Mejorar la equidad en salud global al ayudar a las clínicas a hacer más con menos

La startup macro-eyes está incorporando nuevas técnicas de aprendizaje automático e inteligencia artificial a problemas de salud global como la entrega de vacunas y la programación de pacientes con su Connected Health AI Network (CHAIN). Crédito: macro-eyes

Hoy en día se vacunan más niños en todo el mundo que nunca, y la prevalencia de muchas enfermedades prevenibles por vacunación ha disminuido en la última década. Sin embargo, a pesar de estos signos alentadores, la disponibilidad de vacunas esenciales se ha estancado a nivel mundial en los últimos años, según la Organización Mundial de la Salud.

Un problema, particularmente en entornos de bajos recursos, es la dificultad de predecir cuántos niños se presentarán para vacunarse en cada clínica de salud. Esto conduce a la escasez de vacunas, dejando a los niños sin inmunizaciones críticas, o a excedentes que no se pueden usar.

La startup macro-eyes busca resolver ese problema con una herramienta de pronóstico de vacunas que aprovecha una combinación única de fuentes de datos en tiempo real, incluidos nuevos conocimientos de los trabajadores sanitarios de primera línea. La compañía dice que la herramienta, llamada Connected Health AI Network (CHAIN), pudo reducir el desperdicio de vacunas en un 96 por ciento en tres regiones de Tanzania. Ahora está trabajando para escalar ese éxito en Tanzania y Mozambique.

«La atención médica es compleja, y para ser invitado a la mesa, debe lidiar con los datos que faltan», dice el director ejecutivo de macro-eyes. Benjamin Fels, quien cofundó la empresa con Suvrit Sra, profesora asociada de desarrollo profesional de Esther y Harold E. Edgerton en el MIT. «Si su sistema necesita la edad, el género y el peso para hacer predicciones, pero para una población no tiene el peso ni la edad, no puede simplemente decir: ‘Este sistema no funciona’. Creemos que tiene que poder trabajar en cualquier entorno».

El enfoque de predicción de la empresa ya es la base de otro producto, la plataforma de programación de pacientes Sibyl, que analizó más de 6 millones de citas hospitalarias y redujo los tiempos de espera en más de 75 por ciento en uno de los hospitales cardíacos más grandes de EE. UU. Las predicciones de Sybil funcionan como parte de los pronósticos más amplios de CHAIN.

Ambos productos representan pasos hacia el objetivo más amplio de macro-eyes de transformar la atención médica a través de la inteligencia artificial. Y al hacer que sus soluciones funcionen en las regiones con la menor cantidad de datos, también están avanzando en el campo de la IA.

«El estado del arte en el aprendizaje automático será el resultado de enfrentar desafíos fundamentales en los entornos más difíciles del mundo», dice Fels. «Participa donde los problemas son más difíciles, y la IA también se beneficiará: [se volverá] más inteligente, más rápida, más barata y más resistente».

Definiendo un enfoque

Sra y Fels Se conocieron por primera vez hace unos 10 años cuando Fels trabajaba como comerciante algorítmico para un fondo de cobertura y Sra era profesora visitante en la Universidad de California en Berkeley. La experiencia de la pareja procesando números en diferentes industrias los alertó sobre una deficiencia en el cuidado de la salud.

«Una pregunta que se convirtió en una obsesión para mí fue: «¿Por qué los mercados financieros estaban determinados casi en su totalidad por máquinas mediante algoritmos y el cuidado de la salud en todo el mundo?» es probablemente la parte menos algorítmica de la vida de alguien?'», recuerda Fels. «¿Por qué la atención médica no se basa más en los datos?»

Alrededor de 2013, los cofundadores comenzaron a desarrollar algoritmos de aprendizaje automático que medían similitudes entre los pacientes para informar mejor los planes de tratamiento en la Escuela de Medicina de Stanford y otro gran centro médico académico en Nueva York. Fue durante ese trabajo inicial que los fundadores sentaron las bases del enfoque de la compañía.

«Hay temas que establecimos en Stanford que permanecen hoy», dice Fels. «Uno es [construir sistemas con] humanos en el circuito: no solo estamos aprendiendo de los datos, también estamos aprendiendo de los expertos. La otra es la multidimensionalidad. No solo estamos viendo un tipo de datos; estamos viendo 10 o 15 tipos, [incluyendo] imágenes, series de tiempo, información sobre medicamentos, dosis, información financiera, cuánto le cuesta al paciente o al hospital».

macro-eyes está trabajando para escalar sus modelos éxito predictivo en todo Tanzania y Mozambique. Esta foto muestra a los trabajadores de salud de primera línea en Mozambique. macro-eyes produjo espejos para las instalaciones de salud para recordar a los trabajadores de salud de primera línea que ellos son los expertos/’Especialistas’, dice Fels. Crédito: macro-eyes

Alrededor de la época en que los fundadores comenzaron a trabajar con Stanford, Sra se unió al Laboratorio de Sistemas de Información y Decisiones (LIDS) del MIT como científico investigador principal. Luego se convertiría en miembro de la facultad en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación y Instituto de Datos, Sistemas y Sociedad (IDSS) del MIT. La misión de IDSS, avanzar en campos que incluyen la ciencia de datos y usar esos avances para mejorar la sociedad, se alineó bien con la misión de Sra en macro-eyes.

«Porque de ese enfoque [sobre el impacto] dentro del IDSS, considero que mi objetivo es tratar de hacer IA para el bien social», dice Sra. «El verdadero juicio del éxito es ¿a cuántas personas ayudamos? ¿Cómo podríamos mejorar el acceso a la atención para las personas, dondequiera que estén?»

En 2017, macro-eyes recibió una pequeña subvención del proyecto de ley y Melinda Gates Foundation para explorar la posibilidad de usar datos de trabajadores de salud de primera línea para construir una cadena de suministro predictiva para vacunas. Fue el comienzo de una relación con la Fundación Gates que se ha expandido constantemente a medida que la compañía alcanza nuevos hitos, desde la construcción de modelos precisos de utilización de vacunas en Tanzania y Mozambique hasta la integración con las cadenas de suministro para hacer que los suministros de vacunas sean más proactivos. Para ayudar con esta última misión, Prashant Yadav se unió recientemente a la junta directiva; Yadav trabajó como profesor de gestión de la cadena de suministro en el Programa de Logística Internacional de MIT-Zaragoza durante siete años y ahora es miembro principal del Centro para el Desarrollo Global, un grupo de expertos sin fines de lucro.

Junto con su trabajo en CHAIN, la compañía ha implementado otro producto, Sibyl, que utiliza el aprendizaje automático para determinar cuándo es más probable que los pacientes se presenten a las citas, para ayudar a los trabajadores de recepción en las clínicas de salud a crear horarios. Fels dice que el sistema ha permitido a los hospitales mejorar tanto la eficiencia de sus operaciones que han reducido el tiempo promedio que los pacientes esperan para ver a un médico de 55 días a 13 días.

Como parte de CHAIN, Sibyl De manera similar, utiliza una variedad de puntos de datos para optimizar los cronogramas, lo que le permite predecir con precisión el comportamiento en entornos donde otros modelos de aprendizaje automático podrían tener problemas.

Los fundadores también están explorando formas de aplicar ese enfoque para ayudar a controlar el COVID-19. pacientes a clínicas de salud con capacidad suficiente. Ese trabajo se está desarrollando con el Director de Innovación de Sierra Leona, David Sengeh SM ’12 Ph.D. ’16.

Ampliar fronteras

Crear soluciones para algunos de los sistemas de salud menos desarrollados del mundo puede parecer una forma difícil de establecerse para una empresa joven, pero el enfoque es una extensión de la misión fundacional de macro-eyes de crear soluciones para el cuidado de la salud que puedan beneficiar a personas de todo el mundo por igual.

«Como organización, nunca podemos suponer que los datos nos estarán esperando», dice Fels. . «Hemos aprendido que debemos pensar estratégicamente y pensar en cómo acceder o generar los datos que necesitamos para cumplir con nuestro mandato: hacer que la prestación de atención médica sea predictiva, en todas partes».

El enfoque es también es una buena manera de explorar las innovaciones en los campos matemáticos en los que los fundadores han trabajado durante su carrera.

«La necesidad es absolutamente la madre de la invención», dice Sra. «Esta es una innovación impulsada por la necesidad».

Y en el futuro, el trabajo de la empresa en entornos difíciles solo debería facilitar el escalamiento.

«Pensamos todos los días en cómo hacer que nuestra tecnología más rápidamente implementable, más generalizable, más altamente escalable», dice Sra. «¿Cómo llegamos al inmenso poder de llevar el verdadero aprendizaje automático a los problemas más importantes del mundo sin gastar primero décadas y miles de millones de dólares en la construcción de infraestructura digital? ¿Cómo saltamos hacia el futuro?»

Explore más

Llevando el poder predictivo de la inteligencia artificial a la atención médica Proporcionado por el Instituto de Tecnología de Massachusetts

Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre investigación, innovación y enseñanza del MIT.

Cita: Mejorar la equidad en salud global al ayudar a las clínicas a hacer más con menos (26 de junio de 2020) consultado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-06-global -health-equity-clinics.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.