En una prueba inicial del uso de la inteligencia artificial (IA) para analizar grandes cantidades de datos de salud, científicos de la Universidad de California en San Francisco (UCSF) y la Universidad Estatal de Wayne descubrieron que las herramientas de IA generativa pueden procesar conjuntos de datos enormes mucho más rápido que los equipos tradicionales de informática, e incluso producir resultados superiores en algunos casos.
Para comparar el rendimiento directamente, los investigadores asignaron las mismas tareas a diferentes grupos. Algunos equipos confiaron únicamente en la experiencia humana, mientras que otros utilizaron científicos que trabajaban con herramientas de IA. El desafío consistió en predecir el parto prematuro utilizando datos de más de 1,000 mujeres embarazadas.
Incluso un equipo de investigación junior, compuesto por Reuben Sarwal, estudiante de maestría de la UCSF, y Victor Tarca, estudiante de secundaria, desarrolló con éxito modelos de predicción con el apoyo de la IA. El sistema generó código de computadora funcional en cuestión de minutos, algo que normalmente llevaría a programadores experimentados varias horas o incluso días.
La ventaja de la IA radica en su capacidad para escribir código analítico basado en instrucciones cortas pero muy específicas. No todos los sistemas funcionaron bien; solo 4 de los 8 chatbots de IA produjeron código utilizable. Sin embargo, aquellos que tuvieron éxito no requirieron grandes equipos de especialistas para guiarlos.
Gracias a esta velocidad, los jóvenes investigadores pudieron completar sus experimentos, verificar sus hallazgos y enviar sus resultados a una revista científica en pocos meses.
«Estas herramientas de IA podrían aliviar uno de los mayores cuellos de botella en la ciencia de datos: la creación de nuestras líneas de análisis», dijo Marina Sirota, PhD, profesora de Pediatría e investigadora principal del Centro de Investigación sobre Prematuridad de March of Dimes en la UCSF. «Esta aceleración llega en el momento justo para los pacientes que necesitan ayuda ahora».
La Dra. Sirota es coautora principal del estudio, publicado en Cell Reports Medicine el 17 de febrero.
¿Por qué es importante la investigación sobre el parto prematuro?
Acelerar el análisis de datos podría mejorar las herramientas de diagnóstico para el parto prematuro, la principal causa de muerte infantil y un importante factor contribuyente a los desafíos motores y cognitivos a largo plazo en los niños. En Estados Unidos, aproximadamente 1,000 bebés nacen prematuramente cada día.
Los investigadores aún no comprenden completamente las causas del parto prematuro. Para investigar los posibles factores de riesgo, el equipo de la Dra. Sirota recopiló datos del microbioma de aproximadamente 1,200 mujeres embarazadas, cuyos resultados se rastrearon en nueve estudios diferentes.
«Este tipo de trabajo solo es posible gracias al intercambio abierto de datos, combinando las experiencias de muchas mujeres y la experiencia de muchos investigadores», dijo Tomiko T. Oskotsky, MD, codirectora del Repositorio de Datos sobre Parto Prematuro de March of Dimes y profesora asociada en UCSF BCHSI, y coautora del estudio.
Sin embargo, analizar un conjunto de datos tan vasto y complejo demostró ser un desafío. Para abordar esto, los investigadores recurrieron a una competencia mundial de crowdsourcing llamada DREAM (Diálogo sobre Evaluación y Métodos de Ingeniería Inversa).
La Dra. Sirota codirigió uno de los tres desafíos de DREAM sobre el embarazo, centrándose específicamente en los datos del microbioma vaginal. Más de 100 equipos de todo el mundo participaron, desarrollando modelos de aprendizaje automático diseñados para detectar patrones relacionados con el parto prematuro. La mayoría de los grupos completaron su trabajo dentro de la ventana de competencia de tres meses, pero tomó casi dos años consolidar los hallazgos y publicarlos.
Prueba de la IA con datos de embarazo y microbioma
Con la curiosidad de saber si la IA generativa podría acortar ese plazo, el grupo de la Dra. Sirota se asoció con investigadores dirigidos por Adi L. Tarca, PhD, coautora principal y profesora del Centro de Medicina Molecular y Genética de la Universidad Estatal de Wayne en Detroit, Michigan. La Dra. Tarca había liderado los otros dos desafíos de DREAM, que se centraron en mejorar los métodos para estimar la etapa del embarazo.
Juntos, los investigadores instruyeron a ocho sistemas de IA para que generaran de forma independiente algoritmos utilizando los mismos conjuntos de datos de los tres desafíos de DREAM, sin codificación humana directa.
Los chatbots de IA recibieron instrucciones cuidadosamente redactadas en lenguaje natural. Al igual que ChatGPT, los sistemas fueron guiados a través de indicaciones detalladas diseñadas para dirigirlos a analizar los datos de salud de manera comparable a los participantes originales de DREAM.
Sus objetivos reflejaron los desafíos anteriores. Los sistemas de IA analizaron datos del microbioma vaginal para identificar signos de parto prematuro y examinaron muestras de sangre o placenta para estimar la edad gestacional. La datación del embarazo es casi siempre una estimación, pero determina el tipo de atención que reciben las mujeres a medida que avanza el embarazo. Cuando las estimaciones son inexactas, la preparación para el parto se vuelve más difícil.
Los investigadores ejecutaron el código generado por la IA utilizando los conjuntos de datos de DREAM. Solo 4 de las 8 herramientas produjeron modelos que coincidieron con el rendimiento de los equipos humanos, aunque en algunos casos los modelos de IA funcionaron mejor. Todo el esfuerzo de IA generativa, desde el inicio hasta la presentación de un artículo, tomó solo seis meses.
Los científicos enfatizan que la IA aún requiere una supervisión cuidadosa. Estos sistemas pueden producir resultados engañosos y la experiencia humana sigue siendo esencial. Sin embargo, al clasificar rápidamente grandes conjuntos de datos de salud, la IA generativa puede permitir a los investigadores pasar menos tiempo solucionando problemas de código y más tiempo interpretando los resultados y planteando preguntas científicas significativas.
«Gracias a la IA generativa, los investigadores con una formación limitada en ciencia de datos no siempre tendrán que formar colaboraciones amplias o pasar horas depurando código», dijo Tarca. «Pueden concentrarse en responder las preguntas biomédicas correctas».
Autores: Los autores de la UCSF son Reuben Sarwal; Claire Dubin; Sanchita Bhattacharya, MS; y Atul Butte, MD, PhD. Otros autores son Victor Tarca (Huron High School, Ann Arbor, MI); Nikolas Kalavros y Gustavo Stolovitzky, PhD (Novel York University); Gaurav Bhatti (Wayne State University); y Roberto Romero, MD, D(Med)Sc (National Institute of Child Health and Human Development (NICHD)).
Financiamiento: Este trabajo fue financiado por el Centro de Investigación sobre Prematuridad de March of Dimes en la UCSF y por ImmPort. Los datos utilizados en este estudio se generaron en parte con el apoyo de la Rama de Investigación sobre el Embarazo del NICHD.
