El mundo en estos tiempos está sobre saturando la capacidad máxima de los médicos -sobre todo cuando se compara con respecto al crecimiento de la población-.
Europa ya es un grave ejemplo. Sin mirar el entorno de Latinoamérica.
Tanto es así que a pesar de tener mayores recursos, se les acaban las opciones frente a una transformación demográfica compleja que está aumentando la presión sobre recursos de salud en todo el mundo.
A medida que crece la población los exámenes de laboratorio y estudios de imágenes diagnósticas (radiología) aumentan casi exponencialmente, y cada vez se separa más la brecha: entre la capacidad de la demanda de imágenes corporales (CT y MRI) frente al estancamiento de radiólogos capacitados disponibles para informar estas imágenes.
Esto está resultando en un aumento significativo de la carga de trabajo para los radiólogos y es una manifestación de un desafío que humanamente no tiene precedentes en radiología.
Los gobiernos e instituciones en salud tendrán que abordar esto como una cuestión de urgencia.
Para mencionar unos casos puntuales el índice más bajo de radiólogos por 100 mil habitantes lo tiene la Inglaterra, donde hay 4.7 doctores con ésta capacidad. Es estos casi 5 especialistas no pueden con la avalancha de estudios, a pesar que se consideran como FTE es decir como radiólogos de tiempo completo (en inglés, full-time equivalent (FTE) radiologists).
El cuello de botella para Inglaterra, si quiere llegar a cerrar esa distancia frente a la demanda, radica en una meta muy ambiciosa de casi duplicar su número de especialistas a casi 8 por cada 100.000 habitantes de aquí al 2022 de acuerdo con el Royal College of Radiologists (RCR) (estamos hablando de FTEs !!, por lo que se considera desde ya, un imposible, de hecho para a corto o largo plazo poder cubrir la demanda calculada para esa época futura, sufre un retraso de casi 1,821 FTE de especialistas en imágenes por año por cada cien mil habitantes.
Bueno, Francia tampoco se escapa. Pues es el país con mayor número de TAC per cápita en Europa y eso lo pone aún en una situación peor, donde sus especialistas tienen promedio 51 años!! y más de la tercera parte de los que hoy practican no lo estarán en 17 años.
Concentraciones en ciudades principales: Una falla de la teleradiología
A Pesar de los beneficios de la telemedicina para poder hacer lecturas de estudios a distancia, lo cual soluciona la disponibilidad de médicos de estas características en zonas rurales, empieza a verse sobrepasada por dos fenómenos importantes en imagen corporal: uno es el retraso de las lecturas donde los radiólogos que hacen estas interpretaciones están FTE por centros de imágenes en las ciudades principales y leen los estudios con retraso y menor oportunidad para los pacientes. En algunos países ya la demanda de lectura los ha sobrepasado y el tiempo de interpretación se ha venido alejando.
La demanda de TAC por ejemplo viene a nivel mundial en aumento y ésta sola supera a la capacidad de lectura humana aun con teleradiología. Mientras la toma y lectura de los estudios convencionales (RX) ha venido en disminución excepto en países como Alemania que mantiene casi el doble de promedio que sus vecinos (con más de un examen per cápita por año) y es muy superior todavía en la toma de RM.
El otro segundo efecto creado por la falta de oportunidad en la lectura -más no en la toma- es el valor de la interpretación. Muchos estudios muestran que no hay un valor significativo de lectura por ejemplo en estudios de ortopedia radiológica, ya que el valor diagnóstico en especial en lecturas convencionales lo da el ortopedista finalmente, desplazando el análisis escrito de los radiólogos, lo que ha generado interés en la prensa no médica como una justificación del gasto innecesaria para poder ajustar las finanzas de equipos de alto costo (En aleman: http://www.fr.de/wissen/gesundheit/medizin/schaedliche-strahlen-fuers-roentgen-braucht-man-einen-guten-grund-a-855836). Algunos periodistas ya se preguntan también en otros países si el estudio radiológico, tendría menor costo al hacer innecesario el estudio o su interpretación.
Por esta razón algunos ya apuntan en el futuro a filtrar solamente los estudios corporales o que requieran de una segunda mirada (second opinion) -para no sobresaturar los radiólogos con estudios normales- uno de los líderes es el gobierno sueco que ya comenzó a tomar medidas y planea introducir pautas de referencia, para que no se realicen exámenes innecesarios y los que se realicen sean los más apropiados para cada caso.
ad-hoc locums
El comportamiento de la demanda y oferta en radiología ha demostrado en Europa, que los centros no dan más abasto y muchos de ellos ya tienen pagos horas adicionales de los mismos faculty members (80%), otros optan por el famoso outsourcing con non-faculty members (58%) o en últimas los llamados Medical ad-hoc locums (conocidos como “tapa huecos”) que alcanzan 48%.
Esa brecha en entre la demanda y la oferta de lectura ha aumentado el número de médicos radiólogos ad-hoc locums,,,
Por que si la demanda nos supera en imágenes, no es viable aumentar el número de graduados por año?
Es viable decir: No más radiólogos?
En principio no más de lo mismo, es decir, es un error aumentar el número de radiólogos como está el mercado, porque aumentaría también la centralización de servicios en zonas urbanas.
Una razón de este fenómeno son las tarifas baja de lectura de teleradiología, que no son equiparables con las actividades y alta complejidad hospitalaria (incluye interacción con especialistas, juntas médicas, comités etc) de los FTEs en centros de alta complejidad.
Otra razón para algunos, es el incremento de side jobs de FTE en lecturas con baja oportunidad en teleradiología en zonas rurales, lo que impide la mejora en la oportunidad en sitios distantes, y como ya está sucediendo en otros países, la demanda va a superar de lejos la oferta de teleradiología sin importar la elasticidad de precios.
De seguir como van las cosas, se va someter a los recién graduados a un entorno laboral de bajas tarifas de teleradiología y a convertirse en Locums en los centros principales de las ciudades más tecnificadas.
El nacimiento de los Deep learning-radiólogos (DLR)
“Es un error contratar muchas personas para realizar un trabajo complicado. Los números no compensarán nunca el talento: dos personas que no saben hacer algo no son mejores que una, ralentizará el proceso y la tarea será aún más difícil”. Elon Musk
Es mejor pensar siempre que un humano cuando no puede con su capacidad, piense en la tecnología para poder solucionarlo. Esta tecnología no es un concepto abstracto de los años ochenta (cuando lideraban películas de humanoides en Hollywood) sino hace referencia a una realidad para unificar conceptos en inteligencia artificial (IA), para potenciar la capacidad humana, como ha sucedido en tantas otras profesiones donde la tecnología acelera y multiplica la limitante humana.
Sin embargo hay que unificar conceptos. Cuando hablamos de IA se hace referencia a un gran proyecto para construir inteligencia no humana, con algunas subdivisiones que llegan a no requerir nunca más inteligencia humana (que está por fuera del contexto de este análisis). Luego dentro de IA podemos conceptualizar Machine Learning (ML) donde las máquinas nos hace mas inteligentes en un sentido muy amplio, por lo que nace el concepto de Deep Learning, nace como una manera particular de ML para una tarea específica que se entrena con nosotros.
Es preferible pensar a corto plazo en educación médica en nuevos egresados de radiología siendo DLRs (haciendo referencia a los radiólogos que estarán practicando para el 2.025!!) de manera que llegan preparados desde el posgrado, dividiendo su entrenamiento asistencial tradicional con una contraparte digital que los lleve a ser DLR:
- lo que les permitirá entender la tecnología como una aliada y no como una fuerza digital adversa que les quitará el trabajo.
- Donde podrán reinvertir su tiempo de lectura, al evitar casi la interpretación de estudios normales (screening and routine imaging), dejando en segundo plano los estudios donde su interpretación no es relevante, excepto cuando el tratante solicita su opinión en una requerida segunda opinión (como en el caso de los estudios convencionales de RX que son valorados por ortopedistas, sin necesidad de radiólogo a menos que surjan dudas). Por lo tanto los DLRs podrán centrar sus esfuerzos en lecturas de casos más complejos (peer-review) a gran escala (teniendo en cuenta la tendencia mundial a disminuir los estudios convencionales de RX (CR) y aumentar los de imagen corporal (TAC /RM).
- Poder hacer uso diario de sus propios algoritmos con IA, que no requieren cada vez tanta configuración más que una visita en residencia a Álgebra II (logaritmos) para pasar de la llamada Traditional Computer Vision (TCV) a la nueva Convolutional Neural Networks (CNX), donde la configuración de ingeniería es mínima por no decir casi cero, pero que requiere de un mayor modelado de arquitectura (Garbage In / Garbage Out) los cuales los radiólogos actuales desconocen.
- Usar menores tamaños de muestras para probar sus algoritmos en la práctica. Podríamos pensar que para una consistente IA, entre más datos se representan mejores pronósticos, pero la verdad es que no; es decir se llega un punto donde el volumen afecta las mediciones. Por ejemplo, en general se requieren 5.000 positivos por tipo para poder tener una respuesta de IA adecuada. Luego si pensamos que cada radiólogo puede modelar en el futuro sus algoritmos para mejorar su calidad de lectura y su número de estudios supera fácilmente en menos de 5 años ese volumen. Viendo las cosas así el objetivo de Deep Learning para los radiólogos en su mejor punto: será optimizar los procesos que realicen más de diez mil veces (muchas veces el punto de corte ideal es 12.500…). Por lo que suena creíble, que un especialista de imágenes o una institución después de repetir un proceso 10k veces pueda no volver a procesarlo nunca más sin intervención de IA en Deep learning para lograr los deseados “cero falsos positivos” que soñamos todos los radiólogos.
- Los DLR radiólogos no tendrán que leer a menores tarifas ya que los centros principales del sistema podrán ofertar lectura de cualquier otro centro local o del mundo, usando los algoritmos entrenados por cada institución.
La interpretación radiológica es un campo fértil para la IA, pero los Departamentos de radiología y las instituciones o dirigentes de salud, se preguntarán cómo hacerlo realidad…
Bueno eso es una respuesta que se tiene que adaptar a cada entorno pero esta es una guía personal:
Deep learning-radiología (DLR): (CH+CM+PD)* ROI
Conocimiento del comportamiento humano (CH) + comportamiento del mercado (CM)+ las predicciones de las enfermedades basadas en la tecnología (PD) a.k.a efecto de IA (hoy en día casi se pueden hacer predicciones matemáticas 48 horas antes de que ocurran las recaídas de pacientes de alto costo, lo que condiciona mejores pronósticos y menor gasto) x la reinversión de optimización de costos (ROI) (al liberar por ejemplo en el caso de Colombia, un 80% de gastos que consumen los pacientes que representan tan sólo el 10% de usuarios (de los 48 millones de Colombianos (con más del 95% afiliados), 5 millones consumen el 80% del gasto).
“Llegué a la conclusión de que deberíamos aspirar a incrementar el alcance y la escala de la conciencia humana para comprender mejor qué preguntas hacer. En realidad lo único que tiene sentido es luchar por una iluminación colectiva”.
Elon Musk
