1. Diagnosticar Enfermedades
Diagnosticar correctamente las enfermedades lleva años de formación médica. Incluso entonces, el diagnóstico es a menudo un proceso arduo y lento. En muchos campos, la demanda de expertos supera con creces la oferta disponible . Esto pone a los médicos bajo presión y, a menudo, retrasa los diagnósticos de pacientes que salvan vidas.
El Aprendizaje automático, en particular los algoritmos de Aprendizaje profundo, recientemente ha logrado grandes avances en el diagnóstico automático de enfermedades, haciendo que los diagnósticos sean más baratos y accesibles .
Cómo aprenden las máquinas a diagnosticar
Los algoritmos de aprendizaje automático pueden aprender a ver patrones de manera similar a como los médicos los ven. Una diferencia clave es que los algoritmos necesitan muchos ejemplos concretos , muchos miles, para aprender. Y estos ejemplos deben ser digitalizados cuidadosamente: las máquinas no pueden leer entre líneas en los libros de texto.
Por lo tanto, el aprendizaje automático es particularmente útil en áreas donde la información de diagnóstico que examina un médico ya está digitalizada.
Como:
- Detección de cáncer de pulmón o accidentes cerebrovasculares basados en tomografías computarizadas.
- Evaluación del riesgo de muerte cardíaca súbita u otras enfermedades cardíacas basadas en electrocardiogramas e imágenes de resonancia magnética cardíaca.
- Clasificación de lesiones cutáneas en imágenes cutáneas.
- Encontrando indicadores de retinopatía diabética en imágenes oculares.
La IA en Diagnóstico
Como hay muchos datos buenos disponibles en estos casos, los algoritmos se están volviendo tan buenos en diagnósticos como los expertos. La diferencia es: el algoritmo puede sacar conclusiones en una fracción de segundo y puede reproducirse a bajo costo en todo el mundo. Pronto, todos, en cualquier lugar, podrían tener acceso a la misma calidad que los mejores expertos en diagnósticos de radiología y por un bajo precio.
Pronto llegarán diagnósticos más avanzados de inteligencia artificial
La aplicación de Machine Learning en el diagnóstico está recién comenzando: los sistemas más ambiciosos incluyen la combinación de múltiples fuentes de datos (CT, MRI, genómica y proteómica, datos de pacientes e incluso archivos escritos a mano) para evaluar una enfermedad o su progresión.
La IA no reemplazará a los médicos tan pronto
Es poco probable que la IA reemplace a los médicos de manera absoluta. En su lugar, los sistemas de IA se utilizarán para resaltar lesiones potencialmente malignas o patrones cardíacos peligrosos para el experto , lo que permitirá al médico concentrarse en la interpretación de esas señales.
2. Desarrollar Drogas más Rápido.
El desarrollo de drogas es un proceso muy caro. Muchos de los procesos analíticos involucrados en el desarrollo de medicamentos pueden hacerse más eficientes con el Aprendizaje Automático. Esto tiene el potencial de recortar años de trabajo y cientos de millones en inversiones .
Proceso de desarrollo de medicamentos
La IA ya se ha utilizado con éxito en las 4 etapas principales del desarrollo de medicamentos:
- Etapa 1: Identificación de objetivos para la intervención
- Etapa 2: Descubriendo candidatos a drogas
- Etapa 3: Acelerar los ensayos clínicos
- Etapa 4: encontrar biomarcadores para diagnosticar la enfermedad
Objetivo de Intervención de Drogas
Etapa 1: Identificar objetivos para la intervención
El primer paso en el desarrollo de fármacos es comprender el origen biológico de una enfermedad (vías) y sus mecanismos de resistencia. Luego tienes que identificar buenos objetivos (típicamente proteínas) para tratar la enfermedad. La disponibilidad generalizada de técnicas de alto rendimiento, como el cribado de ARN de horquilla corta (shRNA) y la secuenciación profunda, ha aumentado considerablemente la cantidad de datos disponibles para descubrir rutas de destino viables. Sin embargo, con las técnicas tradicionales, sigue siendo un desafío integrar la gran cantidad y variedad de fuentes de datos, y luego encontrar los patrones relevantes.
Los algoritmos de aprendizaje automático pueden analizar más fácilmente todos los datos disponibles e incluso pueden aprender a identificar automáticamente las proteínas objetivo adecuadas.
Encontrar una droga
Etapa 2: descubrir candidatos a drogas
A continuación, debe encontrar un compuesto que pueda interactuar con la molécula objetivo identificada de la manera deseada. Esto implica seleccionar una gran cantidad, a menudo muchos miles o incluso millones, de compuestos potenciales para determinar su efecto en el objetivo (afinidad), por no mencionar sus efectos secundarios (toxicidad) fuera del objetivo. Estos compuestos pueden ser naturales, sintéticos o de ingeniería biológica.
Sin embargo, el software actual a menudo es inexacto y produce muchas sugerencias erróneas (falsos positivos), por lo que lleva mucho tiempo reducirlo a los mejores candidatos a medicamentos (conocidos como clientes potenciales).
Los algoritmos de aprendizaje automático también pueden ayudar aquí: pueden aprender a predecir la idoneidad de una molécula basada en huellas digitales estructurales y descriptores moleculares. Luego brillan a través de millones de moléculas potenciales y las filtran a las mejores opciones, las que también tienen efectos secundarios mínimos. Esto termina ahorrando mucho tiempo en el diseño de medicamentos.
Etapa 3: Acelerar los ensayos clínicos
Es difícil encontrar candidatos adecuados para los ensayos clínicos. Si elige a los candidatos equivocados, prolongará la prueba y le costará mucho tiempo y recursos.
El aprendizaje automático puede acelerar el diseño de los ensayos clínicos mediante la identificación automática de candidatos adecuados, así como garantizar la distribución correcta para los grupos de participantes del ensayo. Los algoritmos pueden ayudar a identificar patrones que separan a los buenos candidatos de los malos. También pueden servir como un sistema de alerta temprana para un ensayo clínico que no está produciendo resultados concluyentes, lo que permite a los investigadores intervenir antes y potencialmente salvar el desarrollo del medicamento.
Etapa 4: encontrar biomarcadores para diagnosticar la enfermedad
Solo puede tratar a los pacientes por una enfermedad una vez que esté seguro de su diagnóstico. Algunos métodos son muy costosos e involucran equipos de laboratorio complicados, así como conocimiento experto, como la secuenciación del genoma completo.
Los biomarcadores son moléculas que se encuentran en los fluidos corporales (típicamente sangre humana) que proporcionan una certeza absoluta de si un paciente tiene o no una enfermedad . Hacen que el proceso de diagnóstico de una enfermedad sea seguro y barato .
También puede usarlos para señalar la progresión de la enfermedad, lo que facilita a los médicos elegir el tratamiento correcto y controlar si el medicamento está funcionando.
Pero descubrir biomarcadores adecuados para una enfermedad particular es difícil. Es otro proceso costoso que consume mucho tiempo y consiste en seleccionar a decenas de miles de posibles candidatos a moléculas.
AI puede automatizar una gran parte del trabajo manual y acelerar el proceso. Los algoritmos clasifican las moléculas en buenos y malos candidatos, lo que ayuda a los médicos a concentrarse en analizar las mejores perspectivas.
Los biomarcadores se pueden utilizar para identificar:
- La presencia de una enfermedad tan pronto como sea posible – biomarcador de diagnóstico
- El riesgo de que un paciente desarrolle la enfermedad – biomarcador de riesgo
- El progreso probable de una enfermedad – biomarcador de pronóstico
- Si un paciente responderá a un medicamento: biomarcador predictivo
3. Personalizar el tratamiento
Diferentes pacientes responden a los medicamentos y horarios de tratamiento de manera diferente. Por lo tanto, el tratamiento personalizado tiene un enorme potencial para aumentar la vida útil de los pacientes. Pero es muy difícil identificar qué factores deberían afectar la elección del tratamiento.
El Machine Learning (ML) puede automatizar este complicado trabajo estadístico, y ayudar a descubrir qué características indican que un paciente tendrá una respuesta particular a un tratamiento en particular . Por lo tanto, el algoritmo puede predecir la probable respuesta de un paciente a un tratamiento en particular.
El sistema aprende esto haciendo referencias cruzadas a pacientes similares y comparando sus tratamientos y resultados. Las predicciones de resultados resultantes hacen que sea mucho más fácil para los médicos diseñar el plan de tratamiento correcto .
4. Mejorar la edición de genes
Edición de genes dirigidos
Las repeticiones palindrómicas cortas agrupadas con intervalos regulares (CRISPR, por sus siglas en inglés), específicamente el sistema CRISPR-Cas9 para la edición de genes, es un gran avance en nuestra capacidad para editar el ADN de manera rentable, y precisamente, como un cirujano.
Esta técnica se basa en los ARN de guía corta (sgRNA) para apuntar y editar una ubicación específica en el ADN. Pero la guía de ARN puede ajustarse a múltiples ubicaciones de ADN, y eso puede llevar a efectos secundarios no deseados ( efectos fuera del objetivo). La selección cuidadosa del ARN guía con los efectos secundarios menos peligrosos es un importante cuello de botella en la aplicación del sistema CRISPR.
Se ha comprobado que los modelos de Machine Learning producen los mejores resultados cuando se trata de predecir el grado de interacciones entre la guía y el objetivo y los efectos fuera del objetivo para un sgRNA determinado. Esto puede acelerar significativamente el desarrollo del ARN guía para cada región del ADN humano.
