¿Cómo podemos aprovechar los macrodatos/IA para marcar la diferencia en la salud oral? ¿Qué impacto directo podría tener para los pacientes?
Podemos aprovechar el poder del big data desarrollando bases de datos y protocolos para la integración de datos utilizando IA que mejorará perpetuamente a través del aprendizaje automático. Hay dos limitaciones principales con la IA en general, incluso en medicina: los sesgos incrustados en los datos sobre los que se aplica y de los que se aprende, y la dependencia exclusiva de la formación no supervisada, que era más común en el pasado. Se hizo más claro que el entrenamiento supervisado es necesario para generar datos interpretables, lo que nos permite identificar los posibles errores generados por el algoritmo utilizado. De hecho, el entrenamiento superdo y no supervisado de los algoritmos de IA es complementario. Los mejores ejemplos de uso de IA exclusiva sin supervisión en datos con sesgos incrustados son los utilizados anteriormente en el sistema de justicia para predecir la delincuencia y los utilizados para seleccionar a los candidatos a la entrevista que solicitan puestos de trabajo. Ambos han fallado por sesgos vinculados a los datos originales de los que aprendieron. Un buen ejemplo de integración de big data a nivel individual (datos personales densas) es el estudio P100 realizado en la Universidad de Washington para obtener información sobre las relaciones entre los factores multiómicos y de comportamiento que incluyen la secuencia de todo el genoma, las pruebas clínicas, los metabolomas, los proteomas y los microbiomas en tres puntos de tiempo durante 9 meses y el seguimiento El valor aún mayor de este estudio es que tiene como objetivo entender qué es la salud, que todavía tenemos dificultades para definir objetivamente. El impacto directo de tal enfoque es que podremos identificar los riesgos individuales para una multitud de condiciones, para avanzar en la medicina de precisión. Los pacientes eventualmente sabrán a qué están predispuestos, cómo prevenir la enfermedad y qué terapias es probable que funcionen específicamente para ellos. Un buen ejemplo de integración de big data a nivel de población es IBM Watson, que puede utilizar la IA para generar algoritmos muy útiles para la toma de decisiones clínicas, la facilitación de las interacciones entre el paciente y el proveedor y la mejora del acceso a la atención mediante la identificación de proxies para vincular estos nodos en la cadena de atención médica. El mayor impacto en los pacientes probablemente provendrá de la capacidad de personalizar su manejo de la enfermedad y comprender mejor su fenotipo único, lo que debería traducirse en mejores resultados de salud y, en una mejor calidad de vida relacionada con la salud en general. Hay dos limitaciones específicas en el análisis de macrodatos en medicina dental: la escala relativamente pequeña de prácticas privadas independientes que recopilan datos utilizables vinculados a la falta de integración de estos datos entre las prácticas y los protocolos no estandarizados para la recopilación de datos. Lo mismo se aplica a los entornos académicos, que pueden no generar macrodatos a nivel de población de forma independiente. Una buena solución para esto es tener consorcios de escuelas en diferentes lugares de todo el país para compartir datos en una base de datos común. Esto ya se ha implementado hasta cierto punto en forma de consorcio BigMouth al que 11 escuelas en los EE. UU., incluido HSDM, aportan datos clínicos, en este punto limitado a EHR. Una solución, Dr. Sima está imaginando generar grandes datos orales moleculares para crear consorcios de consultorios dentales privados como centros de investigación por satélite para una o más instituciones académicas (Figura). Los investigadores principales de los consorcios de práctica podrían recopilar prospectivamente datos, incluidos EHR, cuestionarios, saliva/enjuague oral y muestras de tejido utilizando un protocolo estandarizado desarrollado en el centro de análisis de datos (académico) para la documentación de datos del sujeto, la recolección y la transferencia de muestras.
Comments