Hola,
Aquí comparto una nueva nota que habla de revolucionario que sería aplicar la computación cuántica en el ámbito de salud.
Te espero al final, como siempre, para compartir reflexiones.
Casos de uso de la computación cuántica en la sanidad
Instituto de Valor Empresarial (IBV)
“La computación cuántica podría permitir una serie de casos de uso disruptivos para los proveedores y los planes de salud al acelerar los diagnósticos, personalizar la medicina y optimizar los precios. Los algoritmos de aprendizaje automático mejorados por la tecnología cuántica son especialmente relevantes para el sector.
A medida que aumenta el acceso a las fuentes de datos relevantes para la salud, aumenta el potencial de la combinación de la computación cuántica y el modelado clásico para salvar vidas y reducir costos. El momento de actuar es ahora. Es probable que la sanidad se beneficie considerablemente de la computación cuántica.
Sin embargo, gran parte de la propiedad intelectual inicial de la computación cuántica puede estar protegida por derechos de autor, lo que aumenta la urgencia de empezar y comprometerse con socios y ecosistemas hoy mismo.
Los datos sanitarios, como la información procedente de los ensayos clínicos, los registros de enfermedades, las historias clínicas electrónicas y los dispositivos médicos, están creciendo a una tasa anual compuesta del 36%.
Cada vez más, estos datos ayudan a afrontar los retos asociados al "cuádruple objetivo" de la asistencia sanitaria: mejorar la salud, reducir los costos, mejorar la experiencia de los pacientes y mejorar la vida laboral de los profesionales sanitarios.
Al mismo tiempo, los consumidores de servicios sanitarios toman más decisiones y tienen que navegar por un sistema cada vez más complejo. Se están realizando importantes inversiones para proporcionar los datos correctos y una potente información en el punto de atención. Tanto los operadores tradicionales como los nuevos intentan crear experiencias digitales que refuercen los comportamientos saludables y preventivos. A pesar de ello, las posibilidades exponenciales de esta diversidad de datos nuevos están poniendo a prueba las capacidades de los sistemas informáticos clásicos.
Llega la computación cuántica.
Un siglo después del nacimiento de la mecánica cuántica, se ha demostrado que la computación cuántica puede tener una ventaja sobre los enfoques clásicos.
La computación cuántica (QC) no se limita a proporcionar un aumento de velocidad. Es la única tecnología conocida que puede ser exponencialmente más rápida que los ordenadores clásicos para determinadas tareas, reduciendo potencialmente los tiempos de cálculo de años a minutos.
La QC requiere una forma de pensar diferente, un nuevo y muy solicitado conjunto de habilidades, arquitecturas informáticas distintas y estrategias corporativas novedosas. La tecnología también tiene implicaciones inmediatas para la seguridad.
La seguridad es un área de especial relevancia para la sanidad, dadas las responsabilidades y los retos de privacidad de datos del sector. Se ha demostrado que la computación cuántica puede suponer una ventaja sobre los enfoques clásicos.
Bits y qubits. Los ordenadores cuánticos procesan la información de una forma fundamentalmente diferente a la de los ordenadores tradicionales.
Los avances tecnológicos anteriores, como los circuitos integrados, permitieron acelerar la computación, pero seguían basándose en el procesamiento clásico de la información.
Los ordenadores cuánticos manipulan bits cuánticos (qubits). A diferencia de los bits clásicos, que almacenan la información como un 0 o un 1, pueden mostrar propiedades cuánticas únicas, como el entrelazamiento.
De este modo, es posible construir algoritmos cuánticos que superen a sus homólogos clásicos, que no son capaces de aprovechar los fenómenos cuánticos.
Los ordenadores cuánticos podrían ser especialmente útiles para abordar problemas relacionados con:
Química, aprendizaje automático/inteligencia artificial (IA), optimización o tareas de simulación. De hecho, el aprendizaje automático ha demostrado su potencial para ser mejorado por la computación cuántica y está ayudando simbióticamente a impulsar los avances cuánticos
Correlaciones e interdependencias complejas entre muchos elementos altamente interconectados, como las estructuras moleculares en las que interactúan muchos electrones
Límites de escala inherentes a los algoritmos clásicos pertinentes. Por ejemplo, los requisitos de recursos de los algoritmos clásicos pueden aumentar exponencialmente con el tamaño del problema, como ocurre cuando se simula la evolución temporal de los sistemas cuánticos.
Los ordenadores cuánticos pueden permitir tres casos de uso clave en el ámbito sanitario que se refuerzan mutuamente en un círculo virtuoso.
Por ejemplo, los diagnósticos exactos permiten tratamientos precisos, así como un mejor reflejo de los riesgos de los pacientes en los modelos de precios.
En la sanidad, al igual que en otros sectores, es probable que el uso de ordenadores cuánticos junto con los clásicos aporte ventajas sustanciales que la informática clásica no puede ofrecer por sí sola.
Por ello, ahora hay una carrera hacia las aplicaciones cuánticas.
A continuación se exponen tres posibles casos de uso cuántico que son fundamentales para la transformación en curso del sector sanitario:
Asistencia al diagnóstico: Diagnosticar a los pacientes de forma temprana, precisa y eficiente.
Medicina de precisión: Mantener la salud de las personas en base a intervenciones/tratamientos personalizados
Fijación de precios: Optimizar las primas y los precios de los seguros.
La asistencia al diagnóstico podría mejorar la salud, el costo, la experiencia y los puestos de trabajo, mientras que la medicina de precisión debería permitir mejores resultados y experiencias de los pacientes, y se espera que la fijación de precios ayude a reducir los costos.
Los diagnósticos tempranos, precisos y eficientes suelen generar mejores resultados y menores costos de tratamiento.
Por ejemplo, las tasas de supervivencia se multiplican por 9 y los costos de tratamiento se reducen por 4 cuando el cáncer de colon se diagnostica a tiempo.
Al mismo tiempo, para una amplia gama de enfermedades, los diagnósticos actuales son complejos y costosos.
Incluso una vez establecido el diagnóstico, las estimaciones sugieren que es erróneo en el 5-20 por ciento de los casos.
Las técnicas de imagen médica, como la tomografía computarizada, la resonancia magnética y las radiografías, se han convertido en una herramienta de diagnóstico crucial para los médicos en el último siglo.
Los métodos de detección y diagnóstico asistidos por ordenador para imágenes médicas se han desarrollado rápidamente.
Al mismo tiempo, muchas de estas imágenes se ven afectadas por el ruido, la baja resolución y la escasa capacidad de reproducción.
Una de las razones de estos retos es la necesidad de cumplir estrictos protocolos de seguridad.
La computación cuántica tiene el potencial de mejorar el análisis de las imágenes médicas, incluidos los pasos de procesamiento, como la detección de bordes y la comparación de imágenes. Estas mejoras aumentarían considerablemente los diagnósticos asistidos por imágenes.
Además, los procedimientos de diagnóstico modernos pueden incluir métodos unicelulares. En particular, los datos de citometría de flujo y secuenciación unicelular suelen requerir métodos analíticos avanzados, especialmente cuando se considera la combinación de conjuntos de datos de las diferentes técnicas.
Uno de los retos es la clasificación de las células en función de sus múltiples características físicas y bioquímicas. Esto hace que el espacio de características, es decir, el espacio abstracto en el que viven las variables predictoras, sea grande (de alta dimensión). Esta clasificación es importante, por ejemplo, para distinguir las células cancerosas de las normales.
Los enfoques de aprendizaje automático mejorados por la tecnología cuántica, como las máquinas de vectores de apoyo cuánticas, parecen estar preparados para mejorar la clasificación y podrían impulsar los métodos de diagnóstico unicelulares.
Además, el descubrimiento y la caracterización de biomarcadores pueden requerir el análisis de conjuntos de datos "ómicos" complejos, como la genómica, la transcriptómica, la proteómica y la metabolómica.
Estos datos pueden implicar muchas características que interactúan y que conducen a interdependencias, correlaciones y patrones que son difíciles de encontrar con los métodos computacionales tradicionales.
La ampliación de los conocimientos sobre biomarcadores hasta el nivel del individuo requiere, naturalmente, una modelización aún más avanzada.
Estas características sugieren que la computación cuántica podría ayudar a descubrir biomarcadores, tal vez incluso para los individuos.
Gracias a la computación cuántica, los profesionales sanitarios podrían mejorar los diagnósticos y, al mismo tiempo, eliminar la necesidad de realizar pruebas diagnósticas invasivas y repetitivas.
Podrían ser capaces de monitorizar y analizar continuamente la salud de los individuos. Además de ayudar a los pacientes, los planes de salud y los proveedores también podrían beneficiarse de la reducción de los costos de tratamiento como resultado de los diagnósticos tempranos. Incluso podría llegar a ser posible realizar meta-análisis para procedimientos de diagnóstico más elaborados con el fin de determinar qué procedimiento debe llevarse a cabo, y cuándo.
Esto podría ayudar a reducir aún más los costos y permitir que los planes de salud y los gobiernos tomen decisiones más basadas en datos para los proveedores y los individuos.
Las técnicas de aprendizaje automático mejoradas por la tecnología cuántica podrían permitir predicciones de riesgo más tempranas, más precisas y más granulares.
La medicina de precisión pretende adaptar los enfoques de prevención y tratamiento a cada persona.
Debido a la complejidad de la biología humana, la medicina individualizada requiere tener en cuenta aspectos que van mucho más allá de la atención médica estándar. De hecho, la atención médica sólo tiene una contribución relativa del 10 al 20 por ciento a los resultados; los comportamientos relacionados con la salud, los factores socioeconómicos y ambientales representan el otro 80 por ciento.
Desde el punto de vista computacional, las interdependencias y correlaciones entre estos diversos contribuyentes crean desafíos formidables con respecto a la optimización de la eficacia del tratamiento.
En consecuencia, muchas de las terapias existentes no consiguen los efectos deseados debido a la variabilidad individual. Por ejemplo, sólo un tercio de los pacientes responden a las terapias farmacológicas contra el cáncer.
En algunos casos, las consecuencias de las terapias farmacológicas pueden ser desastrosas; sólo en Europa, cerca de 200.000 personas mueren cada año debido a reacciones adversas a los medicamentos.
Un aspecto clave de la adaptación de los enfoques médicos es la proactividad. Como se ha dicho, los tratamientos tempranos y las intervenciones preventivas suelen mejorar drásticamente los resultados y optimizar los costos.
El aprendizaje automático clásico ya ha demostrado ser prometedor a la hora de predecir el riesgo de futuras enfermedades para una serie de grupos de pacientes basándose en las HCE.
Sin embargo, las características de las HCE y otros datos sanitarios, como el nivel de ruido, el tamaño del espacio de características relevantes y la complejidad de las interacciones entre ellas, siguen planteando problemas.
Esto sugiere que las técnicas de aprendizaje automático supervisadas y no supervisadas permitirían predicciones de riesgo más tempranas, precisas y granulares.
Con el tiempo, los médicos podrían incluso tener las herramientas necesarias para comprender cómo cambia el riesgo de una persona de padecer una determinada enfermedad a lo largo del tiempo, gracias a los diagnósticos virtuales continuos basados en los flujos de datos de las personas. Sin embargo, no basta con conocer el riesgo de enfermedad de un individuo. Igual de importante es saber cómo intervenir médicamente de forma eficaz en un determinado individuo.
Una de las vías para ello es el estudio de la sensibilidad a los medicamentos a nivel celular. Por ejemplo, teniendo en cuenta las características genómicas de las células cancerosas y las propiedades químicas de los fármacos, ya se están investigando modelos capaces de predecir la eficacia de los medicamentos contra el cáncer a nivel granular.
El aprendizaje automático potenciado por la tecnología cuántica podría propiciar nuevos avances en este ámbito y, en última instancia, permitir modelos de inferencia causal para los fármacos.
El objetivo de la medicina de precisión es ambicioso. Identificar y explicar las relaciones entre las intervenciones y los tratamientos, por un lado, y los resultados, por otro, para ofrecer la mejor acción médica a nivel individual.
Tradicionalmente, el diagnóstico de la enfermedad de un paciente se ha basado en gran medida en los síntomas declarados por el mismo, lo que lleva mucho tiempo y da lugar a un diagnóstico global y a un tratamiento asociado que a menudo fracasa.
Ahora estamos avanzando hacia un entorno en el que se puede obtener información de otros datos relevantes para la salud para llegar de forma eficiente a un estado de salud continuo y preciso, junto con intervenciones personalizadas.
Aunque todavía estamos muy lejos de conseguirlo, la computación cuántica puede acelerar nuestro progreso hacia ese nuevo marco al abordar problemas del tipo descripto anteriormente.
Este marco permitiría a las organizaciones sanitarias optimizar y personalizar sus servicios a lo largo de todo el proceso de atención. Además, la adherencia y el compromiso del paciente son también aspectos clave que deben tenerse en cuenta a la hora de tomar una decisión sobre la siguiente mejor acción médica.
La informática cuántica tiene el potencial de acelerar la transición del diagnóstico, el tratamiento de precisión y la intervención de un individuo determinado.
Tal vez la modelización computacional avanzada pueda abordar también este ámbito. Con el tiempo, la gestión de la salud de la población a nivel personal podría ser posible.
La determinación de las primas de los seguros de salud es un proceso complejo.
Un plan de salud debe tener en cuenta una serie de factores en el proceso de desarrollo de una estrategia general de precios (reconociendo que la normativa de algunos países, como Estados Unidos, puede limitar el número de factores utilizados para calcular las primas).
Entre ellos se encuentran complejas interdependencias, como los niveles de salud de la población y los riesgos de enfermedad, la idoneidad y los costos de los tratamientos, y la exposición al riesgo que un plan de salud está dispuesto a aceptar y es capaz de hacerlo, en función de la estrategia corporativa y la normativa.
Aunque los planes de salud ya han avanzado considerablemente en este ámbito, aplicando los métodos clásicos de la ciencia de los datos, sigue siendo difícil conseguir modelos más granulares con menores incertidumbres.
Un área clave en la que la computación cuántica puede ayudar a optimizar los precios es el análisis de riesgos.
Hablamos de cómo la computación cuántica podría ayudar a evaluar mejor el riesgo que tiene un determinado paciente de padecer una determinada enfermedad.
Aprovechar estos conocimientos sobre el riesgo de enfermedad a nivel de población y combinarlos con modelos de riesgo cuántico que puedan calcular el riesgo financiero de forma más eficiente, podría permitir a los planes de salud conseguir mejores modelos de riesgo y de fijación de precios.
Otro ámbito importante a través del cual la computación cuántica puede apoyar las decisiones de fijación de precios es la mejora de la detección del fraude.
En la actualidad, el fraude en la sanidad cuesta cientos de miles de millones de dólares sólo en Estados Unidos.
Las técnicas clásicas de extracción de datos ya ayudan a detectar y reducir el fraude sanitario; sin embargo, se necesitan métodos más eficientes desde el punto de vista computacional.
Los algoritmos cuánticos podrían permitir una clasificación y una detección de patrones superiores y, por tanto, ayudar a descubrir comportamientos anómalos y eliminar las reclamaciones médicas fraudulentas.
Se espera que esto permita a los planes de salud optimizar aún más las estrategias de precios y ofrecer primas reducidas como resultado de tener menores costos asociados a los esquemas de pérdida y prevención del fraude.
Los novedosos algoritmos de la computación cuántica podrían mejorar significativamente los cálculos de precios.
Esto podría dar lugar a primas medias más bajas, así como a opciones de primas mejor adaptadas.
La complejidad de la sanidad se refleja en los retos asociados a la facilidad de comprensión de las estrategias de tarificación.
Las nuevas normativas que exigen transparencia y la reducción de los costos medios de la asistencia sanitaria hacen que sea aún más importante mejorar los modelos de tarificación.
Los datos sanitarios -recogidos a partir de las múltiples modalidades y ubicaciones que rodean a los pacientes- están infrautilizados en la actualidad.
Los factores clínicos sólo representan un pequeño porcentaje de los datos relevantes para la salud.
Por lo tanto, es fundamental obtener información procesable de otras áreas, como la genómica, el comportamiento y las influencias sociales y ambientales.
De los diferentes tipos de algoritmos cuánticos relevantes para el sector sanitario, los algoritmos de aprendizaje automático mejorados por la tecnología cuántica destacan por su amplitud de aplicación.
Esto se debe a que estamos entrando en una era en la que las características de los conjuntos de datos sanitarios, como el hecho de ser frecuentemente heterogéneos y estar desigualmente distribuidos, están produciendo complejos desafíos computacionales para la IA moderna.
Por ejemplo, los investigadores han estado explorando cómo acelerar los algoritmos computacionalmente costosos que están en el núcleo del aprendizaje automático y el modelado de la IA con enfoques cuánticos, incluyendo operaciones con grandes matrices.
Un área clave en la que la computación cuántica puede ayudar a optimizar los precios es el análisis de riesgos.
Los horizontes de madurez de los casos de uso de la computación cuántica en la sanidad dependen no sólo de los desarrollos de algoritmos y hardware cuánticos en toda la industria, sino también de la creciente disponibilidad de datos relevantes.
Aunque ya se están aprovechando ciertas modalidades para la elaboración de modelos informáticos avanzados, los conjuntos de datos relevantes para la salud están creciendo rápidamente debido al aumento tanto del número de personas que se "instrumentan" como de los tipos de datos que se recogen.
A medida que el número de fuentes de datos sanitarios accesibles sigue creciendo, el potencial de la computación cuántica para añadir valor también aumenta.
Anthem, una de las principales compañías de prestaciones sanitarias, está ampliando sus esfuerzos de investigación y desarrollo para explorar cómo la computación cuántica puede mejorar aún más la experiencia sanitaria de los consumidores.
Aportando su experiencia en el trabajo con datos sanitarios a la red IBM Q, Anthem está explorando cómo la computación cuántica puede ayudar a desarrollar opciones de tratamiento más precisas y personalizadas y a mejorar la predicción de las condiciones de salud.
Mediante la exploración de casos, con el so de la informática cuántica para la sanidad, se espera que las organizaciones sanitarias obtengan considerables beneficios empresariales y científicos en la era de la informática cuántica.
Además de los beneficios descriptos anteriormente, esta poderosa tecnología también puede crear otras ventajas, como la de atraer talento interesado en trabajar con tecnología de última generación.
Es probable que la ventaja cuántica esté patentada, lo que otorgará beneficios a los pioneros. Para iniciar el viaje y prepararse para la ventaja cuántica, las organizaciones sanitarias deberían dar los siguientes pasos:
Contratar a especialistas cuánticos. Identifique, habilite y contrate a dcihas personas en su organización, incluyendo tanto a profesionales de la tecnología como de la sanidad. Pueden servir como puntos focales para conectar la experiencia cuántica con los imperativos sanitarios. Estos especialistas cuánticos tienen la tarea de mantenerse al día con los últimos desarrollos cy de impulsar las iniciativas cuánticas en la empresa.
Explorar y priorizar. Explore los posibles casos de uso de la cuántica y priorice los que tengan mayor impacto para su organización. Esto incluye determinar cómo encaja la informática cuántica en sus estrategias corporativas y tecnológicas. Actualice sus casos de uso prioritarios con el tiempo basándose en la última estrategia corporativa y en los desarrollos de la informática cuántica.
Implementar aplicaciones cuánticas relevantes y experimentar con ordenadores cuánticos reales. Esto le permitirá avanzar hacia la ventaja cuántica y proporcionar a sus empleados una capacitación práctica. Estos pasos deben llevarse a cabo de forma iterativa. Su realización puede acelerarse si se une a un ecosistema cuántico, un grupo de participantes de la industria y la tecnología que comparten riesgos y recompensas en la búsqueda de objetivos comunes de dicha computación.
La misma tiene el potencial de convertirse en un elemento transformador para las organizaciones sanitarias en su misión principal: salvar y mejorar vidas de forma sostenible.
Por lo tanto, el momento de empezar con la computación cuántica es ahora.”
Hola, aquí estoy. Te paso mis reflexiones.
Si bien la industria de la salud no es mi especialidad, puedo apreciar claramente la revolución que comienza a producirse en ella mediante las nuevas tecnologías digitales y, en particular, la Computación Cuántica (QC).
Sé que en Argentina estamos aún muy lejos de todos estos adelantos, pero también sé que los mismos, tarde o temprano, llegarán a nuestro país, y el primer paso de deben dar los profesionales de la industria es adentrarse en ellos.
Un mundo de sensores, nuevos y refinados instrumentos, equipos de monitoreo a distancia y un conocimiento cada vez más profundo de las interacciones que ocurren en nuestro organismo, han de ser algunos de los elementos a los que ellos y nosotros (como pacientes), habremos de enfrentarnos.
Creo que durante la próxima década asistiremos a cambios de paradigmas que los conocimientos médicos han incorporado durante el último siglo.
¿Qué te parece a vos?
Espero tu colaboración.
Comments