Descrição
Neste episódio de AiHeroes, Laura Velásquez e José Zea, cofundadores da Arkangel Ai, discutem os desafios e mitos comuns na implementação da inteligência artificial (IA) no setor de saúde. Eles abordam temas como a transformação digital, a importância de entender os problemas antes de aplicar soluções tecnológicas, e a diferença entre análise de dados e IA. Os especialistas enfatizam que a transformação digital é um processo contínuo, e não um destino final.
A conversa aprofunda-se em conceitos-chave, como a qualidade dos dados, a importância de equipes multidisciplinares, e a distinção entre IA generativa e preditiva. Laura e José compartilham insights valiosos sobre como as organizações de saúde podem iniciar sua jornada na implementação de IA, destacando a importância da educação, a identificação de problemas reais e a experimentação com projetos piloto.
Transformação digital como processo contínuo: A transformação digital não é um fim em si, mas sim um caminho constante que requer iteração e adaptação contínua.
Mitos sobre a qualidade dos dados: Um dos grandes mitos é acreditar que é necessário ter dados perfeitos para começar com IA, quando, na realidade, os melhores dados são os que já estão disponíveis.
Progresso da inteligência artificial: A IA melhora com o tempo, à medida que mais dados são coletados e o algoritmo é melhor treinado.
Valor de dados pequenos, mas de qualidade: Começar com um pequeno conjunto de dados de alta qualidade pode ser mais eficaz do que esperar grandes volumes de dados.
Transversalidade da inteligência artificial: A IA não deve ser vista como uma função isolada dentro de uma empresa, mas deve ser integrada em todas as áreas e processos para ser realmente eficaz.
Inovação a partir da mentalidade: A verdadeira transformação ocorre quando as empresas adotam uma mentalidade de inovação constante, não apenas em termos de tecnologia, mas em todos os aspectos da sua operação.
Desafios na implementação de IA: Muitas organizações têm medo de iniciar com IA porque não se sentem preparadas, mas é importante começar com o que se tem e aprender durante o processo.
Comparação com grandes empresas de tecnologia: Empresas tradicionais de saúde muitas vezes se comparam a gigantes tecnológicas como Google ou Amazon, o que pode gerar pressão e uma sensação de atraso.
Criatividade no setor de saúde: Os profissionais de saúde são naturalmente criativos ao gerir doenças, e a adoção de novas tecnologias pode potencializar essa criatividade.
Importância da educação em IA: É essencial que as equipes envolvidas na transformação digital ou em IA invistam tempo em aprender os conceitos básicos para aplicar a tecnologia de forma eficaz.
Conclusões:
- A transformação digital na saúde é um processo contínuo que requer uma mentalidade de inovação constante.
- Não é necessário ter dados perfeitos para começar com IA; o importante é iniciar com os dados disponíveis e melhorar progressivamente.
- A IA não é uma solução mágica; é crucial entender o problema real antes de aplicar a tecnologia.
- Equipes multidisciplinares são fundamentais para o sucesso da implementação de IA na saúde.
- Existe uma diferença significativa entre análise de dados e IA; nem todos os problemas requerem soluções de IA.
- A educação e a familiarização com os conceitos básicos de IA são passos essenciais antes da implementação.
- Recomenda-se começar com projetos piloto ("brinquedos") e esperar resultados iniciais.
- O sucesso da IA na saúde é medido tanto em termos de eficiência econômica quanto no impacto positivo sobre os pacientes.
Transcrição:
Laura V.:
Bueno, hola a todos, hoy estamos en un episodio diferente de AI Heroes, ahora Insights, porque hemos hablado con muchas personas y nos han dicho, ve, ¿por qué ustedes no hablan un poco de lo que viven haciendo con AI, con inteligencia artificial? Y ver si podemos poner sobre la mesa muchos de los retos que hemos encontrado ahora en implementar este tipo de tecnologías y, pues, nada, conversar sobre esto. Aquí estamos, José, socio, cofundador, pareja, todo en uno y, pues, nada, se les va a presentar.
José Zea:
Listo, pues, soy José, soy parte del equipo de Arcángel, súper feliz de estar acá. En Arcángel, para los que no saben, somos una compañía que trabaja con organizaciones de salud para ayudarles a transformar sus datos de forma automática y sin escribir código. Es una palabra sencilla, es que es un hospital, una pharma o una empresa pagadora sube sus datos y puede resolver sus problemas a través de modelos predictivos. Algo que veníamos hablando con Laura es lo que les comentaba hace un momento y yo siento que mucho de lo que nos gusta hacer en Arcángel es compartir lo que aprendemos. Entonces, este espacio me parece maravilloso, es por eso, por mostrar transparencia y compartir todo lo que sabemos, pues, para que ustedes no la caguen como nosotros la hemos cagado.
Laura V.:
No, hay también como de hablar y construir en público lo que nosotros hemos aprendido y hemos construido desde las cosas buenas, muy bacanas que se han hecho, pero también desde las cagadas que hemos cometido y de los mayores retos o esos cinco mayores retos o errores que hemos visto que el sistema de salud tiene a la hora de adoptar estas nuevas tecnologías. Porque algo de lo que hablábamos siempre es que hoy en día se habla mucho de la transformación digital, pero eso en muchos contextos es bullshit, como en muchas ocasiones lo decimos, porque no se trata de un fin, sino que es un camino en el que hay que construir, hay que iterar y no se trata de un fin único, o sea, es un camino constante y de continuo desarrollo del cual no solamente es transformación digital. Entonces, pues aquí vamos a hablar un poquito, ¿cuál crees que es el primer error que hemos visto en la industria a la hora de adoptar estas tecnologías?
José Zea:
Yo creo que uno de los mitos grandes que vemos nosotros es que a la gente le da mucho miedo iniciar porque siente que no está lista y siempre la excusa más frecuente que vemos nosotros es "no tengo data, mi data no es perfecta, no es como me la imagino que debe ser". Muchas veces el miedo viene de y se generan como excusas y cosas que ellos creen que necesitan para poder iniciar. La más frecuente y la más común que nosotros escuchamos es "pues no tengo los datos, mis datos no son perfectos, no están muchas veces en su totalidad digitalizados, puede que no tengan la mejor estructura".
Laura V.:
O no pasa mucho ahí, tengo un montón de datos, pero pues no sé si eso sirve.
José Zea:
Correcto, sí. Y al final, la forma en la que nosotros nos hemos dado cuenta es que la mejor data o los mejores datos que tienes, pues la mejor calidad es la que tienes disponible. Y la forma en la que esta tecnología funciona es progresiva, no es como tienes que tener todo listo para iniciar porque siempre hemos hecho software de esa forma, siempre hemos como creado algo y dejado que funcione, que fluya. La inteligencia artificial es un proceso, o sea, como que tú inicias desde un punto cero y a medida que vas trabajando y generando valor y recolectando nueva data, tu dataset se va volviendo mejor y tu algoritmo se va volviendo mejor. Entonces, el primer mito que siempre hemos visto es "necesito tener data perfecta para iniciar" y no, la verdad es que la mejor data que puedes tener es la que ya tienes.
Laura V.:
A mí algo que me pasa mucho cuando hablo con muchos de los clientes que tenemos hoy y de los modelos que estamos implementando es que me dicen, ¿cuánta data necesito? ¿Cuál es ese dataset perfecto que necesito? Y yo siempre he creído en AI o en inteligencia artificial, perdón, es muy común, o bueno, en principio la inteligencia artificial es que mientras más data tengas, pues mejor, pero en gran parte de lo que yo he visto en salud es que no es tan así, es mejor iniciar con poca data, muy buena, pero poca, que te permitan paso a paso construir ese gran modelo que te lleve unas métricas muy interesantes a no iniciar con nada.
José Zea:
Y también hay algo importante y es que no necesariamente mucha data es mejor calidad, mucha data realmente desde el punto de vista científico de datos son más opciones, entonces tú puedes tener millones y cientos de millones de datos, pero realmente puede ser que cien mil sean valiosos, entonces al final el volumen lo único que te da es una oportunidad de fallar, pero no necesariamente una persona que tenga cien es peor que una persona que tiene cien millones, porque esos cien que tú puedes tener pueden ser mucho más valiosos que lo que el otro tiene que es muchísimo mayor en cantidad.
Laura V.:
De hecho eso nos pasó con el caso de UNICEF que implementamos de detección temprana de leucemia, que teníamos un dataset muy pequeño pero era de tan buena calidad que llegamos en muy corto tiempo a unas métricas muy bonitas, superiores al 90% en precisión, sensitividad, tal tal tal, que al final del dataset nos comprobó que no necesitas miles de datos y miles de millones, con un pequeño frame podemos llegar a unas métricas muy interesantes y es una primera versión y se puede postular algo de valor ahí.
José Zea:
Correcto, yo quería profundizar en lo que inicia este lado de cuando decías de transformación digital, de digitalización, de AI, todo el mundo quiere crear algo nuevo y todo el mundo a veces desde el miedo, desde la curiosidad o desde el amor por el arte, pero todos quieren entrar como a esa ola, entonces tú ves una empresa gigante que toda la vida ha hecho otros productos, por ejemplo salud, comparado con un Google o un OpenAI o un Amazon y dicen "me estoy quedando atrás, ¿será que va a ser el siguiente blockbuster?" Tú, ¿qué opinas de esa idea o ese concepto de transformación digital?
Laura V.:
...un proceso constante y continuo, nunca llegamos y ya está, no, es un proceso que tiene que ser constante, constante, constante. Entonces, a veces cuando a mí me hablan de "soy la persona encargada de transformación digital", me gusta, pero a veces digo: ¿qué están haciendo para que sea continuo? Y también siento que la persona encargada de esto vive lo mismo que nosotros estamos hablando aquí, como ¿cómo lo hago para que la gente no vea un fin, sino que sea una continuidad y que sea un proceso y que sea un mindset? Y que no solamente sea de un área, sino que sea transversal al área. Acá hay algo que me gusta mucho y es que me acuerdo perfecto, alguien un día me dijo en un hospital "tengo un área de inteligencia artificial", y para mí eso es el mayor error de la vida porque la inteligencia artificial no es un área, tiene que ser transversal a cualquier área. Entonces, ahí es donde es muy interesante ver, pues es un mito también, no es un área la líder encargada de la inteligencia artificial; es que cualquier área, desde acceso, desde cualquier patología, desde el punto administrativo hasta lo que sea, tiene las capacidades de implementar modelos de inteligencia artificial para ser más eficiente, más óptimo, detectar a tiempo, predecir adherencia, etcétera, y un sinfín de posibilidades.
José Zea:
Es que yo también creo que el reto está en la palabra, en la semántica. Cuando uno dice "transformar", suena como algo que tengo que hacer y ya acabé. Entonces, yo imagino que una persona que quiere implementar o generar estrategias de transformación mira una empresa como Amazon y ve que tiene muchas cosas andando, entonces tiene un sistema de logística impresionante, tiene un sistema de pricing predictivo impresionante, sabe recomendar productos que a ti te gustan de forma impresionante. Pero el Amazon original no era así, el Amazon te mandaba un libro y punto. Lo que hace especial a estas empresas que logran transformar, como tú dices, desde el mindset, es que se vuelve parte de su core. No es algo que hace un equipo aislado, metido dentro de un laboratorio y son los que piensan sobre innovar y demás, sino que está embebido entre todas las áreas de la compañía y se vuelve una forma de pensar, no una acción que tienes que tomar para llevarlo.
Laura V.:
Eso es muy valioso en salud porque al final, si tú te pones a ver, los profesionales en salud todo el día hacen eso. Ellos tienen que ser muy creativos a la hora de gestionar la enfermedad del paciente. Lo único que siento que falta en ese concepto de transformación digital es que empiecen a adoptar nuevas herramientas tecnológicas que le permitan ser mucho más creativos a los médicos, a los profesionales de salud, a los administrativos, a tomar muchas mejores decisiones basadas en información. Algo súper bonito que aprendí ayer en el evento de AWS es que decían que hoy las empresas modernas son empresas de datos, y es demasiado real, porque si realmente le damos valor y peso a los datos que tenemos hoy, podemos transformar, en este caso, el sistema de salud, transformarlo en un proceso continuo, no en un proceso que es un fin de que ya está chequeado este punto, sino en una continuidad de mejoras, de transformación, de crecimiento, de ver dónde estamos fallando y dónde se puede iterar. Para mí no es el fin, sino ese mindset de que aquí también se puede hacer, aquí también se puede mejorar y que sea una industria muy bonita que salva vidas.
José Zea:
Pero mira que yo difiero un poco de ese pensamiento. Yo siento que hay muchas tecnologías y la tecnología nunca va a dejar de surgir. Ahora está muy de moda la data, pero yo siento que no se trata solo de eso. Muchas veces la tecnología se vuelve como un medio secundario, y es más importante también la forma en la que tú generas ese cambio de pensamiento dentro de la compañía, porque ahora es datos y es AI y es todo.
Laura V.:
Por eso es un proceso que es un mindset.
José Zea:
Pero en un futuro puede ser computación cuántica, puede ser lo que sea, y si tu compañía no está lista para pensar y solo está pensando en datos porque es la moda, pues no está realmente generando una transformación dentro de la organización.
Laura V.:
También difiero un poco porque siento que la materia prima de esto sí es la información. Cualquier dato que tengas, no lo llames estructurado o no estructurado, la información es lo que nos da pie para saber a dónde caminar. Pero estoy de acuerdo en un punto clave, y es que no siempre la tecnología o la AI pueden ser la respuesta; puede ser múltiples otras cosas, y por eso el mindset es la clave y lo más importante. Aquí hay un ejemplo claro, no en salud, pero en otras áreas, como la trampa de niebla.
No sé si lo han escuchado, pero es lo más básico de que esas innovaciones no tienen la tecnología. Básicamente, en un pueblito en Perú, tenían muy poca agua potable, y lo que hicieron fue extender un costal de un lado a otro, largo en este caso, y la niebla se quedaba ahí, se escurría, y a partir de ahí empezaron a sacar agua potable. Eso es innovación, pero eso es un mindset.
Jose Zea:
Exacto.
Laura V.:
Que si vemos eso como un mindset donde sea que hayan gaps o huecos, encontramos soluciones que se adapten a eso.
Jose Zea:
Yo creo que es donde está el reto principal. Siento que la oportunidad grande que tienen las compañías está en eso, en encontrar que su equipo piense de esa forma y no se enamoren mucho de la tecnología. Sí, claro, total. Hablando de eso, Lau, ¿cómo ves esa pregunta que siempre surge de cuál es el caso de uso perfecto que yo debería explorar? Es lo que todo el mundo siempre está buscando y es como, por lo que sea, quiero impactar más a mis pacientes, quiero ser una persona muy prestigiosa en la industria, quiero ascender. ¿Cuál es el caso de uso que yo debería hacer? Dímelo, quiero saber tú qué piensas sobre ese concepto.
Laura V.:
Ahí es muy común y siempre lo escucho en las conversaciones que tengo, me dicen muéstrame ese caso de uso perfecto para lo que yo necesito. El tema no se trata del caso de uso porque el caso de uso depende mucho del problema de cada uno. El reto hoy está en que no estamos entendiendo bien cuál es el problema que tengo y todos quieren tener ese checklist de tengo AI, tengo transformación digital, hago analítica de datos. Entonces, al empezar a pensar en que necesito ese checklist, dejamos de darle valor al problema, y ahí está el reto.
Ese es un gran mito, que tengamos un caso de uso perfecto, no. Necesitamos problemas y ver si hay herramientas que nos ayuden a solucionar. En este caso, la AI puede ser una, pero no necesariamente para todo necesitamos AI. A mí me da mucha risa a veces porque me dicen tengo un modelo, yo ya implemento inteligencia artificial y cuando vamos y hacemos doble clic ahí, realmente es un juego de reglas, analítica adaptada o análisis estadístico tal vez, pero no es realmente inteligencia artificial. Ahí es donde creamos el gran problema, que queremos tener esto que está de moda, pero no entendemos para qué lo necesitamos.
Siento que es un gran error que hoy comete la industria, querer esta herramienta sin preguntarse para qué la necesitamos, cuál es el problema que queremos solucionar.
Jose Zea:
¿Pero qué opinas no solo de encontrar específicamente un caso o un ejemplo? Porque muchas veces es como arranco pequeño, arranco grande, me mando con toda la organización o creo un squad para que alguien inicie con algo. ¿Qué opinas sobre eso? ¿Debería encontrar un solo caso de uso, debería implementar varios en paralelo? ¿Cómo ves tú la idea de implementación de diferentes escenarios?
Laura V.:
Depende mucho de cada uno de los puntos y de cada una de las necesidades, creo yo. ¿Qué piensas tú?
Jose Zea:
Yo siento que lo interesante de esta tecnología es que pueda abarcar varias áreas de la compañía. Volviendo al ejemplo de Amazon, siento que es un buen concepto, en el sentido de que cuando tú piloteas o es como cuando tú vas a remodelar tu casa, si tú solamente pintas el hall de tu casa, pues no vas a sentir ningún cambio significativo. Muchas veces puede que necesites cambiar la cocina, cambiar tu baño, cambiar tu escalera, y en ocasiones tiene mucho sentido implementar esto como líneas de pensamiento dentro de la compañía que entre todas transformen la forma en la que se hacen las cosas, y muchas veces se trata de repensar cómo hacemos lo que hacemos. Entonces, imagínate, por ejemplo, que tú tienes tu cliente y tú entiendes cómo es el journey del cliente. ¿Qué pasaría si tú defines un squad multidisciplinario que tenga gente de acceso, de medical, de innovación, de tecnología, y entre todos repiensan la forma en la que se hacen las cosas?
Yo he visto en las experiencias que hemos tenido en Arcángel que los equipos y las compañías que hacen eso tienen una mayor probabilidad de éxito. Cuando no funcionan de forma aislada sino intentan transformar algo desde el problema y no desde la tecnología, les permite tener una mayor probabilidad de éxito, es lo que yo opino.
Laura V.:
Sí, yo creo que al final del día se reduce a entender muy bien el problema, pero no solo de una área sino de todas, y así se vuelve mucho más eficiente hacia dónde caminar apalancado de tecnologías como AI o de pronto otras cosas. Siento que ahí está como el punto, y el error de hoy, para reiterar ese segundo error, es que todos creemos que hay un caso de uso perfecto, y pues no lo hay. No hay caso de uso perfecto. Esto que estamos hablando precisamente y lo que nos ha llevado esta conversación nos lleva al tercer punto o al tercer mito, al tercer error, y es que hoy todos ven la IA como una varita mágica, TIN solucionado, Aladín. No es así, es un proceso diferente.
Jose Zea:
Yo siento también que en educación, y como la razón por la cual muchas personas esperan que alguien lo haga o esperan que haya un caso de uso o esperan que alguien lo haya hecho, es por falta de educación. Muchas veces el miedo y como eso surge es del desconocimiento. Entonces, por ejemplo, algo que yo soñaría que exista es si vas a colocar un equipo a trabajar en lo que sea, en transformación digital o en inteligencia artificial, parte de ello es gastar 20 horas estudiando los conceptos básicos. A mí me parece ineficiente, por ejemplo, que un equipo piense que una fórmula de Excel es inteligencia artificial o que tú estés intentando sacarle punta a un lápiz con un machete porque no es lo mismo. Hay conceptos básicos que necesitas tener para poder aplicar esa tecnología de forma exitosa.
Jose Zea:
No sé si tú quieras compartirnos algunas ideas de cuáles son esos conceptos esenciales que alguien debe aprender para sacarle jugo a esta tecnología.
Laura V.:
Una de las cosas claves que veo todo el tiempo, y creo que lo mencioné ahorita, es analítica de datos e inteligencia artificial.
Jose Zea:
Sabes, espérate, te interrumpí un segundo. Hay una forma que a mí me encanta como explicas este concepto y es con el uso de los legos. Entonces, cuéntame cómo es la evolución desde tener un dato hasta tener un algoritmo de Machine Learning. ¿Cómo una persona podría entender en términos fáciles qué es esto?
Laura V.:
Bueno, esto es muy breve y no sé si ustedes han visto, pero ahorita lo podemos poner acá, la imagen de la pieza de que es la AI o cómo funciona el Machine Learning. Imagínense que esto es como el lego. El lego está revuelto, tiene diferentes fichas, tamaños, colores, formas, y eso son los datos. Así están los datos hoy. Luego, cuando empezamos a darle orden a esos datos, puedes empezar a clasificarlos: hay amarillos, hay rojos, hay azules, hay negros, hay verdes. Cuando empiezas a ver esos datos ya clasificados, empiezas a darle mayor estructura, empiezas a ver que hay más amarillos, muchos más rojos, muchos más verdes, o muy poquitos de blancos, o muy poquitas llanticas, que a veces hay.
Cuando empiezas a darle forma a esa información, es que empiezas a identificar qué es lo que te falta, qué es lo que tienes más. Entonces, puedes decir: 'ay, en esta población hay más diabéticos' o 'en esta población hay muchos más con estas variables, puede ser una enfermedad renal o no'. Entonces, cuando empiezas a darle orden al lego, puedes empezar a tomar decisiones mucho más eficientes y a accionar esa información con modelos de inteligencia artificial.
Jose Zea:
Lo que muchas personas conocen hoy como Machine Learning. La confusión existe en esa parte que mencionas, describir cómo hacer grupos o montañas o torres. Eso es lo que nosotros llamamos analítica descriptiva.
Laura V.:
O analítica de datos.
Jose Zea:
Exacto, analítica de datos, que es cuando tú permites mostrar qué es lo que tienes. El Machine Learning no es más que generar herramientas a partir de esos legos. Entonces, imagínate como cestas de cubiertos, un llavero o la capacidad de que puedas guardar una billetera o tu ropa. El Machine Learning es transformar esa data que ya observaste, que ya describiste, en herramientas que puedes usar para todo: para detectar pacientes, para operaciones, para lo que quieras.
Laura V.:
En resumen, ese lego ya construido, ese carro que armaste a través de todo este proceso, se convierte en una herramienta de inteligencia artificial que te permite tomar decisiones más asertivas. En este caso, en salud, es determinar si un paciente puede tener altos indicadores de enfermedad renal crónica, cáncer de pulmón, o múltiples enfermedades que hoy en día existen. Eso nos permite tomar decisiones más asertivas en el sistema de salud que benefician directamente al paciente, pero no solo al paciente, sino a todo el sistema, siendo más eficientes, costo-efectivos, etcétera.
Jose Zea:
Chévere, eso digamos que cierra el cuarto concepto que veníamos hablando antes de esta conversación y era que no todo necesita inteligencia artificial. Muchas veces, como en un ejemplo que leí hace tiempo en un blog post, es como si estuvieras queriendo hacer un hueco que requiere una pala con una retroexcavadora o sacándole punta a un lápiz con un machete. Estás sobredimensionando la solución para lo que realmente necesitas. Entonces, no sé si tienes alguna idea o concepto general sobre cuándo debería realmente implementarse inteligencia artificial y cuándo debería implementarse analítica descriptiva o estadística básica.
Laura V.:
Eso depende mucho de los proyectos y del área en la que estés. Creo que el 100% de esto depende del problema que quieres solucionar. Hay veces que el problema es simplemente ponerle una curita a algo y ya está. Por ejemplo, hay un caso que he visto mucho para diferentes instituciones, y es el tema de la fórmula médica. Cuando un médico formula sus tratamientos, muchas veces no ve qué está pasando con el paciente anteriormente o con qué está medicado, y a veces esa fórmula no hace match con este medicamento que el paciente ya tiene. Eso, simplemente con un sistema de reglas como lo vimos con analítica descriptiva o analítica de datos, puedes alertar de que no puede hacer match, y eso es analítica de datos. Pero en otro contexto, por ejemplo, si utilizamos toda esa información para construir un modelo que pueda predecir cuándo un paciente no va a ser adherente al tratamiento, ya nos estamos montando en una herramienta mucho más inteligente que te permite predecir si José puede ser adherente a un nuevo tratamiento o si de pronto puede tener efectos adversos o no hacer tratamiento. No sé si queda claro. ¿Tienes otro ejemplo?
Jose Zea:
No, yo creo que está muy bien. Y volviendo al tema de la educación y conceptos básicos, hay varios tipos de inteligencia artificial. Yo creo que mucha gente se confunde, y a veces pienso también que nos equivocamos con el nombre porque lo mitifica mucho, lo vuelve algo muy grande, y al final no es más que una herramienta. Pero hay diferentes tipos de herramientas, entonces está el desatornillador, el de estrella, el de pala, no sé qué. Varias herramientas. Y ahorita hemos visto que está muy de moda los algoritmos generativos versus los algoritmos predictivos. ¿Puedes explicarnos un poco cuál es la diferencia entre esos dos o cómo juegan un papel para alguien de la industria de la salud? ¿Qué relevancia tendría uno versus el otro?
Laura V.:
Yo creo que hoy un gran error en el sistema es pensar que la AI generativa es lo único de inteligencia artificial. Es un gran error. Entonces, si quieres, me puedes contar tú que todo el tiempo estás construyendo modelos de AI, cuál es la diferencia entre los diferentes tipos de modelos que existen hoy, porque no todo es inteligencia artificial generativa.
Jose Zea:
Sí, digamos que hay varios modelos o varios grupos, llamaría yo. La inteligencia artificial es como la ciencia de la computación y de la estadística que nos permite hacer que las máquinas hagan cosas similares a los humanos, que es lo que hablabas tú hace un momento de crear herramientas. No se trata solo de entender tu data, sino de crear cosas con esa data: un carro, un llavero o lo que sea que tú necesites. Ahora, dentro de ese universo en salud, hay dos grandes que a todo el mundo le deberían poner cuidado. El primero, y es el más frecuente y el que más valor ha generado para nosotros en la industria, son los modelos predictivos o los modelos que también llaman de aprendizaje supervisado. En palabras sencillas, imagínate como un niño y un profesor. El profesor le está dando al niño la clase, entonces le dice al algoritmo: esto es un gato, esto es un perro; esto es un gato, esto es un perro; o esto es diabetes, esto es enfermedad renal crónica, esto es cáncer de pulmón, esto no es cáncer de pulmón. Le das las pautas para que el niño aprenda, y esos algoritmos son muy útiles en salud porque te permiten dar decisiones concretas y específicas, basadas en tu información.
La maravilla con la inteligencia artificial generativa es que, como dice su nombre, genera cosas. Entonces, lo sorprendente de ella es que, con un único entrenamiento, puede hacer cosas muy amplias. Por ejemplo, tú le puedes decir a ChatGPT: créame una imagen de un médico en un laboratorio, y te la va a crear; o le dices: créame un poema sobre este paciente con este caso, y te lo va a crear. La inteligencia artificial generativa, a pesar de que no ha generado tanto impacto en la salud aún, y siento que muchos de los casos de uso son resúmenes, marketing o cosas muy superficiales, aún no ha penetrado como la otra tecnología que es mucho más madura. Pero hay una oportunidad enorme de explorar la capacidad de entender todo ese conocimiento humano que hemos tenido antes para generar cosas nuevas. Por ejemplo, en las enfermedades raras, que son muy especiales, se espera mucho de esta tecnología para esa unidad porque es ciencia que no se conoce. Entonces, imagínate que tú le des a un algoritmo conceptualmente todo el conocimiento que existe de genética, de información, de medicamentos o cosas que ya hemos tenido, y que él solito te encuentre potenciales medicamentos para reutilizar, o te encuentre un paciente que no ha tenido diagnóstico, pero en Noruega ya alguien lo ha detectado. Ese tipo de cosas son difíciles de detectar a ojo humano, y esta nueva tecnología nos va a ayudar.
Laura V.:
Que ya lo hacen en algunos conceptos que se están desarrollando. Bueno, nosotros en algunas cosas lo estamos haciendo, pero yo lo veo muy valioso en el sentido de que esta tecnología puede ser tan potente que depende mucho de nuestra creatividad para poderla explotar. Y en sí, los profesionales en salud son muy creativos para poder abordar esto. Entonces, existe un potencial demasiado bonito si nos permitimos adoptarla.
Jose Zea:
Y había algo que me emociona muchísimo de esto y de todo lo que está pasando en este último año, es que durante mucho tiempo este tipo de tecnología no penetraba a las personas, o sea, no se volvía algo del día a día. Y con lo que ha venido sucediendo con ChatGPT y con todas estas herramientas de Anthropic, de Google, es que han familiarizado a las personas con algo que era muy de laboratorio, muy de ciencia, y lo han permitido llevar al día a día. Pero en un futuro lo maravilloso sería, ¿qué pasa si tú dejas que el algoritmo por sí mismo encuentre cosas que nosotros como humanos no hemos encontrado? ¿Qué pasa si, por ejemplo, tú le dices: tengo este perfil de paciente y tengo estos datos de mi laboratorio, y el algoritmo encuentra mi medicamento potencial? Es como transformar la ciencia fundamental, o sea, que te permite no solo hacer cosas que nosotros, los humanos, ya hacemos, como lo que hablamos al inicio de: esto es diabetes, esto no es diabetes; esto es cáncer, esto no es cáncer.
Laura V.:
Sí, que ahí es un tema de darle data y no supervisar qué pasa, es ver qué podemos sacar de ahí. Y aquí, ya para cerrar un poco, porque hemos hablado de errores, de mitos, de muchas cosas alrededor de la AI, ¿cuáles son esos consejos prácticos que podemos tener hoy para empezar desde cero a construir algo con tecnologías como esta?
Jose Zea:
Yo lo abordaría en tres fases. La fase uno, yo diría: edúquense. Busquen por curiosidad, por explorar, y todos aprendemos de formas diferentes. Entonces, si tú eres una persona que aprende haciendo proyectos, pues haz un proyecto juguete, que es lo que nosotros llamamos. Si aprendes leyendo o explorando papers, pues hazlo de esa forma, pero familiarízate con qué es posible y cuáles son las limitaciones. Después de que tengas la base y los cimientos construidos, yo diría que empieces a entender qué necesitas que se transforme dentro de tu organización para ser mejor. Y de pronto, dentro de esas soluciones e ideaciones que tú tienes, hay ciencia de datos o hay inteligencia artificial, o hay una capacidad que puedes desbloquear a través de esta tecnología. Entonces, recomendaciones prácticas: intenten que los equipos sean multidisciplinarios; nosotros recomendamos equipos entre 7 y 8 personas que aborden el problema de forma holística.
Laura V.:
Pero no son personas nuevas. Hablen con sus equipos transversales dentro de la organización, dentro del hospital, dentro de la farmacéutica, dentro del asegurador, dentro de quien sea. Hablen con las diferentes personas que hay y traten de dar formas diferentes de solucionar ese mismo problema.
Jose Zea:
Y no es más que lo que hemos hecho siempre: entiendes al usuario, entiendes cuáles son los puntos de dolor, encuentras dónde hay cuellos de botella, ideas, exploras, editas, y repites el proceso.
Laura V.:
Es que vamos a lo básico, a los primeros principios: ¿cuál es el problema que tengo hoy? ¿Qué me cuesta hoy? ¿Qué me quita el sueño? ¿Qué es lo que me demora más hacer? ¿Por qué hoy me cuesta tanto eso? Si vamos a ese punto, si hacemos doble clic en ese problema, editamos, revisamos por qué sucede eso, cuál es el estatus quo, y a partir de ahí ya se puede empezar desde cero y decir: aquí hay una oportunidad y aquí podemos construir.
Jose Zea:
Correcto. Yo siento que el paso 3 sería empezar a prototipar y a generar estrategias tangibles. Mi recomendación para las empresas es que intenten ir con entre 4 a 8 estrategias en paralelo, intentando repensar la forma en la que la compañía hace las cosas. Entonces, si estás hablando de medicina, si estás hablando de investigación clínica, si estás hablando de marketing, si estás hablando de supply chain, estoy seguro de que en todas las áreas de las organizaciones hay oportunidades de mejora, y probablemente esas tecnologías pueden ayudar.
Ahí también diría que puntos claves a tener en cuenta es que estas tecnologías, por lo general, toman tiempo para generar un retorno, porque son implementaciones y cambios de organización y de formas de trabajar. Hemos visto nosotros en nuestro caso que tecnologías como la inteligencia artificial tienden a tener resultados más rápidos, pero la inteligencia artificial no funciona individualmente, tiene una serie de herramientas alrededor. ¿Cómo ves tú las líneas de tiempo para poder llegar a generar valor?
Laura V.:
Aquí voy a añadir algo, y es que creo que es un gran error pensar que la tecnología es la respuesta para todo. La tecnología sí, es una gran respuesta, pero tiene que estar integrada a lo que hoy ya hacemos, a nuestro flujo de trabajo, porque si no está integrada, podemos tener el mejor modelo del planeta y no serviría de mucho. Normalmente, dentro de lo que hemos aprendido y lo que hemos hecho aquí —puede ser diferente para otros—, es que puede tomar de 60 a 90 días construir un modelo que realmente genere valor dentro de lo que nosotros hemos visto y desarrollado. Luego, a partir de ahí, es iterar: ver cómo se comporta en el campo, allá afuera, y ver qué hay que mejorar, qué hay que reajustar, y afinar mejor para luego hacer algo mucho más escalable.
Jose Zea:
¿Y en términos de retorno, qué debería esperar una compañía? ¿Cuál crees que es el retorno sobre la inversión que uno esperaría para un proyecto de estos para ser exitoso o no?
Laura V.:
El término de retorno yo creo que se mide en tres grandes cosas, o en dos principalmente: qué tan eficiente te hace esto a largo plazo en términos claramente económicos, pero el más valioso es en términos de impacto en el paciente, que tenga resultados mucho más eficientes, que se pueda detectar a tiempo, que no tenga que venir tanto a una clínica para que le hagan algo. Eso es lo más hermoso y lo más bonito de esta tecnología. Creo que así cerramos y podemos hacer más cápsulas de esta, pongamos sobre la mesa lo que hemos aprendido