Investigaciones cardiovasculares: acceso abierto Acceso abierto

Abstracto

Cardiólogos 2018: Medicina personalizada y traslacional como modelo de los servicios de salud y armamento para armar el modelo: ¿Mito o realidad?

Serguéi Suchkov

Un nuevo enfoque de sistemas para los estados patológicos y el bienestar ha dado lugar a una nueva rama de los servicios sanitarios, a saber, la medicina personalizada. Para lograr la implementación del concepto de medicina personalizada en la práctica diaria, incluida la cardiología clínica, es necesario crear una estrategia fundamentalmente nueva basada en el reconocimiento subclínico de bioindicadores (biopredictores y biomarcadores) de anomalías ocultas mucho antes de que la enfermedad se manifieste clínicamente. Cada responsable de la toma de decisiones valora el impacto de su decisión de utilizar la medicina personalizada en su propio presupuesto y bienestar, que puede no ser necesariamente óptimo para la sociedad. Sería muy útil integrar la recopilación de datos de diferentes bancos de datos para aplicaciones como la predicción y personalización de tratamientos posteriores para proporcionar así medidas más personalizadas para los pacientes y las personas en riesgo, lo que se traduciría en mejores resultados al tiempo que se asegura el estado saludable y el bienestar, se reducen los eventos adversos y se hace un uso más rentable de los recursos sanitarios. Una de las áreas más avanzadas de la cardiología es la aterosclerosis, los trastornos cardiovasculares y coronarios, así como la miocarditis. La mayoría de los encuestados ha identificado la falta de directrices médicas como la barrera predominante para la adopción, lo que indica la necesidad de desarrollar las mejores prácticas y directrices para apoyar la implementación de la medicina personalizada en la práctica diaria de los cardiólogos. La implementación de la medicina personalizada requiere mucho antes de que el modelo actual "médico-paciente" pueda ser reemplazado gradualmente por un nuevo modelo "asesor médico-persona sana-en riesgo". Esta es la razón para desarrollar proyectos científicos, clínicos, sociales y educativos globales en medicina personalizada para obtener el contenido de la nueva rama. En la actualidad, la medicina personalizada es solo una realidad prometedora. Los comités de tumores moleculares de los hospitales son probablemente los que más han avanzado en la materialización de las promesas de la medicina personalizada en la práctica clínica. Al mismo tiempo, este ejemplo ya demuestra una fuerte dependencia de la medicina personalizada de las soluciones computacionales. En este artículo, describimos primero cómo los enfoques modernos de la ciencia de datos y, específicamente, el aprendizaje automático, están empezando a tener un impacto en la medicina personalizada. Sin embargo, la forma en que se presenta el aprendizaje automático (que a menudo se utiliza indistintamente con el término inteligencia artificial) en los medios de comunicación tradicionales a menudo constituye una exageración, que debe contrastarse con la realidad. Identificamos varios desafíos que actualmente constituyen obstáculos para la realización de soluciones basadas en el aprendizaje automático de manera más amplia en la práctica clínica. Analizamos estos desafíos junto con el potencial existente de la ciencia de datos para la medicina personalizada. Finalmente, destacamos las direcciones para el desarrollo futuro. En la era de los crecientes volúmenes de datos y los costos cada vez más reducidos de generación, almacenamiento y computación de datos,La medicina personalizada es muy prometedora y solo se puede hacer realidad con el apoyo de algoritmos avanzados de la ciencia de datos, en particular el aprendizaje automático. Los algoritmos de aprendizaje automático modernos tienen el potencial de integrar datos de pacientes multiescala, multimodales y longitudinales para hacer predicciones relativamente precisas que, en algunos casos, pueden incluso superar el rendimiento humano. Los grandes competidores comerciales que ahora están entrando en el campo de la medicina subrayan el potencial que se ve ampliamente en las soluciones computacionales. Sin embargo, el entusiasmo actual en torno a la IA y el aprendizaje automático debe contrastarse con la realidad. Si bien se han publicado muchos algoritmos de predicción para la estratificación de pacientes en la última década, hasta ahora solo muy pocos enfoques han llegado a la práctica clínica. Los principales obstáculos existentes que se analizan en este documento incluyen la falta de un rendimiento de predicción suficiente debido a la falta de señales en los datos empleados; desafíos con la estabilidad e interpretación del modelo; una falta de validación del algoritmo de estratificación a través de ensayos clínicos prospectivos, que demuestran un beneficio en comparación con el estándar de atención y dificultades generales para implementar un esquema de mantenimiento y actualización continuos para los sistemas de apoyo a la toma de decisiones. Además, no se deben pasar por alto las preocupaciones generales en torno a la privacidad de los datos, así como los aspectos éticos y legales. Para superar estos obstáculos, se requiere un esfuerzo interdisciplinario que incluya científicos computacionales, médicos, defensores de pacientes, agencias reguladoras y proveedores de seguros de salud en el contexto de un "sistema de atención médica que aprende". Existe la necesidad de gestionar mejor las expectativas y preocupaciones (parcialmente irreales) sobre la ciencia de datos y las soluciones basadas en IA. En paralelo, los métodos computacionales deben avanzar para brindar un beneficio directo a la práctica clínica. Los algoritmos actuales están lejos de poder recomendar el tratamiento correcto en el momento y la dosis adecuados para cada paciente. Los pasos que nos acercan a este objetivo podrían ser herramientas de software innovadoras que vinculen mejor el conocimiento con las predicciones basadas en el aprendizaje automático a partir de datos multiescala, multimodales y longitudinales; enfoques de modelado innovadores, como técnicas de inferencia causal y modelado híbrido, que van más allá del aprendizaje automático de última generación típico; y nuevos enfoques de modelado computacional que nos permitan identificar transiciones críticas en la trayectoria médica de un paciente. Más especulativamente, una comprensión más amplia de la enfermedad humana, que incorpore hallazgos de la investigación básica y los estudios evolutivos, podría ayudar a la creación de conceptos completamente nuevos para simular enfermedades humanas y predecir puntos de intervención óptimos. En general,La ambición de la investigación en el campo de la medicina personalizada debería ser pasar de una perspectiva de análisis de sistemas (como en biología molecular) a una perspectiva de control de sistemas que permita planificar intervenciones médicas óptimas en el momento y la dosis adecuados de forma individualizada. Los nuevos enfoques de modelado computacional que van más allá de la metodología actual de aprendizaje automático pueden desempeñar un papel cada vez mayor para ese propósito. En este contexto, debe enfatizarse que ningún algoritmo está destinado a reemplazar a un médico. Más bien, la idea es proporcionarles una herramienta que respalde sus decisiones basadas en criterios objetivos basados ​​en datos y en la riqueza del conocimiento biomédico disponible.