La IA en el cuidado del hígado necesita vigilancia y sastrería para la población

AMSTERDAM – A medida que la inteligencia artificial (IA) se incrusta cada vez más dentro de la atención médica, incluida la atención hepática, será esencial adaptar la IA a la población local y garantizar el monitoreo regular del modelo para garantizar resultados efectivos y seguros para los pacientes.

Ashley Spann, MD, es un hepatólogo de trasplante interesado en desarrollar informática e IA para optimizar los resultados en la enfermedad hepática, incluido el trasplante, en el Centro Médico de la Universidad de Vanderbilt, Nashville, Tennessee. En Asociación Europea para el Estudio del Hígado (EASL) Congreso 2025compartió consejos sobre ética y cómo implementar la IA en la clínica hepática en una sesión sobre el impacto de la IA en la práctica de la hepatología.

“Necesitamos incluir pacientes y proveedores desde el principio, no construir silos. Los datos deben ser representativos de la población de preocupación, la solución técnica debe ajustarse al problema clínico y el modelo no debe causar daño”, dijo Spann a Medscape Medical News en una entrevista después de su charla.

Ella enfatizó que los principios de atención clínica, particularmente no maleficencia, también tienen un lugar en el uso de IA. “La IA ya está a nuestro alrededor. La pregunta es: ¿Deberíamos usarla? Y si es así, ¿cómo lo hacemos de manera responsable?”

Con este fin, Spann discutió las mejores prácticas para el desarrollo de modelos, la implementación clínica y una protección clave que calificó algoritmovigilancia: El monitoreo continuo de los modelos de IA después de la implementación para detectar la deriva de rendimiento y evitar daños. “Podemos minimizar el daño estableciendo parámetros para el modelo, por lo que sabemos cuándo el rendimiento comienza a retrasarse en tiempo real y los pacientes podrían verse afectados. Si esto sucede, apagamos el modelo, reevaluamos, se vuelve a entrenar y volver a desplegar”.

“Cada paso del camino, desde el inicio hasta el despliegue, debemos rastrear lo que está haciendo el modelo y asegurarnos de que no empeore la atención para los pacientes”, dijo.

Comprar o construir – Preguntas clave para la adopción

Spann hizo hincapié en la importancia de comenzar con el problema clínico y luego capas en la tecnología de IA apropiada y siempre consideró la protección de los pacientes.

Ya sea construir o comprar un modelo, garantizar que refleje la población de preocupación es primordial. La mayoría de los modelos de IA están capacitados en datos de salud históricos. Esto significa que podría reflejar las desigualdades sistémicas, como las prevalencias de los factores de riesgo entre una población específica, un diagnóstico subdiagnóstico, subtrato o falta de acceso a la atención entre las poblaciones marginadas. En este caso, el modelo aprende y replica esos patrones.

“Debemos asegurarnos de que los prejuicios y las disparidades no empeoren”, dijo. “Si un modelo comienza a tener un rendimiento inferior, necesitamos saber cuándo y cómo intervenir”.

Spann instó a los médicos e instituciones a interrogar los datos disponibles al decidir qué modelo es apropiado. Por ejemplo, al construir un modelo, sugirió preguntar si algunos grupos de pacientes en su conjunto de datos están más afectados que otros. Si compraba un modelo, sugirió preguntar si el modelo abordaba el problema clínico que necesita resolver.

Por ejemplo, la IA podría ser una solución para identificar a las personas con no detectado cirrosis dentro de un enfoque de nivel de población al problema. “Es crucial preguntar qué datos están disponibles que podrían ser útiles para hacer esa predicción y hay pacientes que están afectados desproporcionadamente? ¿Puede haber ciertos pacientes sin datos disponibles a pesar de que pueden tener una enfermedad y cuáles son las implicaciones de eso?

Ella citó un ejemplo de su institución, donde el índice Fibrosis-4 (FIB-4) se integró en los registros de salud electrónicos para automatizar la estratificación del riesgo de fibrosis hepática. Más de la mitad de los pacientes carecían de los valores clave de LAB necesarios para generar una puntuación FIB-4. “Es posible que aún tengan enfermedad, pero sin esos laboratorios, no podemos conocer la gravedad del riesgo. La pregunta es, ¿cuáles son los datos que necesitamos y cómo lo obtenemos? Esa es una brecha de datos con implicaciones reales”, explicó Spann.

Las poblaciones no coincidentes pueden hacer que un modelo sea inútil

Al comprar un modelo de IA, Spann advirtió no aplicarlos a poblaciones demasiado diferentes de las de las que fue entrenada. Citó un modelo que se desarrolló utilizando datos del Sistema de Asuntos de Veteranos de EE. UU., Que contiene principalmente pacientes que son hombres blancos mayores y, como tal, pueden no generalizarse bien a los centros urbanos que sirven a poblaciones más diversas. “Esa población es un subconjunto único de los pacientes. La única forma de determinar la idoneidad o no es tomar ese modelo y probarlo retrospectivamente y ver cómo podría cambiar el modelo y luego rastrear localmente el rendimiento con el tiempo”.

También subrayó cómo los factores sociodemográficos y económicos, como la proximidad a los centros de trasplante o a una clínica hepática, pueden sesgar los resultados, y probablemente no se tienen en cuenta en las entradas clínicas de un modelo. “Debemos considerar qué tan bien se desempeña un modelo en esos subgrupos porque puede ser erróneo en ellos”.

El papel de la IA en la salud de la población

Co-moderador de la sesión, Tom Luedde, MD, director de la Universidad de Heinrich Heine Düsseldorf en Düsseldorf, Alemania, consideró el impacto prometido por la IA para el cuidado del hígado. “La prevención, la detección, la predicción de riesgos y realmente llevar a los pacientes al sistema de salud son nuestros mayores déficits en la enfermedad hepática. La IA podría ayudar a llenar esos vacíos”, dijo. “En este momento, las prácticas generales no están implementando FIB-4 en la práctica diaria, por ejemplo, pero podríamos llegar allí con un LLM [large language model] o un sistema de IA que proporciona a los pacientes acceso al sistema de hepatología. Creo que, con estos enfoques, tendremos un mayor impacto que con cualquier droga o intervención compleja. En el futuro, puedo imaginar que la IA se implementa en un tipo de quiosco de salud. Y con todos los problemas de recursos que tenemos, esto podría ayudar “.

Spann y Luedde informaron que no tuvieron relaciones financieras relevantes.