Las herramientas innovadoras y la automatización avanzada están cambiando el panorama de los productos para las organizaciones de ciencias de la vida, farmacéuticas y biotecnológicas.
Todos hemos oído hablar de avances en la capacidad de llevar el poder de la inteligencia artificial (IA) y la escala de los macrodatos y la computación en nube a las industrias de las ciencias de la vida, farmacéutica y biotecnológica. Estos avances incluyen desde la identificación de enfermedades, el análisis avanzado de imágenes, la cirugía asistida por robots, la cartografía del genoma humano y la medicina personalizada. Estas mismas tecnologías también pueden aplicarse para optimizar y automatizar procesos empresariales sencillos o complejos, como las inscripciones o el procesamiento de reclamaciones. El aprendizaje automático forma parte integrante del ciclo de vida del desarrollo de productos, desde las funciones administrativas hasta los procesos y operaciones empresariales.
Motor de Recomendación
Casi todo el mundo se ha topado alguna vez con un modelo predictivo. Si le han sugerido un producto al comprar en Amazon o le han recomendado una película al buscar algo que ver en Netflix, un algoritmo está funcionando entre bastidores utilizando todos los datos necesarios para predecir el producto o servicio que probablemente sea mejor para usted. Estos algoritmos están diseñados para construir modelos con el fin de descubrir conexiones o patrones que puedan utilizarse para tomar mejores decisiones sin intervención humana. Aunque los algoritmos de machine learning existen desde hace mucho tiempo, la capacidad de aplicar automáticamente cálculos matemáticos complejos a big data es un desarrollo más reciente.
Ahora, podemos aplicar este concepto de "motor de recomendación" a las industrias farmacéutica y biotecnológica. Cada año mueren en Estados Unidos "...entre 7.000 y 9.000 personas como consecuencia de un error de medicación", según el Centro Nacional de Información Biotecnológica. "Además, cientos de miles de otros pacientes experimentan, pero a menudo no informan, una reacción adversa u otras complicaciones relacionadas con un medicamento. El coste total de atender a pacientes con errores asociados a la medicación supera los 40.000 millones de dólares cada año, con más de 7 millones de pacientes afectados."
La implantación de un motor de recomendación en cada fase del proceso de atención al paciente podría reducir significativamente o eliminar estos errores. Por ejemplo, en el momento de la prescripción, un motor de recomendación podría aplicar una biblioteca de algoritmos para tomar la mejor decisión posible basada en datos, no sólo sobre la medicación correcta, sino también sobre la dosis y la frecuencia, todo ello personalizado para cada paciente. Esta tecnología también podría utilizarse como otro punto de validación en el momento de la dispensación de medicamentos, así como para supervisar y validar el uso por parte del paciente.
Visión por Ordenador
¿Puede un ordenador o una aplicación informática ver como un ser humano? La respuesta es más o menos, pero la forma en que un ordenador aprende a ver es muy diferente a la de una persona; requiere aprendizaje automático. Un ordenador adquiere una imagen y la traduce en una representación numérica que puede entender, pero eso por sí solo no le dice nada. Debe tomar esa representación y compararla con otras hasta que comprenda el significado de la imagen recién adquirida. Puede tratarse de una simple comparación píxel a píxel o de un algoritmo complejo, como una red neuronal, para que este proceso se asemeje lo más posible al pensamiento humano. Esta capacidad se utiliza a menudo para identificar y clasificar imágenes a una escala superior a la que cualquier persona podría lograr.
Aplicar esta capacidad a los dispositivos médicos puede ofrecer enormes posibilidades. Si un dispositivo puede "ver" dentro del cuerpo humano, también puede identificar una anomalía, como un tumor, e incluso clasificar ese tumor como maligno o benigno basándose en su comprensión de imágenes anteriores. Además de imágenes, los dispositivos también pueden "ver" vídeos. Al igual que el proceso de identificación y clasificación de imágenes, lo mismo puede hacerse con el movimiento dentro del cuerpo, como la velocidad del flujo sanguíneo a órganos críticos, el flujo de fluidos a través del sistema linfático o incluso las respuestas bioquímicas del cerebro al resto del cuerpo. Este nuevo sentido de la "visión digital" se nutre de los macrodatos y el aprendizaje automático, e impulsará una innovación increíble en el sector de las ciencias de la vida.
Gemelo Digital
Un gemelo digital es una representación virtual (o digital) de un sustantivo de nuestro mundo físico, como una persona, un producto o un proceso. Además de ser una réplica o modelo digital, el gemelo digital también puede ingerir datos de su socio "físico". Esta transferencia de información suele ser posible gracias a la tecnología del Internet de las Cosas (IoT) integrada en los productos que sirven de modelo a los gemelos digitales. La adopción de esta tecnología está creciendo muy rápidamente. El tamaño del mercado mundial de gemelos digitales se valoró en 3.100 millones de dólares en 2020, y se prevé que alcance los 48.200 millones de dólares en 2026. El poder de los gemelos digitales reside en su capacidad de ejecutar simulaciones de productos para probar cambios, optimizar el rendimiento y reducir las posibilidades de fallo o degradación.
El valor potencial del gemelo digital para los dispositivos médicos es inconmensurable. Por ejemplo, cada año se implantan unos 200.000 marcapasos en pacientes estadounidenses y más de un millón en todo el mundo. Aunque es raro que el dispositivo falle por completo, pueden producirse numerosos problemas, como fallos en los cables, problemas de generación u otras averías. Imaginemos que tanto el marcapasos como la persona tuvieran un gemelo digital que no sólo controlara constantemente el funcionamiento del dispositivo, sino que utilizara esos datos para realizar numerosas simulaciones con el fin de determinar el resultado más probable a lo largo del tiempo. Esta capacidad de aprendizaje automático podría predecir el tipo de fallo, la probabilidad de que se produzca e incluso hacer recomendaciones proactivas para remediar la situación en caso necesario. Los gemelos digitales pueden utilizarse para optimizar aún más el rendimiento de dispositivos como los marcapasos y reducir las tasas de fallo.
Autocuración (Mantenimiento Preventivo)
Todos hemos tenido y experimentado dispositivos y aplicaciones que fallan o ralentizan su rendimiento con el paso del tiempo. Probablemente ha tenido un portátil que necesitaba mantenimiento, actualizaciones o parches para mantenerse al día, cerrar vulnerabilidades o ejecutar las últimas y mejores aplicaciones. A menudo, este proceso de mantenimiento se completa cuando se publica el parche o la actualización, y usted da su consentimiento para la actualización.
Este amplio enfoque de la gestión de dispositivos puede no tener ninguna relación específica con el rendimiento de su ordenador portátil, y los problemas potenciales únicos que puede encontrar. Sin embargo, en su portátil pueden ejecutarse algoritmos de aprendizaje automático que supervisan constantemente las aplicaciones, el sistema operativo y el hardware en busca de patrones que puedan causar problemas de rendimiento o fallos potenciales en el futuro. Cuando se descubren, se pueden realizar actualizaciones automáticas, cambiar los ajustes de configuración o hacer recomendaciones para sustituir componentes y reducir o eliminar las posibilidades de estos problemas. Este concepto de autorreparación significa que un producto puede percibir que está (o que pronto empezará) a funcionar de forma incorrecta, y tomar medidas preventivas en consecuencia.
Las empresas de ciencias de la vida y las instituciones académicas están investigando increíbles materiales autorreparables, como el caucho que puede reparar sus propias grietas. Pero hay que empezar por considerar el aspecto digital de los dispositivos médicos. Al igual que en el ejemplo del portátil, cada capa -aplicación, sistema operativo y componentes físicos- generará datos para su supervisión. Existe una disciplina relativamente nueva que combina inteligencia artificial y operaciones de TI, o AIOps para abreviar. El término fue acuñado por Gartner en 2016, y se define como la combinación de big data y aprendizaje automático para automatizar los procesos de operaciones de TI, incluida la correlación de eventos, la detección de anomalías y la determinación de causalidad.
AIOps nos permite utilizar los datos de telemetría de nuestros dispositivos médicos en modelos de machine learning para no solo hacer predicciones y recomendaciones, sino también iniciar procesos automatizados para realizar los cambios necesarios para "curar" estos dispositivos. Esta aplicación del machine learning puede convertirse en una parte vital del cumplimiento de requisitos normativos como las Acciones Correctivas y Preventivas (CAPA) que ayudan a garantizar la seguridad, producir mejores resultados y mejorar la experiencia del cliente.
Procesamiento del Lenguaje Natural y Reconocimiento de Voz
El procesamiento del lenguaje natural (PLN) es un campo dedicado a enseñar a los ordenadores a entender nuestro lenguaje escrito. El reconocimiento de voz es la capacidad de un ordenador o aplicación para "oír" y traducir la comunicación verbal humana a un formato que pueda entender, y en muchos casos es simplemente la traducción de voz a texto. La combinación del reconocimiento de voz y el procesamiento del lenguaje natural da al ordenador la capacidad de comunicarse con una persona recibiendo, entendiendo e incluso actuando sobre un mensaje verbal. Esta tecnología ha proliferado con altavoces inteligentes y asistentes digitales personales como Alexa y Siri. Entonces, ¿cómo puede aplicarse esta tecnología en el campo de las ciencias de la vida?
Hay muchas aplicaciones potenciales para el procesamiento del lenguaje natural y la tecnología de reconocimiento de voz, como la transcripción de las notas de un médico durante un encuentro con un paciente o la monitorización de pacientes en casa con simples interacciones de voz. Sin embargo, el diagnóstico de enfermedades mediante el análisis de la voz es una de las posibilidades más atractivas. Según un estudio reciente, "los biomarcadores derivados de la voz humana pueden ofrecer información sobre trastornos neurológicos, como la enfermedad de Parkinson, debido a su función cognitiva y neuromuscular subyacente". El mismo estudio demostró que "la precisión máxima del 85% proporcionada por los modelos de machine learning supera la precisión media del diagnóstico clínico de los no expertos (73,8%) y la precisión media de los especialistas en trastornos del movimiento (79,6% sin seguimiento, 83,9% tras el seguimiento)."
Este aumento de la precisión en el diagnóstico de la enfermedad de Parkinson permite vislumbrar el futuro de esta tecnología, que no hará sino mejorar con el tiempo, ampliando potencialmente los márgenes entre el aprendizaje automático y las predicciones humanas. Esta tecnología de biomarcadores vocales se ha utilizado para diagnosticar desde enfermedades y lesiones evidentes hasta otras que el oído humano no podría distinguir, como las cardiopatías e incluso el COVID-19.
Conclusión
Estamos en las primeras fases de una revolución de la inteligencia artificial en todas las industrias. En este artículo, hemos explorado varios tipos de inteligencia artificial y aprendizaje automático, y hemos analizado cómo pueden utilizarse en las industrias de las ciencias de la vida, farmacéutica y biotecnológica. La implementación de tecnologías inteligentes e innovadoras como la inteligencia artificial, la nube, los datos, la automatización y la agilidad en estas áreas puede mejorar la funcionalidad e impulsar el desarrollo de productos más eficaces.