Visitas: 13
– Los macrojos de inicio utilizan inteligencia artificial para mejorar la administración de vacunas y la programación de pacientes.
Courtesy MIT by Zach Winn: Hoy en día, se vacunan más niños en todo el mundo que nunca, y la prevalencia de muchas enfermedades prevenibles por vacunación ha disminuido en la última década. Sin embargo, a pesar de estos signos alentadores, la disponibilidad de vacunas esenciales se ha estancado a nivel mundial en los últimos años, según la Organización Mundial de la Salud.
Un problema, particularmente en entornos de bajos recursos, es la dificultad de predecir cuántos niños se presentarán a las vacunas en cada clínica de salud. Esto conduce a la escasez de vacunas, dejando a los niños sin vacunas críticas, o a excedentes que no se pueden usar.
La empresa macro-eyes está tratando de resolver ese problema con una herramienta de predicción de vacunas que aprovecha una combinación única de fuentes de datos en tiempo real, incluidas nuevas ideas de los trabajadores de salud de primera línea. La compañía dice que la herramienta, llamada Connected Health AI Network (CHAIN), pudo reducir el desperdicio de vacunas en un 96 por ciento en tres regiones de Tanzania. Ahora está trabajando para escalar ese éxito en Tanzania y Mozambique.
“La atención médica es compleja, y para ser invitado a la mesa, debe lidiar con los datos faltantes”, dice el director ejecutivo de macro-eyes Benjamin Fels, quien cofundó la compañía con Suvrit Sra, Esther y Harold E. Edgerton. Profesor Asociado de Desarrollo de Carrera en el MIT. “Si su sistema necesita edad, género y peso para hacer predicciones, pero para una población que no tiene peso ni edad, no puede simplemente decir: ‘Este sistema no funciona’. Creemos que tiene que poder trabajar en cualquier entorno “.
El enfoque de la compañía para la predicción ya es la base de otro producto, la plataforma de programación de pacientes Sibyl, que ha analizado más de 6 millones de citas hospitalarias y ha reducido los tiempos de espera en más del 75 por ciento en uno de los hospitales cardíacos más grandes de los EE. UU. Las predicciones de Sibyl funcionan como parte de los pronósticos más amplios de CHAIN.
Ambos productos representan pasos hacia el objetivo más amplio de macro-ojos de transformar la atención médica a través de la inteligencia artificial. Y al hacer que sus soluciones funcionen en las regiones con la menor cantidad de datos, también están avanzando en el campo de la IA.
“El estado del arte en el aprendizaje automático resultará de enfrentar desafíos fundamentales en los entornos más difíciles del mundo”, dice Fels. “Involucrarse donde los problemas son más difíciles, y la IA también se beneficiará: [se volverá] más inteligente, más rápida, más barata y más resistente”.
Definiendo un enfoque
Sra y Fels se conocieron hace unos 10 años cuando Fels trabajaba como comerciante algorítmico para un fondo de cobertura y Sra era miembro visitante de la facultad de la Universidad de California en Berkeley. La experiencia de la pareja de números crujientes en diferentes industrias los alertó sobre una deficiencia en la atención médica.
“Una pregunta que se convirtió en una obsesión para mí fue:” ¿Por qué los mercados financieros estaban determinados casi por completo por máquinas, por algoritmos, y la atención médica en todo el mundo es probablemente la parte menos algorítmica de la vida de alguien? “, Recuerda Fels. “¿Por qué la atención médica no está más basada en datos?”
Alrededor de 2013, los cofundadores comenzaron a construir algoritmos de aprendizaje automático que medían las similitudes entre los pacientes para informar mejor los planes de tratamiento en la Escuela de Medicina de Stanford y otro gran centro médico académico en Nueva York. Fue durante ese primer trabajo que los fundadores sentaron las bases del enfoque de la empresa.
“Hay temas que establecimos en Stanford que permanecen hoy”, dice Fels. “Uno es [construir sistemas con] humanos en el circuito: no solo estamos aprendiendo de los datos, también estamos aprendiendo de los expertos. El otro es la multidimensionalidad. No solo estamos viendo un tipo de datos; estamos viendo 10 o 15 tipos, [incluyendo] imágenes, series de tiempo, información sobre medicamentos, dosis, información financiera, cuánto le cuesta al paciente o al hospital “.
Cuando los fundadores comenzaron a trabajar con Stanford, Sra se unió al Laboratorio de Sistemas de Información y Decisión (LIDS) del MIT como principal investigador científico. Luego se convertiría en miembro de la facultad en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación y en el Instituto de Datos, Sistemas y Sociedad (IDSS) del MIT. La misión de IDSS, avanzar campos incluyendo ciencia de datos y usar esos avances para mejorar la sociedad, se alineó bien con la misión de Sra en macro-ojos.
“Debido a ese enfoque [en el impacto] dentro de IDSS, creo que mi enfoque es intentar hacer IA para el bien social”, dice Sra. “El verdadero juicio del éxito es ¿a cuántas personas ayudamos? ¿Cómo podríamos mejorar el acceso a la atención de las personas, donde sea que estén?
En 2017, macro-eyes recibió una pequeña donación de la Fundación Bill y Melinda Gates para explorar la posibilidad de utilizar datos de trabajadores de salud de primera línea para construir una cadena de suministro predictiva para las vacunas. Fue el comienzo de una relación con la Fundación Gates que se ha expandido constantemente a medida que el com
La empresa ha alcanzado nuevos hitos, desde la construcción de modelos precisos de utilización de vacunas en Tanzania y Mozambique hasta la integración con cadenas de suministro para hacer que los suministros de vacunas sean más proactivos. Para ayudar con la última misión, Prashant Yadav se unió recientemente a la junta directiva; Yadav trabajó como profesor de gestión de la cadena de suministro con el Programa de Logística Internacional MIT-Zaragoza durante siete años y ahora es miembro senior del Centro para el Desarrollo Global, un grupo de expertos sin fines de lucro.
Junto con su trabajo en CHAIN, la compañía ha implementado otro producto, Sibyl, que utiliza el aprendizaje automático para determinar cuándo es más probable que los pacientes se presenten a las citas, para ayudar a los trabajadores de recepción en las clínicas de salud a desarrollar horarios. Fels dice que el sistema ha permitido que los hospitales mejoren tanto la eficiencia de sus operaciones que han reducido el tiempo promedio que los pacientes esperan para ver a un médico de 55 a 13 días.
Como parte de CHAIN, Sibyl utiliza de manera similar una gama de puntos de datos para optimizar los horarios, lo que le permite predecir con precisión el comportamiento en entornos donde otros modelos de aprendizaje automático pueden tener dificultades.
Los fundadores también están explorando formas de aplicar ese enfoque para ayudar a dirigir a los pacientes de Covid-19 a clínicas de salud con capacidad suficiente. Ese trabajo se está desarrollando con el Director de Innovación de Sierra Leona, David Sengeh SM ’12 PhD ’16.
Empujando fronteras
Crear soluciones para algunos de los sistemas de atención médica más subdesarrollados del mundo puede parecer una forma difícil de establecer una empresa joven, pero el enfoque es una extensión de la misión fundadora de macro-eyes de crear soluciones de atención médica que puedan beneficiar a las personas en todo el mundo por igual.
“Como organización, nunca podemos asumir que los datos nos estarán esperando”, dice Fels. “Hemos aprendido que debemos pensar estratégicamente y ser reflexivos sobre cómo acceder o generar los datos que necesitamos para cumplir nuestro mandato: hacer que la prestación de atención médica sea predictiva, en todas partes”.
El enfoque también es una buena forma de explorar las innovaciones en los campos matemáticos en los que los fundadores han dedicado sus carreras a trabajar.
“La necesidad es absolutamente la madre de la invención”, dice Sra. “Esta es una innovación impulsada por la necesidad”.
Y en el futuro, el trabajo de la empresa en entornos difíciles solo debería facilitar el escalado.
“Pensamos todos los días sobre cómo hacer que nuestra tecnología sea más rápidamente implementable, más generalizable, más altamente escalable”, dice Sra. “¿Cómo llegamos al inmenso poder de llevar el verdadero aprendizaje automático a los problemas más importantes del mundo sin gastar primero décadas y miles de millones de dólares en la construcción de infraestructura digital? ¿Cómo saltamos hacia el futuro?
Artículo relacionado: Detrás de la escena, los científicos se preparan para probar la vacuna COVID-19