AI in healthcare, a podcast

How A.I. Is Humanizing Healthcare with Dr. Eric Topol


Can A.I. and machine learning make healthcare more humane, loving, and passionate?

Dr. Eric Topol thinks so.

Dr. Topol (Website | Twitter) is a geneticist, medical researcher, and author of Deep Medicine. He has written over 1100 peer-reviewed articles and is one of the top most-cited medical researchers in the world.

In this episode, Chad sits down with Dr. Topol to talk about how A.I. and machine learning are putting the patient experience back at the forefront of healthcare. Dr. Topol also explains why you don’t actually own your own medical data and what steps we need to take to get it back.

Medicine as a data science

THE PATIENT WILL SEE YOU NOW
The Future of Medicine Is in Your Hands

Maybe the title is the most confounding factor of the new great book written by Eric Topol.  Once you have finished reading it, you'll be convinced that he set the expectations to high, ordinary people should develop certain skills beyond their capabilities to apply such concept. I would say that a greater part of the medicine is in your hands, not medicine at all. The rationale behind the book is that medicine digitization allows patients to know more about their disease and how to "manage" it in certain cases. The most important thesis is that future medicine has to be considered a data science. And this is exactly the impact of the digitization of diagnostic and treatment: pervasive application of Bayes theorem in clinical practice, using big data and analytics.(Remember my archimedes posts, surprisingly Topol forgot it).
The book includes many topics that those that follow this blog it would sound familiar, i.e. ch. 4 about Angelina Jolie and BRCA genetic tests, a must read. And chapter 5 is a journey on the new omics of the medicine, a topic that I have also covered in the blog.
Nowadays, Eric Topol is the writer that is able to capture what's going on in medicine and its impact on society. That's why this book is a key reference of our time and I strongly recommend it.

PS. If you don't believe me, check Forbes, NYT, WP, WSJ.
PS. The book is also an invitation to change the current academic programmes for life sciences universities. Better now than later.

Wired Health

Eric Topol information into action, Wired Health conference


Eric Topol: Information into Action at Wired Health from WIRED on FORA.tv

The deep side of medicine and the gift of time

Deep Medicine

Nowadays the impact of Artificial Intelligence in Medicine is unknown. Every other day you may hear about robots and how they will replace humans. Nobody knows about it, distrust charlatans. The only thing that is real is what is already happening. Eric Topol has tried to do this in his new book Deep Medicine. But at the same time he considers that AI will let physicians humanise medicine, "the gift of time", and says:

"As machines get smarter, humans will need to evolve along a different path from machines and become more humane"

This may be Eric Topol's desire, nothing to add. My view is quite different. I'm not sure about the contribution of AI to a humanised medicine . This has to do with professionalism, not with AI. And the incentives for professionalism are plunging, while commercialism is on the rise. This is the key issue.
The remaining elements of the book are of interest to explain the current state of advances in apps and tools for clinical decision making. You'll find helpful information and a great summary of AI in medicine. However, my suggestion is that you can forget the subtitle of the book: "How artificial intelligence can make healthcare human again". It's naïve.

Making healthcare more human

Eric Topol on making healthcare more human 

A weekly conversation that looks at the way technology is changing our economies, societies and daily lives. Hosted by John Thornhill, innovation editor at the Financial Times.

Eric Topol conversation on Deep Medicine book 

El nostre rellotge molecular

 The New Science of Aging Can Predict Your Future

Avui excepcionalment introdueixo un article d'Eric Topol al NYT traduït (per Google). Per guardar i reflexionar. El que està plantejant Topol és radical i modifica el plantejament de Geoffrey Rose, de dalt a baix. Ens caldrà llegir el seu nou llibre, Super Agers, que surt en tres setmanes, per copsar exactament el que proposa.

La nova ciència de l'envelliment pot predir el vostre futur

Opinió | Com viure més saludablement durant més temps - The New York Times

El somni de revertir l'envelliment ha captivat els humans durant segles, i avui la ciència està més a prop que mai d'assolir aquest objectiu. És a dir: encara està bastant lluny.

Això no és per falta d'intentar-ho. Alguns investigadors estan intentant reprogramar les cèl·lules per fer-les biològicament més joves, cosa que s'ha demostrat que inverteix les característiques de l'envelliment en animals més grans. Malauradament, això també pot provocar càncer. Altres investigadors estan estudiant fàrmacs anomenats senolítics, que tenen com a objectiu eliminar les cèl·lules envellides del cos. Tanmateix, també poden destruir altres cèl·lules que els humans necessiten per sobreviure.

Les transfusions de sang de ratolins joves semblen rejovenir els ratolins grans, però les empreses que ofereixen aquest tractament no provat per als humans estan cobrant molt per una teràpia potencialment perillosa. I tot i que alguns entusiastes de la longevitat prenen el fàrmac rapamicina perquè els estudis han demostrat que ajuda els animals a viure més temps, també debilita el sistema immunitari i nos'ha demostrat que funcioni en les persones.

Trobo que aquests esforços són intrigants i val la pena continuar. Però la majoria de la gent no només vol viure fins als 110 anys. Vol allargar el temps que viu lliure de malalties greus, un concepte conegut com a salut. Per això, l'enfocament més sensat és reduir la càrrega de tres grans malalties relacionades amb l'edat: el càncer, les malalties del cor i els trastorns neurodegeneratius, com la malaltia d'Alzheimer. Pot ser menys cridaner, però és més assolible que mai.

S'estima que almenys el 80% dels casos de malalties cardiovasculars, el 40% dels casos de càncer i el 45% dels casos d'Alzheimer es poden prevenir. Fins i tot amb un llarg retard (aquestes malalties poden trigar 20 anys o més a desenvolupar-se), els investigadors han lluitat per definir amb precisió el risc d'una persona amb prou antelació com per intervenir eficaçment. Per descomptat, algú pot fer-se una prova genètica i saber que té un risc més gran de patir la malaltia d'Alzheimer, però de què serveix això si no sap si la malaltia apareixerà aviat, als 95 o no?

En un futur proper, és possible que els metges no només puguin identificar si una persona té un alt risc de patir una malaltia greu relacionada amb l'edat; també poden predir quan és més probable que es manifesti aquesta malaltia i amb quina rapidesa podria progressar. Diversos descobriments recents de la ciència de l'envelliment fan que això sigui cada cop més possible.

Des de la dècada de 2000, els científics han utilitzat la seqüència genètica d'una persona per calcular el seu risc heretat de certes malalties. En els últims cinc anys, la quantitat de dades que el camp mèdic pot recollir sobre la salut d'una persona ha augmentat. Més enllà de les eines tradicionals, com ara els registres mèdics, els resultats de laboratori de rutina i les imatges, els metges poden extreure una sèrie de rellotges biològics que ajuden a fer un seguiment de l'envelliment del cos.

Per exemple, els científics ara poden mesurar milers de proteïnes d'un sol vial de sang per generar el que s'anomenen rellotges d'òrgans proteòmics. Aquests rellotges descoberts recentment poden estimar el ritme d'envelliment del cervell, el cor, el fetge, els ronyons i el sistema immunitari. Aquests rellotges poden revelar, per exemple, si el cor d'una persona envelleix més ràpidament que la resta del seu cos, com un mecànic de cotxes que descobreix que tot funciona com hauria de ser, excepte els frens posteriors. Altres rellotges moleculars poden calcular l'edat biològica d'una persona en comparació amb la seva edat cronològica. El més estudiat és l'anomenat rellotge epigenètic, una lectura de parts del nostre ADN que es poden extreure d'una mostra de saliva. Les noves anàlisis de sang també poden detectar els primers signes de les tres principals malalties relacionades amb l'envelliment.

La superposició de tota aquesta informació biològica amb els avenços recents en intel·ligència artificial permet als proveïdors de salut fer prediccions cada cop més sofisticades sobre la probabilitat d'una persona de desenvolupar una malaltia.

Preneu una persona que vulgui determinar el seu risc de patir la malaltia d'Alzheimer. Ara es pot sotmetre a una anàlisi de sang per a una proteïna que quantifica l'acumulació de placa al cervell associada a la malaltia. Aviat, un metge també podria utilitzar un rellotge d'òrgans proteòmics per avaluar si el seu cervell sembla estar envellint més ràpid que la resta del seu cos o analitzar una foto de la seva retina, una eina emergent que, quan es combina amb la IA, pot ajudar a estimar la probabilitat de desenvolupar la malaltia d'Alzheimer en els propers cinc o set anys. Hi ha proves similars que es poden fer per avaluar el risc de càncer i malalties del cor.

Aquest nivell de coneixement pot donar lloc a una nova manera d'abordar aquestes malalties: vigilància activa combinada amb canvis agressius d'estil de vida. Una persona considerada d'alt risc d'Alzheimer es pot sotmetre a avaluacions regulars i imatges cerebrals mentre pren mesures preventives per reduir el seu risc. Això podria incloure reduir els aliments ultraprocessats, augmentar l'activitat física i abordar qualsevol canvi en la pèrdua d'audició o visió, factors que poden influir en el declivi cognitiu. Els metges també podrien recomanar prioritzar el son, reduir l'alcohol i l'aïllament social o fer-se la vacuna contra el teules, que recentment s'ha demostrat que redueix el risc de demència. Alguns també podrien considerar prendre GLP-1, fàrmacs per a la diabetis i per perdre pes, que semblen reduir la inflamació nociva al cervell i al cos i que s'estan provant en assaigs clínics per prevenir l'Alzheimer.

Reunir aquesta informació mèdica i convertir-la en plans individuals per prevenir malalties cròniques és diferent de l'enfocament actual. Els protocols de detecció del càncer, per exemple, depenen en gran mesura de l'edat d'una persona. Aquí també és on els models d'IA poden beneficiar millor la medicina. Aquests models estan millorant en precisió i raonament i algun dia podrien incorporar dades dels nostres microbiomes intestinals o sistemes immunitaris per fer les prediccions de malalties encara més precises.

Fer-ho bé requerirà més estudi i inversió. No volem agreujar les desigualtats sanitàries fent que aquest tipus d'atenció mèdica només sigui accessible a uns pocs rics. Les reduccions importants de l'administració de Trump en el suport governamental a la investigació mèdica atenuaran aquestes perspectives.

Obtenir una injecció de sang juvenil o prendre l'últim suplement anti-envelliment de moda pot semblar una drecera per a una vida més llarga. Però allargar els anys que la gent viu sense la càrrega de les principals malalties relacionades amb l'edat és el que hauria de ser una prioritat nacional.

El Dr. Eric Topol és professor i vicepresident executiu de Scripps Research. És cardiòleg en exercici de la Clínica Scripps a La Jolla, Califòrnia. Aquest assaig està adaptat del seu proper llibre, "Super Agers: An Evidence-Based Approach to Longevity".

PS. Què cal fer per la prevenció de l'Alzheimer?

PS. La reflexió de Peter Singer sobre el suicidi assistit de Kahneman també es motiu de reflexió al NYT. 

PS. Podcast de la darrera entrevista a Daniel Kahneman

Defining roles and skills for digital health

The Topol Review
Preparing the healthcare workforce to deliver the digital future.

The NHS asked Dr. Eric Topol about the new health workforce and how digital health will change the current landscape. A must read:

This is an exciting time for the NHS to benefit and apitalise on technological advances. However, we must learn from previous change projects. Successful mplementation will require investment in people as well s technology. To engage and support the healthcare workforce in a rapidly changing and highly technological orkplace, NHS organisations will need to develop a learning environment in which the workforce is given very encouragement to learn continuously. We must better understand the enablers of change and create culture of innovation, prioritising people, developing an agile and empowered workforce, as well as digitally capable leadership, and effective governance processes
to facilitate the introduction of the new technologies, supported by long-term investment.

L'embut perfectament dissenyat i la necessària redefinició de les professions sanitàries

The political economy of corporatism in medicine: Self-regulation or cartel management?

When Pathology and Laboratory Medicine Becomes a Commodity and Health Care Becomes Both Its Customer and Owner

Fa més de tres dècades que en Peter Zweifel i en Rein Eichenberger van escriure un article significatiu sobre el corporativisme en medicina. En concret es fixaven en una qüestió que passa sovint desapercebuda, la delegació de les tasques regulatòries del govern en les organitzacions mèdiques. Fonamentalment, se centrava en les qüestions d'accés a la professió, nombre de professionals en formació sanitària especialitzada i tipus, o la definició de les especialitats. Deia que tot plegat, en els set països que analitzava, havia donat lloc a una densitat de metges (número de metges per càpita)que era diferent segons el nivell de corporativisme en medicina del país. I després afegia que un fort corporativisme reduïa l'impacte negatiu d'una major oferta de professionals en els ingressos econòmics dels metges.

Agafem un exempre recent. La setmana passada es va crear una nova especialitat que en diuen de Laboratori Clínic, a partir de la fusió de dues especialitats existents, Anàlisis Clíniques i Bioquímica. L'argumentació és magnífica, 

La evolución tecnológica va a seguir condicionando este tipo de estructuras organizativas en los centros sanitarios de mayor tamaño, donde se forman la mayoría de los especialistas, pero también va a condicionar el trabajo en centros comarcales, que van a requerir de especialistas más polivalentes.

El trabajo conjunto, en cualquiera de estas estructuras organizativas, no solo evita la fragmentación de la atención y el conocimiento, si no que genera el efecto contrario, unificando la atención a los y las pacientes e integrando conocimientos.

Con este proyecto, se persigue de esta forma mejorar la formación de los especialistas en Ciencias de la Salud, a la vez que se facilita la gestión de los recursos humanos en salud.

La tecnologia condiciona l'organització, punt. L'organització acaba rendint-se a la tecnologia. Però si és així, jo em pregunto per què han mantingut l'Anatomia Patològica al marge? L'anàlisi d'ADN circulant fa confluir també amb l'activitat dels patòlegs. Molts països ja ho han fet. I la fusió i redefinició d'especialitats hauria de continuar assenyadament en molts més casos. Ara bé, dir-ne Laboratorio Clínico és un disbarat per als annals de la història de la medicina. Aquest nom no és una especialitat, una disciplina mèdica, és tant sols un tros d'un edifici de l'hospital o d'una organització en general. La disciplina és la Medicina de Laboratori, el nom convencional europeu per aquesta especialitat. I quin hauria de ser el model d'especialitat i d'organització? . Doncs com a exemple mirar cap al Canadà i cap Alberta en particular donaria pistes del que cal fer. Aquesta taula ho resumeix:

Segurament a data d'avui caldria reescriure l'article de Zweifel i redefinir els papers de cadascú. Han passat moltes coses d'ençà d'aleshores. Però n'hi ha una que roman, l'escassetat de metges. I la pregunta que molts es fan, és per què hi ha escassetat?. Doncs que mirin qui decideix les places de forma efectiva, qui accepta que hi hagi determinada oferta i la resposta serà immediata. Molts diuen que el govern no ha planificat, i és cert. Però encara que hagués planificat té delegada la regulació parcialment en comissions de les especialitats i en la comissió nacional, així com els degans d'universitat, i també cal recordar-ho, hi tenim les decisions arbitràries de les comunitats autònomes. Unes comisions que en diuen assessores però que a la pràctica exerceixen com a lobby d'influència determinant i decisor. Mentre no es modifiqui el corporativisme i l'estructura legal que facilita la delegació de la regulació que deia Zweifel no hi haurà solució als problemes d'accés i qualitat a l'assistència per part de la població. 

Fa cinc anys Eric Topol va fer un informe per al NHS sobre com la digitalització modificaria la tasca dels professionals de la salut al NHS. Allà no l'hi han fet massa cas, però aquí ni tant sols hi ha un informe.

Resum. Hi ha un embut perfectament dissenyat. No hi ha el nombre ni tipus de metges que es necessiten per afrontar les tasques i disposar d'un accés digne als serveis. Tot el que observem com a resultat no és un error de planificació del nombre de metges, és exactament tal com s'ha previst que sigui, possiblement per deixadesa.

Hospital de la Santa Creu

El llenguatge de la vida

 

L'Eric Topol ens ofereix un resum d'alta qualitat per entendre el moment que viu la ciència mitjançant la intel·ligència artificial. 

Impressionant. Aquesta és la llista de grans models de llenguatge en ciències de la vida (LLLMs):

1. Evo. This model was trained with 2.7 million evolutionary diverse organisms (prokaryotes—without a nucleus, and bacteriophages) representing 300 billion nucleotides to serve as a foundation model (with 7 billion parameters) for DNA language, predicting function of DNA, essentiality of a gene, impact of variants, and DNA sequence or function, and CRISPR-Cas prediction. It’s multimodal, cutting across protein-RNA and protein-DNA design.

   Figure below from accompanying perspective by Christina Theodoris.

2. Human Cell Atlas A collection of publications from this herculean effort involving 3,000 scientists, 1,700 institutions, and 100 countries, mapping 62 million cells (on the way to 1 billion), with 20 new papers that can be found here. We have about 37 trillion cells in our body and until fairly recently it was thought there were about 200 cell types. That was way off—-now we know there are over 5,000.

   One of the foundation models built is Single-Cell (SC) SCimilarity, which acts as a nearest neighbor analysis for identifying a cell type, and includes perturbation markers for cells (Figure below). Other foundation models used in this initiative are scGPT, GeneFormeR, SC Foundation, and universal cell embedding. Collectively, this effort has been called th “Periodic Table of Cells” or a Wikipedia for cells and is fully open-source. Among so many new publications, a couple of notable outputs from the blitz of new reports include the finding of cancer-like (aneuploid) changes in 3% of normal breast tissue, representing clones of rare cells and metaplasia of gut tissue in people with inflammatory bowel disease.

3. BOLTZ-1 This is a fully open-source model akin to AlphaFold 3, with similar state-of-the-art performance, for democratizing protein-molecular interactions as summarized above (for AlphaFold 3). Unlike AlphaFold 3 which is only available to the research community, this foundation model is open to all. It also has some tweaks incorporated beyond AlphaFold 3, as noted in the preprint.

4. RhoFold For accurate 3D RNA structure prediction, pre-trained on almost 24 million RNA sequences, superior to all existing models (as shown below for one example).

5. EVOLVEPro A large language protein model combined with a regression model for genome editing, antibody binding and many more applications for evolving proteins, all representing a jump forward for the field of A.I. guided protein engineering.

6. PocketGen A model dedicated to defining the atomic structure of protein regions for their ligand interactions, surpassing all previous models for this purpose.

   

7. MassiveFold A version of AlphaFold that does predictions in parallel, enabling a marked reduction of computing time from several months to hours

8. RhoDesign From the same team that produced RhoFold, but this model is for efficient design of RNA aptamers that can be used for diagnostics or as a drug therapy.

9. MethylGPT Built upon scGPT architecture, trained on over 225,000 samples, it captures and can reconstruct almost 50,000 relevant methylation CpG sites which help in predicting diseases and gauging the impact of interventions (see graphic below).

   

10. CpGPT Trained on more than 100,000 samples, it is the optimal model to date fo predicting biological (epigenetic) age, imputing missing data, and understanding biology of methylation patterns.

11. PIONEER A deep learning pipeline dedicated to the protein-protein interactome, identifying almost 600 protein-protein interactions (PPIs) from 11,000 exome sequencing across 33 types of cancer, leading to the capability of prediction which PPIs are associated with survival. (This was published 24 October, the only one not in November on the list!)

Al KBR, Cartier-Bresson

I per aquí aprop, mentrestant anem venent privadament la recerca inicial finançada públicament i perdem l'oremus, mentre alguns se n'aprofiten. Desgavell perfectament dissenyat.