Aprendizaje automático, la IA se abre camino en la gestión de laboratorios clínicos

Si bien el uso del aprendizaje automático y la inteligencia artificial por parte de los laboratorios clínicos se asocia quizás de manera más prominente con áreas como las pruebas de patología y microbiología, estas herramientas también están siendo aceptadas por aplicaciones de administración de laboratorio como el enrutamiento de muestras y el soporte de facturación.

Este tipo de aplicaciones logísticas han demostrado ser particularmente relevantes durante la pandemia, ayudando a los laboratorios a manejar aumentos dramáticos en la demanda de pruebas, pero las inversiones en esta tecnología en algunos laboratorios son anteriores al COVID.

“Hemos estado aplicando este tipo de optimización logística durante mucho tiempo”, dijo Lance Berberian, CIO de Labcorp, sobre el uso de IA de su empresa en la gestión de su negocio de pruebas clínicas. “Aplicamos rutinariamente la ciencia de datos y la inteligencia artificial a nuestros problemas comerciales”.

Citó la IA como una herramienta clave para administrar su capacidad de prueba, asegurando la distribución óptima de instrumentos y suministros en las diferentes instalaciones de la compañía y ayudando a enrutar las muestras de la manera más eficiente posible.

“Para todo, desde el reactivo que entra en el instrumento hasta las puntas de pipeta de plástico que se desechan después de un solo uso, debe asegurarse de tener todos esos consumibles en el lugar correcto en el momento adecuado”, dijo Berberian.

Labcorp también utiliza el aprendizaje automático para ayudar a optimizar la dotación de personal de su laboratorio, dijo.

“Hemos construido modelos de aprendizaje automático muy sofisticados en los que observamos todo, desde las tendencias de volumen por ubicación hasta la tasa de positividad” de una prueba determinada, dijo. “Tomamos toda esa información y la ponemos en modelos de aprendizaje automático que nos permiten asegurarnos de que nuestro flujo logístico de consumibles, de mano de obra, de los nuevos instrumentos que estamos poniendo en línea, se coloquen de manera optimizada”.

John Mooney, CIO de BioReference Laboratories de Opko Health, destacó un uso similar del aprendizaje automático en esa empresa. La empresa ejecuta una gran cantidad de instrumentos en varios sitios con solo un pequeño equipo que supervisa las operaciones.

“Descubrimos que hay ciertos momentos del día y ciertos momentos de la semana en los que la demanda es muy, muy constante”, dijo.

Aprovechando este hecho, Mooney y su equipo han incorporado el reconocimiento de patrones en los instrumentos de BioReference para alertarlos sobre desajustes entre los volúmenes de prueba reales y anticipados.

“Dice que, en un momento dado, un instrumento tiene que ejecutar alrededor de 100 pruebas”, dijo. “A veces ejecuta 80 y otras 120. Pero si ejecuta 12, probablemente haya un problema. Si ejecuta 12 seis sesiones seguidas, probablemente haya un problema.

“Hicimos esto para toda nuestra empresa, almacenamos permanentemente la demanda y la producción en incrementos de 15 minutos según el día de la semana, y luego comparamos [expectations] en contra de lo que realmente está sucediendo “, dijo.” Y eso permite … que una sola persona administre una empresa en 100 departamentos y miles de instrumentos “.

Mooney dijo que, al igual que Labcorp, los esfuerzos de inteligencia artificial y aprendizaje automático de BioReference son anteriores a la pandemia. (Quest Diagnostics y Sonic Healthcare se negaron a comentar para esta historia). Sin embargo, señaló que las pruebas de COVID estaban impulsando nuevas implementaciones de esta tecnología dentro de la empresa.

Por ejemplo, BioReference ha comenzado a utilizar el aprendizaje automático para facilitar la lectura y el control de calidad de las pruebas COVID en el punto de atención, que según Mooney tienen una gran demanda entre sus clientes corporativos en particular.

“Tenemos clientes que exigen, digamos, 3.000 pruebas en una ventana de seis horas, por lo que estamos enfrentando grandes operaciones con cientos de personas que están haciendo esto”, dijo.

Sin embargo, estos resultados de las pruebas no se integran automáticamente en el sistema de información de la empresa, anotó Mooney. “No podemos enviar un pedido con la prueba. No sabe quién es el paciente. No podemos obtener un resultado con ella”.

Para abordar esto, BioReference creó una aplicación de teléfono que se conecta a su sistema de información de laboratorio y permite al usuario de la prueba POC ingresar sus resultados, integrándolos con el sistema de datos tradicional del laboratorio. Además, han desarrollado una herramienta de aprendizaje automático que analiza imágenes de pruebas completadas y compara los resultados ilustrados con los resultados informados por el paciente.

Después de que una persona toma una foto y la carga, la imagen se envía a un servicio de aprendizaje automático que lee el cartucho en sí, dijo Mooney. “Y está señalando cualquier discrepancia y diciendo que necesitamos esto para una revisión adicional”.

Berberian dijo que la pandemia también ha impulsado nuevas aplicaciones de inteligencia artificial y aprendizaje automático en Labcorp, citando específicamente el trabajo en la construcción de un registro COVID-19 que recopila información no identificada sobre pacientes sometidos a pruebas de detección del SARS-CoV-2 que se puede utilizar para la investigación de la enfermedad.

Se ha designado una junta de revisión de investigación para un proyecto que Labcorp tiene con Ciox Healthsource en el que está recopilando registros médicos de una cohorte de pacientes, incluidas las personas que dieron positivo en la prueba de COVID-19.

Sin embargo, estos registros suelen estar en formatos de datos no estructurados como archivos PDF. Berberian y su equipo están utilizando el reconocimiento óptico de caracteres y el procesamiento del lenguaje natural para convertir estos datos no estructurados en datos estructurados que pueden colocarse en una base de datos y manipularse, lo que los hace útiles para que los investigadores exploren, por ejemplo, qué aspectos de los registros médicos de los pacientes están correlacionados. con enfermedad grave o uso de ventilador.

Si bien el proyecto se centra actualmente en COVID-19, Berberian dijo que tiene aplicaciones potencialmente de amplio alcance más allá de ese caso de uso particular.

“Los registros médicos son muy, muy difíciles de convertir en datos reales utilizables”, dijo, y señaló que el mismo proceso impulsado por la IA podría aplicarse a estudios a gran escala de otras enfermedades.

Berberian también dijo que el creciente enfoque dentro de la industria de los laboratorios en la conveniencia y satisfacción del cliente también presenta nuevas oportunidades para la IA. Hace dos años, Labcorp instaló en sus aproximadamente 2,000 centros de recolección de muestras en los quioscos de EE. UU. Que permiten a los clientes ingresar la información de su seguro al fotografiar su licencia de conducir y su tarjeta de seguro, lo que les permite omitir ingresar esa información manualmente.

Si bien parece un proceso bastante simple, extraer la información relevante es en realidad bastante complicado, especialmente cuando se trata de la tarjeta del seguro, dijo Berberian, señalando los miles de formatos de tarjeta diferentes.

“Entonces, ¿cómo sabes de dónde sacar los datos importantes?” él dijo.

Para abordar este desafío, la compañía construyó una red neuronal convolucional capaz de extraer la información requerida de la tarjeta del seguro y que, lo que es más importante, puede aprender a leer nuevos formatos de tarjeta a medida que los aseguran los introducen.

Esta característica ha demostrado ser de gran ayuda durante el último año, agregó. “¿Quién quiere escribir en una pantalla y tocar donde otras personas han tocado?”

Una aplicación de cara al consumidor que BioReference está explorando es el uso del aprendizaje automático para ayudar a predecir los costos de bolsillo de un cliente para una prueba en particular, especialmente para ensayos de alto costo y alta complejidad. Es un área de creciente relevancia dado que las aseguradoras exponen cada vez más a los clientes de los laboratorios a los costos de las pruebas a través de copagos y otros mecanismos.

“Si va a hacer, por ejemplo, una prueba genética de alta complejidad que podría costar mucho dinero, los pacientes están comprando precios”, dijo Mooney.

Sin embargo, anotó que calcular los costos de bolsillo es complicado, ya que el precio final para un paciente depende de factores que incluyen su seguro y la probabilidad de que lo reembolse y dónde se encuentran con su deducible.

El aprendizaje automático podría ayudar a abordar este problema al entrenar modelos sobre datos de reclamos para pacientes similares utilizando pruebas similares con la misma aseguradora que luego se pueden usar, junto con información como el estado del deducible, para predecir el probable pago de bolsillo de un individuo.

Mooney lo calificó como un “asunto complicado” y agregó que si una prueba va a costar miles de dólares, los pacientes quieren saber cuál será el impacto en sus billeteras y los proveedores de atención médica están tratando de ayudarlos con la respuesta.

“No solo, oye, estas son tus opciones, sino que esto es lo que creemos que te va a costar”, dijo.

Esta historia apareció por primera vez en nuestra publicación hermana, 360Dx, que proporciona una cobertura en profundidad de los diagnósticos in vitro y el mercado de laboratorios clínicos.

Leave a Reply

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.