"Machine learning" y práctica clínica

@varelalaf

El machine learning es una rama de la inteligencia artificial que se basa en la idea de que los sistemas pueden aprender, identificar patrones y tomar decisiones con la mínima intervención humana, como ocurre, por ejemplo, con las previsiones del tiempo. Cuando yo era pequeño, los hombres del tiempo (entonces no había mujeres en estos menesteres) dibujaban las líneas isobaras en una pizarra donde hacían predicciones contando sólo con su experiencia y los cuatro datos que les llegaban desde los observatorios meteorológicos. Ahora, como que las previsiones las hacen los modelos, los meteorólogos se han convertido en comunicadores que tienen tiempo para comentar las fotos que les envían los espectadores, además de concienciar al personal sobre los efectos de la contaminación y del cambio climático.

Como es sabido, las máquinas no disponen de sentido común. Por lo tanto, necesitan muchos más datos que los humanos para aprender una tarea. La diferencia es que cuando los modelos han elaborado un algoritmo, a base de tragarse montañas de datos, son capaces de proponer soluciones muy efectivas, ya que la intuición no les juega una mala pasada, y además no son susceptibles de cometer errores.

En un contexto de machine learning avanzando por todas las áreas de la actividad humana, un equipo de Harvard Medical School ha analizado en qué medida el fenómeno se está introduciendo (o se introducirá) en la práctica clínica, análisis del que he hecho una extracto:

Proceso diagnóstico. Los modelos podrían dar apoyo al diagnóstico diferencial sugiriendo posibilidades que escapan al conocimiento de un médico en concreto, especialmente en los casos más complejos, y más extraños, en los que los errores diagnósticos son frecuentes.

Pruebas complementarias. Se trata de un campo de avance muy activo para el machine learning, donde ya se están viendo bastantes novedades, como las lecturas y dictámenes de imágenes radiológicas, de ECG, de análisis tisulares, de citologías, de fondo de ojo, de teledermatología o de pólipos de colon.

Elaboración de pronósticos. Una de las actividades clínicas más engorrosas para los médicos es tener que predecir la evolución de un proceso clínico determinado, ya que una cosa son las estadísticas y otra bien distinta adivinar qué le pasará a un paciente en concreto, situación que, además, siempre se da en un entorno de expectación y ansiedad. Por este motivo, poder contar con previsiones personalizadas elaboradas a partir de grandes bases de datos es de gran ayuda.

Elección de tratamiento. Para ciertas enfermedades, ofrecer a los pacientes cuál es el tratamiento más apropiado requiere que los médicos prescriptores estén muy actualizados y que sean capaces de explicar, de manera consistente, cuál es el balance entre efectividad y efectos adversos para cada una de las opciones. Un apoyo del machine learning en este campo es de gran utilidad.

Investigación clínica. Machine learning se convierte en un instrumento muy práctico para echar una mano en la búsqueda de la efectividad en el mundo real, en el sentido de que, una vez definidos los criterios de reclutamiento de pacientes, los médicos reciben avisos en el preciso momento que están atendiendo a personas con el perfil buscado por los investigadores.

Limitaciones del machine learning para la práctica clínica

El machine learning ha venido para quedarse y, por tanto, médicos y enfermeras deberían ver esta tendencia como una oportunidad para liberarse de un montón de tareas burocráticas y técnicas de escaso interés, para centrarse más en los pacientes y elevar la calidad de su trabajo. El informe de Harvard Medical School afirma, sin embargo, que la principal limitación para la introducción del machine learning en el trabajo asistencial es la mala calidad de los datos surgidos de historias clínicas no sólo fragmentadas sino que a menudo muestran carencias en la precisión de la información y, lo que es peor, en la fidelidad de lo que se recoge.

Imagínense que los modelos meteorológicos contaran con datos procedentes de observatorios que midieran temperaturas sesgadas, pluviómetros con goteras y anemómetros oxidados. Si fuera así, los hombres y las mujeres del tiempo deberían dedicar muchos esfuerzos a atender reclamaciones, en lugar de comentar las nubes de las hermosas fotos que les envían los espectadores, ahora ya metidos de lleno en el show de la meteorología.

Jordi Varela

Editor