Esta startup de IA en salud tiene como objetivo mantener a los médicos actualizados sobre lo último en ciencia
OpenEvidence, valorada en US$425 millones, está enfrentando uno de los grandes desafíos de la inteligencia artificial: modelos de lenguaje grandes cuyo entrenamiento está estancado en el pasado.
Una de las limitaciones de los modelos de lenguaje grandes es que su entrenamiento queda congelado en el tiempo. Si le preguntas al chatbot viral de OpenAI, ChatGPT, si las vacunas contra el Covid funcionan contra la variante más común que circula en 2023, responde: “Como modelo de lenguaje de IA, no tengo acceso a datos en tiempo real o información más allá de mi última actualización en septiembre de 2021”.
Desde entonces, ha ocurrido una cantidad tremenda de cambios: hay nuevas cepas de Covid, nuevas aprobaciones de vacunas y medicamentos, y decenas de miles de nuevos estudios científicos. Para que los chatbots sean útiles en un entorno médico, necesitarán acceso a la última investigación. Con US$32 millones en capital, casi una docena de empleados con doctorados (o candidatos a doctorados) y una supercomputadora en el desierto de Nevada, Daniel Nadler ha estado trabajando para resolver este problema de límite de conocimiento con su nueva startup, OpenEvidence.
El constante reentrenamiento de modelos de aprendizaje automático requiere grandes cantidades de costosa potencia informática, pero hay otra opción. Es un desafío técnico e ingenieril que implica “unir estos modelos de lenguaje con un flujo en tiempo real de documentos clínicos”, según explica el fundador de OpenEvidence, Nadler, de 40 años. Esencialmente, otorgar a la IA acceso a un nuevo conjunto de datos justo antes de responder a la pregunta, un proceso que los científicos de la computación llaman “generación con recuperación aumentada”. Si le haces la pregunta sobre las vacunas y la nueva variante de Covid al chatbot de OpenEvidence, responderá que “los estudios específicos sobre esta variante son limitados” e incluirá información de estudios publicados en febrero y mayo de 2023 con citas. La diferencia principal, dice Nadler, es que su modelo “puede responder con un libro abierto, en lugar de un libro cerrado”.
Esta no es la primera vez que Nadler funda una startup de IA. Vendió su empresa anterior, Kensho Technologies, a S&P Global por US$550 millones (más US$150 millones en acciones) en 2018. Kensho es una herramienta impulsada por IA para traders de Wall Street que analiza millones de puntos de datos del mercado para ayudar a identificar oportunidades de arbitraje.
Durante la pandemia de Covid, a medida que el número de estudios científicos sobre Covid-19 aumentó de cero a decenas de miles en unos pocos meses, Nadler vio que los proveedores de atención médica enfrentaban un problema similar al de los traders: cómo separar la información creíble y accionable del ruido. Pronto se dio cuenta de que esto no solo era cierto para los estudios de Covid, sino para el campo médico en general, ya que se publican alrededor de dos artículos científicos por minuto. “La construcción fundamental del problema era idéntica”, dice Nadler. “Un exceso de información y la necesidad de triar esa información y la necesidad de utilizar computadoras para hacerlo”.
FINANCIAMIENTO DE CAPITAL DE RIESGO DE ESTADOS UNIDOS EN STARTUPS DE INTELIGENCIA ARTIFICIAL/APRENDIZAJE AUTOMÁTICO EN EL SECTOR DE LA SALUD
Según datos de PitchBook, los inversores de capital de riesgo han invertido más de US$46.000 millones de dólares en startups de inteligencia artificial y aprendizaje automático enfocadas en el sector de la salud en Estados Unidos durante la última década. La inversión alcanzó su punto máximo en $US$13.400 millones en 2021 y disminuyó a US$10.003 millones en 2022. Hasta ahora este año, las startups han recaudado $3 mil millones en 205 acuerdos.
Nadler fundó OpenEvidence en noviembre de 2021. Después de invertir US$5 millones de su propio dinero, afirma que cerró una ronda de financiamiento Serie B de US$27 millones con inversores externos en julio de 2022, valorando la startup en US$425 millones. Abrió la ronda a antiguos inversores de Kensho, incluyendo al multimillonario capitalista de riesgo Jim Breyer, al cofundador del fondo de inversión Vista Equity Partners, Brian Sheth, y al banquero de inversiones Ken Moelis, entre otros. En marzo, OpenEvidence fue seleccionada para participar en un acelerador de la Mayo Clinic Platform. Desde entonces, Nadler afirma que más de 10.000 clínicos se han inscrito para obtener acceso temprano, lo que lo impulsa a salir del modo oculto ahora.
Nadler explica que OpenEvidence está tratando de competir con la gran base de datos líder utilizada por dos millones de trabajadores de la salud en todo el mundo, llamada UpToDate, de la empresa global de datos con sede en los Países Bajos, Wolters Kluwer. Las soluciones clínicas de la división de salud de Wolters Kluwer, que incluye UpToDate, generaron más de $900 millones en ingresos en 2022. Según la portavoz de Wolters Kluwer Health, Suzanne Moran, UpToDate se basa en más de 7.000 expertos humanos para escribir y editar las entradas sobre temas médicos. “Los temas en UpToDate se revisan cuando se publica nueva información importante”, dijo Moran en un comunicado. Los editores revisan más de 420 revistas revisadas por pares.
Donde Nadler ve que la IA tiene una ventaja sobre las entradas editadas por humanos es que OpenEvidence es interactivo en lugar de ser una página estática de texto, lo que significa que los usuarios pueden adaptar sus preguntas a escenarios de pacientes precisos y hacer preguntas de seguimiento, en lugar de tener que leer grandes bloques de texto. También puede escanear decenas de miles de revistas en comparación con cientos. El conjunto de documentos del cual OpenEvidence está recuperando información incluye más de 35 millones de artículos de revistas. Nadler dice que revisa la National Library of Medicine, que contiene más de 31.000 revistas revisadas por pares, varias veces al día. Afirma que hay un retraso de aproximadamente 24 horas para procesar los nuevos artículos de revistas y agregarlos al conjunto de recuperación.
Sin embargo, todos esos datos plantean un posible obstáculo para los objetivos de Nadler: no todos los artículos de revistas son iguales en cuanto a la calidad de lo que publican. La comunidad científica tiene un sistema de clasificación conocido como factor de impacto, lo que significa que las revistas que son más citadas tienen mayor importancia en comparación con las revistas con menos citas. Los modelos de OpenEvidence tienen en cuenta esto al recuperar información del conjunto de nuevos artículos de revistas. “Tienes respuestas ponderadas por la evidencia”, dice Nadler, lo que significa que se tiene en cuenta la “calidad de la fuente de entrada”.
Cada modelo de lenguaje grande se comporta de manera diferente, pero la idea general es que componen respuestas al predecir la siguiente palabra más probable en una oración. Cuando los modelos tienden a dar respuestas incorrectas es cuando hay “muchas completaciones diferentes igualmente probables”, dice Uri Alon, investigador postdoctoral del Instituto de Tecnologías del Lenguaje de la Universidad Carnegie Mellon, que no está afiliado a OpenEvidence.
Si tomas un modelo que ha sido entrenado en internet y le preguntas sobre una persona famosa, es probable que tenga información biográfica correcta. Pero si le preguntas sobre una persona común de la cual no tiene datos de entrenamiento, podría generar una respuesta incorrecta, conocida como “alucinación”. Ahora bien, si proporcionas al modelo un conjunto de información, incluidos los datos biográficos de esa persona común, sería mucho más probable que lo haga correctamente. “Algunos enfoques te permiten no solo generar una respuesta consistente con los documentos que recuperas”, dice Alon. “Sino también extraer la oración exacta o el párrafo exacto que lo indica”.
Esta es la aproximación que está tomando OpenEvidence al proporcionar citas de los artículos de revistas de los que está extrayendo información. Sin embargo, Alon advierte que aunque los sistemas de recuperación aumentada pueden ayudar a reducir las alucinaciones, nada es infalible. Estos modelos siempre serán falibles de la misma manera que los humanos. “Si le das a un humano un montón de documentos o párrafos, permites que el humano los lea y luego responda preguntas, y también le pides al humano que te diga de dónde proviene su respuesta en esos documentos, incluso los humanos cometerían errores”, dice.
En este momento, OpenEvidence es gratuito para su uso por parte de los primeros usuarios que sean profesionales médicos con licencia. Parte de la razón para esto es la cantidad de potencia informática, y el gasto, que se requiere para ejecutar las consultas. Antonio Forte, profesor de cirugía plástica en la Clínica Mayo y miembro del consejo asesor médico de OpenEvidence, dice que utiliza UpToDate de manera regular. Forte comenta que la mayor diferencia al usar OpenEvidence en las últimas semanas ha sido el ahorro de tiempo. En lugar de tener que leer el equivalente a un capítulo de un libro, puede obtener una respuesta “en 30 segundos, no en 10 minutos”.
La esperanza es que otros trabajadores de la salud tengan una reacción similar a la de Forte. Nadler dice que aún no ha decidido sobre un modelo de ingresos. Está debatiendo entre un modelo basado en suscripción y uno basado en publicidad, pero se inclina hacia un modelo híbrido, un modelo basado en publicidad con una opción de suscripción adicional. Pero una cosa es segura. OpenEvidence no se convertirá en un chatbot para el paciente promedio. “Ese no es un problema técnico. Es un problema regulatorio y ético”, dice Nadler, razón por la cual quiere crear una herramienta para ayudar a los médicos y enfermeras, pero aún quiere que confíen en su juicio humano. “Hay un límite muy firme para cualquier daño concebible que pueda surgir del uso de la tecnología en un paciente, porque siempre está siendo intermediada por un profesional”.
Fuente Forbes
