagnóstico en áreas concretas de la medicina, como pueden ser determinados cánceres, como mama, pulmón y piel, donde es capaz de detectar detalles que escapan al ojo humano". Esta experta defiende que la generalización basada en un alto número de casos, como ocurre con las enfermedades más comunes, resulta muy fiable gracias a la existencia de sobrada evidencia sobre esos casos. Sin embargo, "en aquellos cuadros en que haya síntomas 'peculiares', o en aquellas condiciones donde aún no existe suficiente información, la IA generativa no puede inventar ni razonar nada y, por tanto, será menos confiable". Resalta que todo esto tiene un riesgo, "y es que la gente empiece a usar las herramientas de IA generativa para el autodiagnóstico, en vez de acudir a la consulta del médico". Por ello, "es fundamental que la IA sea vista como una herramienta complementaria al facultativo médico, no como un sustituto".

La generación de informes clínicos es lenta y particularmente vulnerable a errores humanos. "La IA generativa automatiza este proceso, reduciendo drásticamente el tiempo requerido para crear documentos precisos, consistentes y completos a partir de datos clínicos y permitiendo la personalización de los informes para reflejar las preferencias y estilos de escritura de los distintos profesionales", analiza la directora de Desarrollo de Negocio de Genómica, Analítica Avanzada e IA en Fujitsu. Piensa que nos puede ayudar a estructurar y anotar la información de los informes y expresarla en base a estándares y codificaciones reconocidas (SNOMED, LOINC, OMOP, etcétera), posibilitando la codificación automática de entidades médicas (síntomas, signos, enfermedades, medicamentos, etcétera) y biomédicas (genes, proteínas, células, interacciones, etcétera). De esta forma, se simplifica considerablemente el registro de datos de los pacientes, dejando los datos preparados, a su vez, para que sean consultados de una forma programática por otras aplicaciones sanitarias (historia clínica, registro de efectos secundarios, prescripción de medicamentos, tarjeta sanitaria, etcétera).

"En I+D se lleva mucho tiempo trabajando con la IA aplicada a salud y, en particular, en el campo del Procesamiento de Lenguaje Natural (PLN) aplicado a información sobre fármacos", prosigue. Antes se usaban modelos de lenguaje pequeños (en comparación con los LLMs), que se desarrollaban ad-hoc para áreas y dominios específicos. Muestras de ello son la identificación de nuevos efectos secundarios de medicamentos en conversaciones de usuarios de redes sociales, la generación de secuencias genéticas o el reclutamiento de pacientes candidatos para ensayos clínicos.

Apunta que el uso de la IA generativa en procesos de desarrollo de fármacos "promete reducir costes, ahorrar tiempo y crear datos de ensayos clínicos más representativos". Considerando que llevar un nuevo compuesto al mercado puede suponer entre ocho y doce años, y que la tasa de fallo de los ensayos clínicos sigue rondando el 90 %, la inversión en investigación en IA generativa viviría "una transformación radical". Lamenta que los métodos actuales para el diseño de ensayos clínicos son manuales, consumen mucho tiempo y tienden a producir errores. Si se aprovecharan los datos no estructurados disponibles, y se integraran con la evidencia del mundo real y las directrices regulatorias existentes, "se podría simplificar el diseño de los ensayos clínicos, reduciendo plazos y ahorrando costes". Sugiere que, con la IA generativa, los patrocinadores de ensayos clínicos podrían analizar datos operativos, datos sobre prevalencia de enfermedades y otras evidencias en tiempo real para optimizar la selección de pacientes.