La adopción de la IA en el cuidado de la salud está siendo impulsada por un crecimiento exponencial de los datos de salud, la amplia disponibilidad de potencia computacional y los avances fundamentales en las técnicas de aprendizaje automático. AI ya ha demostrado la potencial para crear valor reduciendo costos, ampliando el acceso y mejorando la calidad. Pero para que la IA pueda realizar su potencial transformador a escala, sus defensores necesitan modelos de negocio optimizado para capturar mejor ese valor.

AI cambia las reglas de negocio y, como siempre, hay algunas consideraciones singulares en la atención de la salud. Con el fin de entender estos, estudiamos AI en 15 conjuntos de casos de uso. Estos abarcan cinco dominios de la atención médica (participación del paciente, prestación de atención, salud de la población, I+D y administración) y abarcan tres tipos de funciones (medir, decidir y ejecutar). Basándonos en nuestra experiencia en el desarrollo de estrategias para empresas de salud y ciencias biológicas y sus proveedores de tecnología (Nikhil), y construyendo un servicio basado en IA para aseguradoras de salud (Trishan), identificamos seis factores críticos y las adaptaciones requeridas a los modelos de negocio que las empresas (tanto proveedores de IA como usuarios) necesitan para tener éxito en la atención de la salud.

1. Abordar la aversión de los clientes al riesgo

El fracaso en la atención de la salud es costoso. Por lo tanto, los usuarios de soluciones de IA en la atención de la salud son más reacios al riesgo que sus homólogos de otros sectores. Requieren más evidencia antes de desplegar aplicaciones de IA. Esto pone cargas para el desarrollo de productos, alarga los ciclos de ventas y ralentiza las tasas de adopción. Las empresas pueden eludir estos problemas mediante la implementación de modelos de negocio que comparten el riesgo a la baja de sus soluciones de IA.

En la I+D biofarmática, por ejemplo, el fracaso de los medicamentos en los ensayos clínicos es costoso y aumenta el costo medio de desarrollar nuevos medicamentos. Por lo tanto, las empresas son naturalmente cautelosas de los nuevos enfoques. Excientia, que es la compañía farmatech detrás del las dos primeras moléculas diseñadas por IA presentadas para ensayos humanos, aborda esto mediante la concertación de acuerdos de co-desarrollo con sus clientes farmacéuticos que vinculan la cantidad que se paga a cuán exitosas resultan sus moléculas en el camino. Este modelo de negocio significa que Exscientia está asumiendo una parte significativa del riesgo y está más cerca de los utilizados por las empresas tradicionales de descubrimiento de drogas que a modelos de negocio tecnológicos como Software como servicio (SaaS). Si bien el modelo de negocio de Exscientia requiere más capital inicial que los enfoques basados en honorarios, permite a la compañía captar más ganancias cuando un medicamento tiene éxito.

Los sistemas de salud y los pagadores también son cautelosos de la inundación de lanzamientos que reciben de los proveedores de IA y son reacios a sumergirse a pleno vapor con ellos. En su lugar, a menudo iniciarán proyectos piloto con estos proveedores, lo que crea un dilema: el éxito de la IA depende del análisis de datos a escala, pero los pilotos, por definición, son de subescala. Para abordar este desafío y acelerar la adopción, los proveedores de IA deben abordar esta aversión al riesgo a través de su modelo de negocio. Como mínimo, deben estar dispuestos a poner sus honorarios en riesgo para demostrar que tienen al menos algo de piel en el juego, e idealmente también deberían estar dispuestos y capaces de tomar un golpe financiero si su producto no cumple lo prometido. Sin embargo, a medida que su solución madure, los precios en riesgo serán menos necesarios para cerrar una venta, pero los proveedores cuyas soluciones tengan un historial comprobado deberían considerar seguir utilizando precios en riesgo para cobrar precios más altos.

2. Piggyback en estructuras heredadas o eludirlas

Existen muchas barreras estructurales que impiden la adopción de nuevas tecnologías en la atención sanitaria, como un alto nivel de regulación, una concentración significativa del mercado y los intereses vested en las estructuras de incentivos existentes. Si bien la IA podría romper estas barreras, muchas empresas se beneficiarán inicialmente del diseño de sus modelos de negocio para que se ajusten al paradigma actual.

Por ejemplo, la mayor parte de la prestación de atención en los Estados Unidos hoy en día se sigue compensando sobre la base del volumen de actividad (tarifa por servicio). Existen sistemas completos de códigos de facturación relacionados para procedimientos hospitalarios, visitas clínicas, diagnósticos y laboratorios que han sido diseñados en torno a supuestos de recursos y costos asociados con productos y servicios proporcionados por los seres humanos. En lugar de intentar cambiar este sistema, las empresas de diagnóstico de IA deberían tomar el camino más fácil de intentar que los pagadores establezcan códigos de reembolso similares a los utilizados hoy en día para los radiólogos humanos.

Una alternativa, por supuesto, es ir directamente a los consumidores. Esto es Enfoque de Apple. Ha optado por capturar el valor de sus ofertas de IA de salud, como las que controlar la arritmia y las caídas cobrando un precio premium por el Apple Watch. Otros como chatbot de salud mental Woebot mercado directamente a los consumidores. Esperamos ver muchas otras ofertas de atención médica habilitadas para la IA directa al consumidor en diagnósticos moleculares, monitoreo remoto de pacientes, entrenamiento de salud y otras áreas.

3. Coste de obtención y preparación de datos

La obtención de cantidades suficientes de datos de alta calidad es un reto importante en la atención de la salud. Esto se debe a que estos datos a menudo residen en diferentes organizaciones y su calidad varía.

Una forma de superar este desafío es utilizar un lado de un modelo de negocio para financiar la curación y preparación de bibliotecas de datos. Tempus, por ejemplo, proporciona servicios de integración de datos a centros de investigación académica y hospitales, lo que le da acceso a una enorme biblioteca de datos multimodales de alta calidad (clínica, radiología, patología) y ofrece servicios de pruebas genéticas para generar datos genómicos. El otro lado de su negocio utiliza la IA en estos datos para obtener información para que los proveedores mejoren la atención clínica para pacientes específicos y para empresas de ciencias de la vida con fines de investigación.

Un elemento central de la propuesta de valor de otras empresas como Lumiata y Aclarar salud proporciona plataformas para abordar la curación de datos para sus clientes. La oferta de Lumiata se basa en paquetes de capacidad con diferentes niveles de soporte de datos y modelado, mientras que Clarify Health se empaqueta por caso de uso. Sin embargo, ambos modelos se basan en la difusión efectiva del alto costo de crear conjuntos de datos listos para IA entre muchos clientes de pagadores, proveedores y ciencias biológicas.

Algunas empresas de IA que han obtenido éxitos tempranos se han centrado en casos de uso estrechos, como en radiología y patología, donde los datos están menos silos. Incluso en tales aplicaciones, sin embargo, las empresas deben tener en cuenta que los costos de datos de IA no son uno y están hechos. Habrá costos de datos continuos para personalizar algoritmos para diferentes poblaciones y clientes.

4. Invierta en mantenerse por delante de las expectativas regulatorias y públicas de comportamiento ético

El uso de IA es plagado de consideraciones éticas y riesgos asociados. Esto es cierto también en el cuidado de la salud donde los casos de uso en la participación del paciente, la prestación de cuidados y la salud de la población son particularmente propensos a problemas como sesgo, no obtener el consentimiento adecuado del paciente y violaciones de la privacidad de los datos. Los proveedores de IA deben mitigar de forma proactiva estos riesgos, o se enfrentarán a una reacción significativa de médicos, pacientes y responsables de la formulación de políticas.

Los sesgos sociales se reflejan en los datos históricos de salud y, cuando no se corrigen, pueden hacer que los sistemas de IA adopten decisiones sesgadas sobre, por ejemplo, quién tiene acceso a los servicios de gestión de la atención o inclusoÓrganos salvavidas para trasplantes. Se encontró STAT que de 161 productos despachados por la Administración de Alimentos y Medicamentos de los Estados Unidos (FDA) entre 2012 y 2020 sólo siete reportaron la composición racial y sólo 13 reportaron la división de género de sus poblaciones estudiadas. Esto cambiará: La FDA está desarrollando enfoques regulatorios para reducir el sesgo y propone que las empresas supervisen e informen periódicamente sobre el rendimiento real de sus algoritmos.

En consecuencia, las empresas deben asegurarse de que las decisiones que toman —los clientes y socios con los que trabajan, la composición de sus equipos de ciencia de datos (es decir, su diversidad) y los datos que recopilan, contribuyan a minimizar el sesgo. Algunas empresas ya están haciendo tales cambios. Por ejemplo, Salud de Google, que está trabajando en la IA para revolucionar el cribado del cáncer de mama prometiendo un mejor rendimiento con una reducción casi diez veces en costos, no solo está validando el rendimiento del algoritmo en diferentes entornos clínicos, sino que también está haciendo grandes inversiones para asegurar que el algoritmo funcione equitativamente a través de diferentes grupos raciales.

5. Incorporar gestión de cambios para contrarrestar la resistencia

La atención de la salud está llena de ejemplos de mejores prácticas que tardan muchos años en adoptarse incluso después de haber demostrado ser superiores. Incluso las aplicaciones de IA que tienen buy-in institucional todavía necesitan hacer que los médicos y otros trabajadores de primera línea los utilicen, y la dolorosa implementación de registros médicos electrónicos en los Estados Unidos durante la última década más o menos, lo que ha hecho que los trabajadores de la salud sean cautelosos de las nuevas tecnologías de la información, solo ha hecho que este trabajo más duro. Las aplicaciones de IA pueden percibirse como especialmente amenazantes porque requieren cambios en los flujos de trabajo familiares, afectando la autonomía de los médicos, y pueden verse como una amenaza para los puestos de trabajo o los ingresos.

En consecuencia, además de invertir en desarrollo de productos, preparación de datos y servicios de apoyo, las empresas de IA necesitan invertir en la gestión del cambio. Esto incluye usar pensamiento de diseño en el desarrollo del producto, un fuerte programa de capacitación e incorporación, y comunicaciones sensibles (por ejemplo, que se centra en los beneficios y aborde las preocupaciones sobre los impactos en los empleos de las personas).

6. Incluir humanos en el bucle

La IA no es perfecta; en algunas situaciones, especialmente en aquellas que son complejas, fracasará. En el cuidado de la salud, donde las enfermedades son causadas por factores genéticos, sociales y conductuales que interactúan, existe una gran complejidad. Por lo tanto, no debería sorprender que la IA en el cuidado de la salud tenga más probabilidades de fracasar que en muchas otras industrias y que el costo del fracaso —por ejemplo, un diagnóstico erróneo, un candidato a un medicamento fallido o un error en la prescripción de un medicamento— sea mucho mayor.

Por lo tanto, a menudo es necesario involucrar a los humanos en el bucle para aceptar o rechazar las decisiones adoptadas por AI. Las empresas que construyen y venden sistemas basados en IA deben tener en cuenta el costo de esta experiencia humana en sus precios. Una empresa que ha hecho esto es AliveCor, cuyo dispositivo electrocardiograma directo al consumidor (EKG) utiliza IA para interpretar las lecturas de EKG que un consumidor toma utilizando un dispositivo relativamente barato emparejado con una aplicación de teléfono celular. Cuando la IA ve un «caso perimetral» (un caso poco común que podría no haber visto antes) o encuentra un problema que requiere la información de un médico, le pide al usuario que considere hacer que un clínico eche un segundo vistazo, por supuesto, por una tarifa.

Cuando no sea posible transmitir este coste añadido de la intervención humana, las empresas deben limitar el alcance del producto. Salud de la boya tomó este enfoque con su popular comprobador de síntomas basado en IA. Su chatbot de IA involucra a un paciente y sugiere diagnósticos probables junto con la navegación hasta el punto de atención más apropiado, que podría ser la telesalud, la atención de urgencia, la sala de emergencias o el médico de atención primaria del paciente. En cada uno de estos casos, Booy está eligiendo dejar que otros proporcionen a los humanos costosos en el bucle, lo que le permite mantener un modelo de bajo costo.

La IA tiene un enorme potencial en la atención de la salud. Pero para tener éxito con sus ofertas, las empresas necesitan adaptar sus modelos de negocio a las características de su oferta particular. Talla única no se ajusta a todos.