En una prueba inicial de inteligencia artificial en la investigación sanitaria, científicos de la Universidad de California en San Francisco y la Universidad Estatal de Wayne descubrieron que las herramientas de IA generativa podían analizar grandes conjuntos de datos médicos considerablemente más rápido que los equipos de investigación tradicionales. En algunos casos, los sistemas de IA incluso obtuvieron mejores resultados que los de los informáticos que habían dedicado meses a revisar cuidadosamente los mismos datos.

Los investigadores crearon una comparación directa. Algunos equipos recurrieron únicamente a la experiencia humana, mientras que otros combinaron científicos con la asistencia de IA. A todos se les pidió que abordaran el mismo reto: predecir el parto prematuro utilizando datos de más de 1000 mujeres embarazadas.

Incluso una pareja de jóvenes, compuesta por un estudiante de maestría de la UCSF, Reuben Sarwal, y un estudiante de secundaria, Victor Tarca, logró construir modelos de predicción con la ayuda de IA. Lograron generar código informático funcional en cuestión de minutos, un trabajo que normalmente requeriría varias horas o incluso días para programadores experimentados.

La principal ventaja de la IA generativa es su capacidad para generar código analítico a partir de indicaciones breves y altamente técnicas. No todos los sistemas tuvieron un buen rendimiento. Solo 4 de los 8 chatbots de IA generaron código utilizable. Aun así, los que tuvieron éxito no necesitaron grandes equipos de expertos para su guía.

Gracias a esta eficiencia, los investigadores jóvenes pudieron realizar experimentos, verificar sus resultados y enviar sus hallazgos a una revista científica en cuestión de pocos meses.

Un análisis de datos más rápido podría conducir a mejores herramientas de diagnóstico para el parto prematuro, que es la principal causa de muerte neonatal y un importante contribuyente a las discapacidades motoras y cognitivas a largo plazo. En Estados Unidos, alrededor de 1000 bebés nacen prematuramente cada día.

A pesar de su impacto, los científicos aún no comprenden del todo qué desencadena el parto prematuro. Para encontrar respuestas, el grupo de Sirota recopiló datos del microbioma de unas 1200 mujeres embarazadas en nueve estudios independientes, haciendo un seguimiento de cada embarazo hasta el parto.

“Este tipo de trabajo solo es posible con el intercambio abierto de datos, reuniendo las experiencias de muchas mujeres y la experiencia de muchos investigadores”, dijo la Dra. Tomiko T. Oskotsky, codirectora del Repositorio de Datos de Nacimientos Prematuros de March of Dimes, profesora asociada en UCSF BCHSI y coautora del artículo.

Sin embargo, el gran volumen y la complejidad de los datos dificultaron su análisis. Para solucionarlo, el equipo buscó ayuda externa a través de un concurso global conocido como DREAM (Diálogo sobre Evaluación y Métodos de Ingeniería Inversa).

Sirota codirigió uno de los tres retos de embarazo DREAM, centrado en datos del microbioma vaginal. Más de 100 grupos de investigación de todo el mundo compitieron para diseñar algoritmos de aprendizaje automático capaces de identificar patrones relacionados con el parto prematuro. La mayoría de los equipos completaron el reto en los tres meses asignados. Sin embargo, recopilar los hallazgos y publicarlos requirió casi dos años.

Los investigadores advierten que los sistemas de IA aún pueden producir resultados engañosos, y la supervisión humana sigue siendo esencial. La tecnología no reemplaza la experiencia científica. Sin embargo, al procesar rápidamente enormes conjuntos de datos, la IA generativa puede permitir a los investigadores dedicar menos tiempo a depurar código y más a interpretar los hallazgos y a plantear mejores preguntas científicas.