Introducción
En este episodio de AI Heroes, Laura Velásquez conversa con Juan Alandete de Sanofi sobre los desafíos y oportunidades que presenta la inteligencia artificial (IA) en la mejora del acceso y la eficacia de los tratamientos en el sector salud. A través de una discusión profunda y ejemplos concretos, se destacan varios puntos clave en torno a la aplicación y el impacto potencial de la IA:
- Maximización del valor en atención sanitaria: Identificar el paciente correcto, en el momento correcto, para la terapia correcta.
- Desafíos en sistemas de salud: Dificultades para medir el valor de las tecnologías nuevas, identificar pacientes adecuadamente y detectar desviaciones en los procesos de atención.
- Aplicación de IA en la generación de evidencia: Uso de modelos generativos de IA para consolidar y procesar grandes cantidades de datos clínicos y literatura, facilitando la toma de decisiones basadas en evidencia.
- Redefinición de procesos asistenciales: Potencializar la gestión clínica mediante la incorporación de tecnologías de IA en los procesos de atención sanitaria.
- Experimentos con IA en oncología: Implementación de soluciones de IA para optimizar el tratamiento de condiciones clínicas complejas como el mieloma múltiple, destacando retos como la construcción de confianza y la necesidad de redefinir prioridades.
- Impacto económico y retorno de inversión: Evaluación del retorno económico y la mejora en la calidad del tratamiento a partir de la implementación de herramientas de IA.
Este episodio arroja luz sobre cómo la IA está empezando a transformar la industria de la salud, no solo en términos de eficiencia y precisión en el tratamiento de los pacientes sino también en la generación de valor económico y la sostenibilidad del sistema de salud. Juan Alandete enfatiza la urgencia de adoptar estas tecnologías como un imperativo estratégico para mejorar la atención al paciente, optimizar los resultados financieros de las instituciones de salud y asegurar la viabilidad a largo plazo del sistema sanitario.
Conclusiones
- Importancia de maximizar el valor en la atención sanitaria: Es fundamental identificar correctamente el tratamiento adecuado para el paciente adecuado en el momento adecuado.
- Retos actuales en los sistemas de salud: Existen dificultades significativas para medir el valor de las nuevas tecnologías, identificar con precisión a los pacientes que necesitan ciertas terapias y monitorear adecuadamente su progreso y respuesta al tratamiento.
- Uso efectivo de la IA en la consolidación de evidencia: La inteligencia artificial puede agilizar la revisión y síntesis de grandes volúmenes de datos clínicos y literatura científica, facilitando la toma de decisiones basada en evidencias sólidas.
- Reorganización de los procesos de atención con ayuda de la IA: La implementación de tecnologías de IA en los procesos asistenciales promete expandir las capacidades de gestión clínica, lo que puede conducir a una atención más personalizada y eficiente.
- Experiencias prácticas con IA en oncología: Los experimentos en condiciones clínicas complejas, como el mieloma múltiple, demuestran el potencial de la IA para mejorar el tratamiento y la gestión de los pacientes, aunque también resaltan la importancia de superar desafíos como la construcción de confianza y la redefinición de prioridades.
- Evaluación del impacto económico y financiero de la IA: Determinar el retorno de la inversión y los beneficios económicos de las soluciones basadas en IA es crucial para su adopción y escalabilidad en el sistema de salud.
- Imperativo estratégico para la adopción de IA: Las instituciones de salud que no consideren seriamente la incorporación de inteligencia artificial en sus procesos corren el riesgo de quedarse atrás, destacando la adopción de estas tecnologías como una necesidad estratégica para la sostenibilidad y el avance del sector.
Transcripción
Laura Velásquez, AI Heroes
Hola a todos y bienvenidos a AI Heroes, un espacio donde descubrimos las infinitas formas en las que la tecnología y la inteligencia artificial están transformando el futuro de la salud. Esto lo hacemos a través de conversaciones con personas increíbles de esta industria. Soy Laura Velázquez, soy cofundadora de Arcángel AI y soy su host. Vamos con el episodio.
Juan Alandete, Sanofi
Muchísimas gracias, Lau, por la invitación. Mi nombre es Juan Carlos Alandete. Trabajo en el campo de acceso a mercados desde hace más o menos 15 años. En este momento, a nivel global, con una compañía farmacéutica. Soy un gomoso de la salud pública, de la medicina y del tema de innovación.
Laura Velásquez, AI Heroes
Juan, tú tienes una experiencia súper amplia en salud porque has pasado hasta por salud pública, acceso, bueno, un sinfín de cosas. Tienes mucho conocimiento además en oncología, que eso me parece muy apasionante. ¿Cuáles han sido los principales retos que tú has visto a lo largo de todos estos años de experiencias que tú tienes en la industria, donde tú más crees que los sistemas de salud deberían estar mirando?
Juan Alandete, Sanofi
La verdad creo que el principal reto y la gran oportunidad que tenemos se encuentra en términos de cómo definimos y maximizamos el valor, el valor de la atención sanitaria para los pacientes. ¿Y esto qué significa? Esto significa ser capaces de identificar cuál es el paciente correcto, en el momento correcto, para la terapia correcta, durante el tiempo correcto. Y creo que ahí es donde se nos juega en gran parte toda la dificultad transaccional que tiene el sistema. ¿A qué me refiero con esto? La industria farmacéutica está en el proceso siempre de investigación y desarrollo para crear nuevos productos, para resolver necesidades de pacientes. Y espera que ese proceso de innovación sea pagado o recompensado por los sistemas de salud. Pero por otra parte, los sistemas de salud no tienen formas. precisas para calcular cuál es el beneficio que están recibiendo esas tecnologías. De tal manera que tampoco tiene una manera de poderles dar un precio y de fomentar el acceso oportuno de los pacientes a dichas tecnologías. La segunda situación tiene que ver con el hecho de que los pacientes, más bien las instituciones de servicios de salud, no tienen una manera ágil, dinámica, en tiempo real y eficiente para detectar cuáles son los pacientes en necesidad. Y con esa necesidad en particular, saber qué tipo de terapia es la que más le conviene para resolver esa necesidad particular en el momento oportuno. Y por último, tampoco tenemos las herramientas hoy para detectar cuándo un paciente se está desviando de ese proceso de atención sanitario que se espera lo va a llevar a mejorar su salud. Entonces tenemos esas tres grandes dificultades hoy. La posibilidad de medir valor, la posibilidad de garantizar la identificación correcta de pacientes y tercero, la posibilidad de identificar desviaciones del proceso de atención.
Laura Velásquez, AI Heroes
Ay Juan, me gusta mucho lo que abordas porque a la final, bueno, la inteligencia artificial está tratando de solucionar, como tú lo enfocaste en tres puntos principales, yo estoy de acuerdo en esos tres puntos, ¿qué has visto tú que ha funcionado para cada uno de esos tres puntos con inteligencia artificial? Yo sé que tú en muchos aspectos has aplicado varios modelos de este tipo. qué ha funcionado bien, qué no ha funcionado bien, si nos puedes dar ejemplos, sería cool para aterrizar mucho estas ideas y ver cómo esta tecnología realmente puede transformar la forma en la que hoy estamos incrementando el acceso desde la mirada del paciente.
Juan Alandete, Sanofi
Entonces vámonos desde el primer punto que es la medición y la demostración de valor. Y ahí eso tiene como dos aspectos. El primero de ellos tiene que ver cómo logramos consolidar la evidencia que ya existe. Todos los días se producen miradas de datos y la idea es cómo se convierte esa evidencia clínica en algo que sea procesable y digerible por las instituciones de salud. Y en ese orden de ideas hay una técnica en epidemiología que se llama la revisión sistemática de literatura. Y ahí los modelos generativos de inteligencia artificial pueden dar un tremendo valor. ¿En qué sentido? En que pueden ayudar a consolidar una gran cantidad de información de una manera más sistemática y más eficiente, de tal manera que pueda facilitar o liberar el tiempo de las personas en generar los insights o los aprendizajes de por qué una determinada tecnología es más valiosa y en qué grupo particular de pacientes. El segundo aspecto... Ya tiene que ver más con... ¿Cómo yo, como institución, puedo procesar mi propia información para entender cuál es el valor que me están generando las tecnologías que hoy estoy usando? Y en el otro lado, desde el lado, digamos, de la institución de servicios de salud, es cómo puedo identificar qué es lo que está sirviendo hoy para mis pacientes en este entorno real y qué es lo que está aún... ¿Qué es lo que aún se necesita para esos pacientes? Con esas dos perspectivas ya es más fácil entonces tener un diálogo más transparente y más balanceado, porque por una parte sé qué es lo que la tecnología nueva agrega y por otra parte sé cuál es mi necesidad en vida real. Y ahí es donde la inteligencia artificial puede ayudar a que estas dos orillas se puedan unir. Es como un puente que permitiría este tipo de interacción.
Laura Velásquez, AI Heroes
Juan, es que siento que desde la teoría eso suena re fácil. ¿Cierto? O sea, desde la teoría eso es obvio, ¿por qué no lo estamos haciendo si es súper fácil? Pero desde la realidad, ¿tú conoces algunos casos de uso que ya estén funcionando, así sea pequeños, y que ya se estén implementando y que entreguen valor?
Juan Alandete, Sanofi
En términos de la industria farmacéutica, sí, ya hay varios laboratorios, incluyendo en el que yo trabajo, en donde ya estamos trabajando en temas de cómo aplicar estas herramientas de inteligencia artificial para la generación de evidencia. Entonces, para consolidar y generar esa evidencia. O sea, modelos para extraer conclusiones de revisiones de literatura. Esto ya existe, esto ya es una realidad, esto ya se está aplicando. Todavía, obviamente... se requiere y se seguirá requiriendo a Dios gracias la intervención humana para poder convertir esos, digamos, resúmenes de información en insights o en contenidos aplicables en la vida real.
Laura Velásquez, AI Heroes
Esto, por ejemplo, en el área específica, ¿quién es una persona que puede usar eso? Y no me mates, pero es que yo siempre digo que la mayoría de personas en la industria siempre es desde una mirada estratégica, pero cuando uno aborda algo más específico se vuelve como... pues pucha, no entiendo. Entonces, es para que el que nos escuche pueda entender más. Ponle otros nombres si quieres, pero aterricémoslo.
Juan Alandete, Sanofi
En los países no es tanta la necesidad porque generalmente son los equipos globales los que generan ese tipo de información. Y es donde yo tengo que revisar, no sé, 12.000 publicaciones que hablan sobre una determinada enfermedad. Cuál es la importancia del cáncer de mama y qué pasa con un grupo particular de mujeres de cáncer de mama que no responde bien a la terapia. Y eso hay que revisar un montón de estudios clínicos para poder saber qué es lo que realmente se necesita, dónde está el problema en estos pacientes. qué es lo que los medicamentos de hoy no están resolviendo y cuáles son las terapias que están disponibles y que están haciendo. Para resumir toda esa información se requiere una cantidad enorme de horas de personas revisando la mano. Hoy con inteligencia artificial es posible consolidar todos estos volúmenes de información de una manera muy sencilla, muy sucinta y que va extrayendo lo más relevante para que revisores humanos validen. que esa información sea correcta y de ahí sacan las conclusiones que sean necesarias, lo cual ahorra meses, muchas, muchas horas de trabajo. Y ya lo estamos haciendo, por ejemplo, en Sanofi, y estoy seguro que muchas otras compañías farmacéuticas lo están haciendo en este momento.
Laura Velásquez, AI Heroes
Eso me parece súper chévere. La vez pasada estaba hablando con un médico que me decía, en estos días me puse a revisar un modelo que me sacaba información del estado del arte de múltiples guías clínicas o prácticas clínicas que tiene, por ejemplo, el Sevier y todo esto, y me ayudó a identificar qué era lo último que estaba saliendo. alrededor de temas de creo que era de Parkinson o de Alzheimer, no lo recuerdo muy bien, y es precisamente eso que tú nos estás diciendo, es como curar toda esa información para que sea mucho más rápido. Me gusta.
Juan Alandete, Sanofi
Sí, y ahora imagínate esto si se hace una EPS. y tú no tienes tiempo para revisar toda la literatura y tampoco crees en lo que te viene a decir el señor Juan Carlos Alandete del Laboratorio Farmacéutico X, pues tú podrías hacer uso de estos modelos para poder consolidar la información y también, digamos, poder tener una fuente directa de datos o de evidencia que te permita también tomar las decisiones o validar aquello que te está trayendo la industria. Entonces creo que esto facilita ese tipo de procesos. Porque estas personas que están en las EPS, si contaran con estos modelos, podrían por sí mismos también extraer información, no solamente de los tres artículos que se alcance a leer la persona que está tomando estas decisiones, sino que pueda procesar mucha más cantidad de información de una forma mucho más eficiente.
Laura Velásquez, AI Heroes
Hay algo que nosotros siempre venimos hablando, Juan, y es que es un gran beneficio para nosotros. y que lo hablabas en el inicio y es que hay que llegar al paciente correcto, en el momento correcto, con la terapia correcta, eso a veces de nuevo. Se vuelve como luz del éxito, como que así debería ser, pero a veces se vuelve complejo no solamente porque la tecnología no lo permite o porque hay muchos retrocesos y muchos procesos que se vuelven complejos de identificar el paciente o que el paciente llegue a tiempo. ¿Cómo ves tú que desde la llegada de estas nuevas tecnologías pueda optimizar quién es el paciente correcto para la terapia correcta como dentro de toda esa ruta? ¿Dónde ves tú como los principales moonshots de la inteligencia artificial?
Juan Alandete, Sanofi
Laura, ahí quisiera resaltar una cosa. Si una institución trata de hacer seguimiento a sus pacientes para identificar el paciente correcto para la terapia correcta con las tecnologías que tiene hoy, el rango de acción es súper limitado. Los procesos no van a dar para poder lograr ese objetivo. Pero si nuestras instituciones de salud pudieran pensar en redefinir su proceso asistencial teniendo a la mano esta serie de tecnologías e incorporándolas dentro de esos procesos de atención. el rango de opciones de gestión clínica o de gestión de pacientes se potencializa. Y esto lo tratamos de hacer en un experimento que estamos implementando en Sanofi, en Colombia, Argentina, México y Brasil, en donde tratamos de reorganizar ese proceso de atención en algunas instituciones, pero diciéndoles, saben que no piensen lo que hoy tiene, piensen qué podría ser si tuviera una solución tecnológica que tuviera estas características.
Laura Velásquez, AI Heroes
Juan, ¿cómo fue? Bueno, no nos tienes que contar el resultado exacto por temas obviamente de confidencialidad, pero ¿cómo fue ese proceso de implementar como este approach o este experimento para ver qué tan buen resultado tenía para predecir ese riesgo en los pacientes? Ojo, ¿esto era para algunas patologías en particular o era pues testeado en diferentes?
Juan Alandete, Sanofi
El modelo funciona para cualquier tipo de condición clínica, pero la testeamos en una condición clínica específica en oncología. Una condición extremadamente compleja de manejar, que se llama mieloma múltiple. Y ahora viendo como un poco a los aprendizajes y a los retos de este tipo de experiencias, lo que más me llama la atención es que el primer reto no es un reto tecnológico. Es un reto de confianza. Y lamentablemente, ¿qué es lo que vemos hoy? Las instituciones, todos los actores del sistema, tenemos un gran temor de que nos vayan a manipular, de cuál es la segunda intención con la que viene alguien a ofrecerme colaboración. O qué va a pasar si yo comparto mi información, o qué va a pasar si yo proceso o cambio las formas de que estoy haciendo las cosas. Entonces creo que ahí el primer tema tiene que ver con desconfianza. Y entonces ahí nos tocó hacer un gran ejercicio por mucho tiempo de vender que el interés real de Sanofi, en este caso, no era, digamos que aprovecharse de la institución, sino de darle la herramienta de un tercero para que ellos pudieran empoderarse a sí mismos. Y ese fue un proceso, digamos, muy, muy largo donde se tocó construir esa confianza. El segundo gran tema. Es un tema que tiene que ver más con las prioridades en competencia. El problema que tenemos hoy grande en el sector salud es que el día a día es tan apremiante que sacar tiempo para apagar el incendio de hoy, para poder pensar en la solución estructural de mañana, genera una tensión interna, porque los recursos son muy limitados. Entonces toca también ir jugando con el tiempo de las instituciones para que... A medida que esto va ganando confianza y va ganando prioridad en la agenda, también se puedan ir dando los tiempos de los equipos de tecnología, de los equipos clínicos, etcétera, que están a cargo de rediseñar esta ruta e implementarla para que lo adopten como algo propio y puedan ver en el corto plazo el beneficio.
Laura Velásquez, AI Heroes
Juan, la ventaja que tú tienes aquí es que tú has estado en unas posiciones. En muchos países uno, en mucha diversidad dentro de la industria pharma y también dentro de todo el contexto de lo que es el sistema de salud, inclusive de salud pública. Entonces eso te da como una ventaja para identificar dónde estás de mayor reto y hacia dónde hay que construir transversal al sistema, lo cual también lo hace complejo, como que uno dice, ¡pucha, esto es difícil! ¿Cuál es la diferencia que tú ves en un país que tiene mayor adopción de tecnología como la inteligencia artificial que es de Estados Unidos a lo que vemos en Latinoamérica y particularmente Colombia?
Juan Alandete, Sanofi
Yo creo que un primer tema es un tema de lo que te decía de las prioridades que están en mucha carga de trabajo y poco tiempo para que las personas puedan pensar. O sea, estamos todo el día en hacer, hacer, hacer, hacer, hacer. Y creo que eso evita que las instituciones tengan la capacidad o la posibilidad de tener a alguien y un espacio para reorganizar sus procesos, reorganizar sus formas. Y eso creo que es uno de los principales retos muy pragmáticos en el día de hoy. Y el segundo tema creo yo que es también un tema de falta todavía de entrenamiento. Nos falta una masa crítica de personas que conozcan cuál es el valor de este tipo de tecnología y que tengan la formación, el entrenamiento y el conocimiento de para qué sirven y cuál es el valor que agregan. Y el tercer tema es un tema de generación de experiencias o casos de uso exitosos. Creo que en la medida en que empecemos con... pocos esfuerzos, digamos tres o cuatro ejemplos, pero que con el tiempo logren demostrar por qué esto es valioso, no solo para el paciente, pero también y principalmente para el trabajador de la salud. Es que creo que aquí hay un tema que pasaría si usted pudiera decir, si a usted ese tema le dijera, estos son los pacientes que tienen mayor riesgo de progresar o de tener una complicación en el corto plazo. Y ya usted pudiera enfocarse, en vez de hacer toda esa cantidad de labores inoficiosas, enfocarse en atender bien a esos tres pacientes. Para mí ahí es donde está el reto más grande, en cómo generamos estos modelos y estas experiencias con un costo relativamente bajo, y en donde la industria podría ser un gran financiador de este tipo de iniciativas porque tendrían capital para poder hacerlo, en donde empresas como la tuya podría ser uno de los nichos de desarrollo, y en donde instituciones de vanguardia que estén interesadas en sus pacientes y en su gente, y que tengan la capacidad de confiar, den la cabida para decir, oiga, trabajemos conjuntamente y hagamos pilotos a ver que demuestren que esto es factible y es escalable, que es el otro tema que no he tocado todavía, que es el de la escalabilidad.
Laura Velásquez, AI Heroes
No, a mí me parece súper claro. De hecho, yo siempre he pensado que la tecnología en sí O sea, se puede implementar, se puede aplicar, se puede hacer lo que sea. La tecnología no es el problema, es cómo realmente lo podemos integrar a un sistema que sea adaptable, que se entienda para qué se está utilizando y que realmente solucione algo que es un problema, no que es un nice to have. Eso es muy alineado a lo que estás diciendo. Me parece súper chévere.
Juan Alandete, Sanofi
Entonces viene el otro pedazo y es cómo hacemos para que estos experimentos que se corran muestren también cuál es el valor económico o el impacto financiero de cuando yo logro incorporar estos mecanismos de gestión automática o automatizada o de facilitación de procesos de gestión. ¿Cómo se traduce en resultados económicos? O sea, ¿cuál es el retorno, la tasa de retorno de cada peso que se invierte en el diseño de estos estudios? En la aplicación de estas herramientas, ¿cómo retorna eso en términos de mejor calidad para los pacientes, pero también en términos de mejores resultados financieros para las organizaciones?
Laura Velásquez, AI Heroes
O sea, aquí como para resumir esta última idea es que siempre... Hay que encontrar la viabilidad no solo de impacto, sino que tenga un retorno para que pueda ser escalable y que pueda ser sostenible en el tiempo, que claramente eso es fundamental. Oye Juan, mil gracias, te lo agradezco infinito. Ya aquí estamos terminando, se nos está acabando el tiempo, pero creo que me llevo muchas ideas en mi mente, como cuestionamientos. Al inicio decíamos, escucha, suena difícil, pero es un proceso que... que de alguna u otra forma si no se inicia como nos dijiste y no es sostenible en el tiempo y no solo se aprende, no solo de lo técnico sino de la capacidad humana para que esto tenga opción, pues se vuelve inviable entonces nada, te agradezco infinito, no sé si hay algo que quieras añadir
Juan Alandete, Sanofi
No, mira, solo quiero cerrar con una cosa y el último mensaje que quiero dejarles es la institución que hoy no esté pensando seriamente en esto va simplemente a desaparecer. Entonces, esto no es un querer. Ahorita es un imperativo estratégico adoptar este tipo de tecnologías y adoptarlo de la mejor manera posible. La invitación a todos quienes estén escuchando es a que se suban en este bus, a que busquen conocimiento, a que se entrenen, a que se formen y a que estén abiertos también a posibilidades de alianzas con otra perspectiva, porque creo que esto va a ser algo muy beneficioso tanto para los pacientes como para el personal de salud, como para las finanzas del sistema. Muchas gracias, Laura, por tu tiempo.
Laura Velásquez, AI Heroes
Oigan, ya para terminar, quisiera saber más de qué les gustaría escuchar aquí en AI Heroes. Los invito a dejar una reseña, activar la campanita para que la plataforma les avise cuando publiquemos un nuevo episodio y dejarnos cinco estrellas. Recuerden que pueden conectar conmigo y discutir las infinitas posibilidades de la inteligencia artificial en salud y pueden encontrarnos en mis redes sociales en la descripción del episodio.