Los mismos algoritmos que usan Facebook y Google están a punto de predecir tu riesgo de enfermarte

Ya existen 'robots' que diagnostican el cáncer de piel a partir de fotografías y esto es solamente el comienzo. Cada vez más la tecnología facilita el trabajo de los doctores, lo que beneficia a los pacientes y promete revolucionar la industria de salud.

La tecnología utilizada por Facebook, Google y Amazon para convertir el lenguaje oral en texto, reconocer rostros y administrar estrategias de publicidad pronto podría ayudar a los médicos a combatir a uno de los asesinos más letales en los hospitales estadounidenses.

Clostridium difficile (C-diff), una bacteria mortal que se transmite por contacto físico con objetos o personas infectadas, se extiende fácilmente por los hospitales, causando 453,000 casos al año y 29,000 muertes en los Estados Unidos según un estudio de 2015 publicado en el New England Journal of Medicine. Las estrategias tradicionales, como promover la higiene y señales de advertencia generalmente no logran detenerla.

Pero, ¿y si fuera posible detectar a los pacientes vulnerables que la bacteria atacará? Erica Shenoy, especialista en enfermedades infecciosas del Hospital General de Massachusetts, y Jenna Wiens, científica en computación y profesora asistente de ingeniería en la Universidad de Michigan, intentaron justamente eso cuando crearon un algoritmo para predecir el riesgo de que un paciente desarrolle una infección por C-diff, o CDI. Según las investigadoras, este método –que utiliza signos vitales de los pacientes y otros registros de salud, y que aún está en fase experimental– debería formar parte de las rutinas hospitalarias.

El algoritmo CDI, basado en una forma de inteligencia artificial llamada aprendizaje automático, está listo para pasar al mundo real, dijo Zeeshan Syed, quien dirige el Programa de Inferencia Clínica y Algoritmos de la Universidad de Stanford.

El aprendizaje automático (ML) se basa en redes neuronales artificiales que imitan la forma en que aprenden los cerebros de los animales.

Por ejemplo, puede reproducir la forma en que un zorro mapea nuevos terrenos, respondiendo a olores, imágenes y ruidos, y cómo continuamente adapta y refina su comportamiento para maximizar las probabilidades de encontrar su próxima comida.

El algoritmo CDI de Shenoy y Wiens analizó un conjunto de datos de 374,000 internos en el Hospital General de Massachusetts y en el Sistema de Salud de la Universidad de Michigan, buscando conexiones entre los casos de Clostridium difficile y las circunstancias detrás de ellos.

Los registros contenían más de 4,000 variables distintas. "Tenemos datos relacionados con todo, desde resultados de laboratorio hasta en qué cama está el paciente, quién está junto a esa persona y si están infectados. Incluimos todos los medicamentos, resultados de pruebas y diagnósticos. Y recopilamos esta información a diario", explicó Wiens. “Queríamos capturar la evolución del riesgo”, agregó.

A medida que el sistema analiza estos datos en repetidas ocasiones, extrae señales de advertencia de enfermedades que los médicos pueden pasar por alto: constelaciones de síntomas, circunstancias y detalles de la historia médica que probablemente causen una infección en algún momento de la estadía en el hospital.

Tales algoritmos, que ahora son comunes en el comercio por Internet y las finanzas, no se han probado todavía mucho en medicina y salud. En Estados Unidos la transición de informes médicos escritos a electrónicos ha sido lenta y el formato y la calidad de los datos todavía varían según el sistema de salud y la práctica médica, creando obstáculos para los científicos expertos en informática.

Pero el poder de estas tecnologías ha crecido exponencialmente y además se ha abaratado. Por ejemplo, en el pasado, la creación de un algoritmo de aprendizaje automático requería redes de computadoras, mientras que ahora se puede hacer en una computadora portátil.

Diagnosticar el cáncer de piel a partir de imágenes

Los algoritmos de aprendizaje automático ahora pueden diagnosticar de forma confiable el cáncer de piel (a partir de fotografías) y el cáncer de pulmón, y también predecir el riesgo de convulsiones.

Lily Peng, científica investigadora de Google, dirigió un equipo que desarrolló un algoritmo de aprendizaje automático para diagnosticar el riesgo de un paciente de retinopatía diabética a partir de un escáner de retina.

El año pasado, la Administración de Alimentos y Medicamentos (FDA) aprobó el primer algoritmo médico de aprendizaje automático para uso comercial de la empresa Saner Arterys.

Su algoritmo, llamado 'DeepVentricle', realiza en 30 segundos una tarea que los médicos suelen hacer a mano: dibujar los contornos de los ventrículos de múltiples imágenes de resonancia magnética del músculo cardíaco en movimiento para calcular el volumen de sangre que circula. Eso habitualmente toma un promedio de 45 minutos. " Se está automatizando algo que es importante y tedioso de hacer", dijo Carla Leibowitz, directora de estrategia y marketing de Arterys.


"El hecho de que hayamos identificado posibles formas de reducir costos es una buena noticia. El problema es que a las personas que pueden ser desplazadas por las máquinas no les va a gustar, por lo que habrá resistencia", admitió Eric Topol, director del Scripps Translational Science Institute. "Socava la forma en que los radiólogos hacen su trabajo. Su principal tarea es leer escáneres: ¿qué sucederá cuando ya no tengan que hacerlo?”.

El cambio no tiene por qué dejar a muchos médicos sin trabajo, argumenta Topol, coautor de un artículo en JAMA sobre el tema donde asegura que más probable es que los empuje a encontrar nuevas formas de aplicar su experiencia. Por ejemplo, podrán enfocarse en diagnósticos más complicados en los que los algoritmos siguen siendo insuficientes, o interactuar más con los pacientes.

Más allá de esta limitación, los algoritmos pueden proporcionar un pronóstico más preciso para el curso de una enfermedad, lo que podría reconfigurar el tratamiento de condiciones progresivas o abordar las incertidumbres en la atención al final de la vida. Pueden anticipar infecciones de rápido movimiento como la CDI y dolencias crónicas como la insuficiencia cardíaca, permitiendo intervenciones tempranas y reduciendo el costo de la enfermedad.

Pero, a pesar de la esperanza científica, el aprendizaje automático en medicina sigue siendo un terreno desconocido en muchos aspectos. Por ejemplo, agrega una nueva voz (la de la máquina) a decisiones médicas clave. Los médicos y los pacientes tardarán en acostumbrarse.

Más peso a la data

" Hará una gran diferencia en cómo se toman las decisiones médicas: los datos serán mucho más determinantes", señaló John Guttag, profesor de informática del Massachusetts Institute of Technology. Los médicos confiarán en estas herramientas cada vez más complejas para tomar decisiones, pero "no tienen idea cómo funcionan". Y, en algunos casos, será difícil descubrir por qué se ofrecieron malos consejos.

Por otra parte, mientras que los datos relacionados con la salud continúan proliferando, la cantidad, calidad y el formato varían dependiendo de cada institución, y esto afecta a la manera en que estos algoritmos 'aprenden'. "Este es un asunto importante a la hora de elaborar modelos", dijo Jimeng Sun, científico de Georgia Tech. "La información no se recoge con propósitos de investigación. Los datos se recogen como un subproducto de los cuidados del día a día, y se utilizan principalmente para temas de facturación. Hay muchas interferencias con esta información".

Esto también significa que los datos de salud pueden ser inconsistentes, incluso cuando se trata de los registros de un paciente individual. Además, cada sistema tiene sus particularidades: un algoritmo desarrollado con datos de un hospital o sistema de salud puede que no funcione bien en otro. "Necesitas un modelo diferente para cada institución, y estos modelos se convierten en algo frágil, por así decir", señaló Sun. El científico está estudiando el desarrollo de algoritmos que funcionen en diferentes instituciones con una beca del Instituto Nacional de Salud.

El aluvión de datos de salud disponibles continúa creciendo y seduciendo a los científicos. "Piensa en todos los datos de salud que estamos recogiendo ahora mismo. Ficheros electrónicos con datos de salud, hospitalizaciones, centros ambulatorios, en el hogar. Estamos comenzando a recoger grandes cantidades de información en monitores personales. Todos esos datos son valiosos de maneras que todavía no conocemos", explicó Wiens.

Esta historia fue producida por Kaiser Health News, un programa editorialmente independiente de la Kaiser Family Foundation

RELACIONADOS:InternetFacebookGoogleAmazon