Evaluación de un sistema automatizado de crecimiento bacteriano
Piense en un ejemplo donde el uso de Inteligencia Artificial (IA), o cualquiera de sus ramas, como “machine learning”, sea una herramienta útil en el sector de la salud. Dos ejemplos los encontramos en los campos dermatológicos y en la medicina preventiva (CloudMedX, DeepMind Health iCarbonX…) donde su uso está proporcionando verdaderas ventajas tanto en velocidad como en la calidad del diagnóstico.
Como se mencionó en el blog anterior La nueva utilidad en automatización de laboratorios una óptima integración de la Inteligencia Artificial en laboratorios de microbiología es clave para consolidar su proceso de automatización y cumplir con la denominada “nueva utilidad”.
Sin embargo, su idoneidad puede diferir según casos. Para evaluar la idoneidad de un sistema de IA automatizado para la monitorización de crecimiento bacteriano, es importante que tenga en cuenta las siguientes 5 preguntas:
Q1 – ¿Puede un sistema de Inteligencia Artificial en laboratorios ayudar a que sus profesionales se concentren mayoritariamente en actividades más complejas y con mayor valor añadido?
Los laboratorios clínicos de microbiología se enfrentan actualmente a un aumento de demanda para reducir el tiempo de adquisición y mejorar los resultados.
Esta exigencia se ha reflejado durante la pandemia, agotando a los laboratorios, con muchos de ellos llevados hasta sus propios límites y evidenciando la carencia de profesionales especializados.
· Es posible fabricar e instalar un instrumento de diagnóstico en unos meses, pero no formar adecuadamente a expertos microbiólogos en ese período.
· Hay una fuerte necesidad de automatizar tareas que son repetitivas y sin apenas valor añadido, como separar cultivos negativos del flujo de trabajo.
Es esencial permitir que los profesionales se concentren en las muestras positivas y más complejas, donde su intervención (precisa y experta) tiene un impacto directo en el paciente.
La integración de la IA en estos flujos de trabajo, como una herramienta complementaria mejorará la velocidad y calidad del diagnóstico que es, finalmente, el objetivo de cualquier automatización en el laboratorio.
Una analogía interesante en este sentido puede leerse en el siguiente artículo (This Is How A.I. Will Transform Medicine: The Same Way It Has Transformed Chess (linkedin.com)
Q2 – ¿Puede un sistema de Inteligencia Artificial en laboratorios mejorar el rendimiento humano cuando interpreta imágenes?
Tradicionalmente, la evaluación del crecimiento en cultivos es realizada de forma visual, siguiendo protocolos relativamente prefijados (tanto en aplicaciones clínicas como industriales).
Sin embargo, aunque existen actualmente instrumentos que automatizan estos procesos, existe aún margen de mejora y optimización, mediante la implementación de sistemas de imagen con mayor sensibilidad, sistemas de análisis de imagen de alta resolución, con la habilidad de detectar mezcla de pequeñas colonias que el ojo humano no puede ver.
Otro factor clave es el incremento en la calidad de la interpretación, asegurando una alta repetibilidad y uniformidad en los procesos.
Q3 – ¿Puede el sistema de IA mejorar el acceso al análisis de imagen?
Tanto la microbiología digital como la tele bacteriología son tendencias claras en el sector. Tener acceso a todo tipo de imágenes digitales mejora de forma clara la trazabilidad del flujo de trabajo, incrementa la posibilidad de interconectar los resultados con otros procesos, permite la evaluación en localizaciones remotas y abre nuevas oportunidades clínicas.
Una combinación inteligente de IA con la microbiología digital en un aspecto troncal para consolidar la automatización de laboratorios.
Q4 – ¿Un modelo de IA simple es suficiente, o debería ser considerado un modelo más complejo?
Como se destaca a lo largo de este documento, existen varias ramas de IA (machine learning, servicios cognitivos, chatbots…) que proporcionan distintos niveles de complejidad y resultados. Por otro lado, la aplicación de IA que el propio laboratorio necesita puede ser diversa (clínico/industrial, conteo de colonias, crecimiento/no crecimiento discriminatorio, identificación de colonias, diversidad de consumibles…).
Estos aspectos, en su conjunto y en combinación con los KPI tradicionales, deben ser considerados durante la evaluación.
Aunque el uso de modelos básicos será suficiente para aplicaciones maduras y de fácil detección, existen potenciales ventajas derivadas del uso de sistemas complejos, como disponer de un informe de la secuenciación del crecimiento en tiempo real, contrastar imágenes de diferentes fuentes de luz… para, finalmente, mejorar la identificación y reducir los tiempos de diagnóstico.
Q5 – ¿Cuáles son los mayores desafíos durante la implementación de un sistema de Inteligencia Artificial en laboratorios?
Como cualquier otro proceso de implementación, integrar IA en el laboratorio normalmente presenta varios obstáculos. Algunos de los más conocidos son el miedo de los técnicos o un análisis pobre de la integración en el flujo de trabajo, ya que son factores que pueden impulsar la aplicación fuera de la rutina y, en consecuencia, al fracaso.
El técnico debe ser el primer embajador del sistema.
Los peores escenarios son aquellos que generan falsos negativos, y la aplicación debe focalizarse en evitarlas, dando confianza al técnico.
Un sistema automático de IA requiere una inversión importante y sin una integración excelente en el flujo de trabajo del laboratorio, la recuperación de la inversión será difícil. Es importante lograr un flujo de trabajo optimizado con la aplicación.
¿Desea saber más acerca de la Inteligencia Artificial en laboratorios de microbiología? Contacte con nosotros >