Una cosa es desarrollar un algoritmo médico y otra muy distinta demostrar que realmente funciona. Para hacer eso, necesita algo crucial que es difícil de conseguir: datos médicos. Y una startup está lista para proporcionar eso en abundancia, junto con las herramientas para facilitar los estudios de validación.
Gesund, fundada en 2021, emergió con una ronda semilla de 2 millones liderada por 500 Global. La compañía ya ha recorrido un largo camino, con plataformas viables, 30 clientes en su canal de ventas e ingresos esperados este trimestre, dijo elfundador Enes Hosgor.
Gesund es básicamente una Organización de Investigación por Contrato (CRO) para empresas de IA que desarrollan algoritmos médicos o académicos que prueban sus propios modelos. De la misma manera que una CRO puede diseñar un ensayo clínico para una empresa de medicamentos o dispositivos médicos, la plataforma de Gesund selecciona datos que permiten a las empresas de IA probar sus propios productos y crea la infraestructura de TI para que la comparación se realice sin problemas.
“Me gusta pensar en nosotros como una empresa de operaciones de aprendizaje automático”, dijo Hosgor. “Nosotros no hacemos algoritmos”.
Un algoritmo médico es tan bueno como los datos con los que se entrena, y es evidente de que obtener conjuntos de datos diversos y utilizables puede ser un desafío. Por ejemplo, un estudio publicado en JAMA en 2020 analizó 74 artículos científicos que describen algoritmos de aprendizaje profundo en disciplinas como radiología, oftalmología, dermatología, patología, gastroenterología y patología; El 71% de los datos utilizados en estos estudios provienen de Nueva York, California y Massachusetts.
De hecho, 34 estados de EE. UU. no contribuyeron con ningún dato a la canalización que se había utilizado para entrenar estos algoritmos, lo que cuestiona cuán generalizables podrían ser para una población más amplia.
El problema también existe en diferentes tipos de proveedores de atención médica. Se podría entrenar un algoritmo sobre datos recopilados en un hospital académico grande y reconocido. Pero si se desea implementar eso en un pequeño hospital comunitario, no hay garantía de que funcione en ese entorno tan limitado.
En conjunto, los conjuntos de datos utilizados para entrenar algoritmos son, en general, más pequeños de lo que deberían ser, según una meta-revisión de 152 estudios publicados en el BMJ. Naturalmente, hay algunos casos algorítmicos de éxito, pero el problema del volumen de datos es un problema en toda la industria.
La tecnología por sí sola no puede resolver todos estos problemas; no puede ordenar o proporcionar datos que no están existen antes. Por ejemplo, estudios genéticos para personas de ascendencia no europea, que brillan por su ausencia. Pero Gesund se enfoca estrictamente en un problema en el que la tecnología podría ayudar: facilitar el acceso a los datos existentes y crear asociaciones que abran nuevas vías para compartir datos.
Una captura de pantalla de la plataforma de validación de Gesund.
La fuente de datos de Gesund proviene de «acuerdos de intercambio de datos existentes con sitios clínicos», dijo Hosgor. En este momento, Gesund se centra en los datos de imágenes recopilados en el Centro Médico de la Universidad de Chicago, el Hospital General de Massachusetts y la Charité de Berlín. (La compañía planea extenderse más allá de la radiología en el futuro).
Otros, como el Proyecto de ciencia abierta Nightingale que proporcionará conjuntos de datos clínicos de forma gratuita a los investigadores (no afiliados al plémico proyecto de “Proyecto Ruiseñor”). Pero si bien los datos en sí mismos son una pieza clave, es realmente el conjunto tecnológico lo que Hosgor ve como el arma secreta de la empresa.
“Todo el mundo hace ML (Machine Learning) en la nube”, explicó Hosgor. “Y debido a que el proveedor de atención médica stándar no tiene una nube, todo eso acaba antes de empezar”, dijo. “Hemos construido conjunto tecnológico que puede residir en las instalaciones, dentro de un firewall de un hospital. No se basa en ningún servicio gestionado de terceros”.
A partir de ahí, la plataforma incluye una interfaz de “bajo código”. En resumen, los médicos y los proveedores pueden básicamente arrastrar y soltar los conjuntos de datos que necesitan y probar sus propios algoritmos con esos datos.
“Tenemos una antigüedad de seis meses, pero nos pusimos en marcha y creamos este primer producto que permite a los propietarios de modelos ejecutar sus algoritmos contra los datos para producir métricas de precisión sobre la marcha, en entornos de alto cumplimiento donde no tienen acceso a los recursos de la nube. Esa es nuestra clave secreta”, explicó.
Por el momento, Gesund, al igual que Nightingale, ofrece algunos de sus servicios de forma gratuita. La Community Edition de la compañía permite a los académicos con algoritmos existentes probar sus algoritmos de forma gratuita (pero también tendrán que cargar sus propios conjuntos de datos).
Mientras tanto, son las empresas de IA las que pagarán la factura de la versión “premium” de la empresa. Esto, dice Hosgor, dará a los clientes que pagan acceso a conjuntos de datos validados. Y hay pruebas de que pagarán por los datos que necesitan. Por el momento, Gesund afirma tener una cartera de 30 clientes potenciales y espera generar ingresos este trimestre.
«Estuvimos en RSNA en Chicago en noviembre pasado y todas las empresas de IA con las que hablamos dijeron ‘sí, necesito evidencias de los resultados'».
La ronda previa a la semilla de 2 millones de dólares representa todos los fondos de Gesund, pero Hosgor espera que la compañía recaude nuevamente este año. En un futuro próximo, la empresa se centrará en I+D y ampliará sus asociaciones clínicas en Estados Unidos y Europa.
