[column col=”1/3″]
[/column]
Primero fueron los dispositivos portátiles para medir la presión arterial o para hacer electrocardiogramas en cualquier lugar. Luego vinieron las aplicaciones móviles (apps) para monitorear parámetros en quienes hacían ejercicio físico. Hoy, la moda son los relojes que chequean la frecuencia cardíaca y pueden emitir un alerta ante la fibrilación auricular. Pero todos estos aparatos son meros “juguetes para niños” ante el panorama que se avecina con la aplicación de algoritmos inteligentes a la Cardiología.
El mercado mundial de smart wereables (dispositivos usables, como relojes, auriculares que traducen idiomas, parlantes inteligentes que responden preguntas, cascos para inmersión en realidad virtual, etcétera) alcanzará los 180.000 millones de dólares en el año 2025, según un reciente informe. Pero la inteligencia artificial irá mucho más allá, prometen los gurúes tecnológicos. Después de todo, ya es posible analizar mediante una computadora 260 millones de imágenes en un día y a un costo de mil dólares. Descubrir patrones diagnósticos en las imágenes y aplicar este conocimiento a la clínica está más cerca de lo que se cree.
En verdad, la inteligencia artificial se viene anunciando hace años como una revolución en la salud global. Si bien hay consenso en que difícilmente los algoritmos reemplacen el arte de los clínicos para diagnosticar en contextos de incertidumbre, ni consigan reproducir los efectos benéficos de la relación médico-paciente, los expertos en inteligencia artificial sostienen que el análisis del Big Data proporcionado por las historias clínicas electrónicas y la secuenciación genómica, unido al software de aprendizaje computacional, disminuirán muy pronto los errores médicos, apurarán los tiempos de diagnóstico y contribuirán a la tan mentada medicina de precisión.
Tildadas por algunos críticos como “espejitos de colores” para tecno-optimistas, las nuevas técnicas inteligentes para el análisis de datos están, sin embargo, empezando a dar frutos. Los análisis que asocian variantes genéticas con biomarcadores o enfermedades permiten ya adaptar tratamientos a las características individuales del paciente (o, al menos, de sus tumores).
Lo que comenzó como un traje a medida para la Oncología, hoy está volcándose a otras especialidades médicas, desde la Radiología hasta la Oftalmología. Por ejemplo, un algoritmo entrenado con estudios de retina en Singapur permite ya diagnosticar retinopatías diabéticas en Zambia mediante un teléfono móvil. Por su parte, científicos chinos y norteamericanos desarrollaron un sistema de diagnóstico automático de enfermedades pediátricas basado en el análisis por inteligencia artificial de 1,3 millones de historias clínicas. El sistema obtuvo un 95% de precisión en el diagnóstico de enfermedades típicas de los niños, como las de las vías aéreas superiores, aseguran los investigadores liderados por Kang Zhang, de la Universidad de California en San Diego.
Si bien este sistema de inteligencia artificial pediátrica es aún experimental, el sistema Watson de Oncología de IBM y el sistema Babylon, que ofrece recomendaciones médicas para síntomas frecuentes de los pacientes, ya están en práctica en algunas decenas de lugares. El chatbot de Babylon, un agente virtual que puede conversar como si fuera un humano, hoy se usa para hacer triage y resolver consultas virtuales en Ruanda, con el respaldo del NHS de Gran Bretaña.
Sistema Babylon. El chat permite resolver consultas por síntomas frecuentes y hacer triage.
Ya se pueden utilizar las búsquedas de Google para detectar incipientes brotes de gripe. También se está utilizando el “machine learning” –aprendizaje computacional basado en el análisis de millones de datos- para interpretar mamografías con la misma facilidad con que Netflix recomienda series; para predecir fracturas de cadera como si fueran rostros peligrosos en los puestos de migraciones; y para diagnosticar melanomas con mayor precisión que un dermatólogo.
Tasa de enfermedad gripal durante el mes de abril en Inglaterra, a partir de búsquedas realizadas en Google. Fuente: https://fludetector.cs.ucl.ac.uk/?start=2019-04-02&end=2019-05-02&resolution=day&smoothing=0&model_regions-0=7-e
En 2017, Stephen Weng y sus colegas de la Universidad de Nothingham publicaron el primer estudio que mostró que el machine learning puede mejorar la predicción del riesgo cardiovascular a partir de datos clínicos de rutina. Ahora, los científicos británicos publicaron un nuevo estudio en el que mostraron que las redes neuronales artificiales y otras técnicas de inteligencia artificial predicen mejor que los modelos epidemiológicos tradicionales la mortalidad prematura en una población de mediana edad.
El deep learning, que comprende tanto el procesamiento del lenguaje natural como el reconocimiento de imágenes, se utiliza ya para evaluar ecocardiogramas en forma automática, sin necesidad de asistencia de un especialista https://www.ahajournals.org/doi/10.1161/CIRCULATIONAHA.118.034338. La inteligencia artificial también ha permitido predecir, a partir del resultado de un electrocardiograma de 12 derivaciones, qué pacientes con dolor de pecho en la guardia requerirán un urgente procedimiento de revascularización. Según nuevos estudios, los algoritmos inteligentes pueden analizar datos de imágenes y entrenarse para poder predecir ataques cardíacos con más precisión que un cardiólogo y, además, prevenir la realización de estudios cardíacos innecesarios en pacientes con angina estable.
Claro que para desarrollar algoritmos inteligentes que permitan hacer diagnósticos automáticos y tomar decisiones médicas en segundos es preciso utilizar enormes bases de datos claramente organizados. Y esos datos pertenecen a pacientes. ¿Querremos darles a las máquinas acceso a todos nuestros datos vitales para decidir cómo y cuánto tenemos que vivir? ¿Podremos negarnos a ello?
Innovación y regulación
“El problema mayor en la actualidad con los programas diagnósticos para pacientes es la falta de evaluación clínica rigurosa”, subrayó Hamish Fraser, especialista en bioinformática de la Universidad de Brown, en Estados Unidos. “Hasta el momento, los estudios han sido pequeños y no han utilizado datos reales de los pacientes, de modo que no sabemos si un sistema como Babylon funciona con un paciente que se presenta con una gran diversidad de problemas clínicos”, evaluó Fraser.
“Más allá de las promesas de la salud digital, los avances técnicos hasta el momento superaron las regulaciones éticas que deberían garantizar una implementación apropiada”, advirtió el editorial inaugural de la revista The Lancet Digital Health. “La industria privada está conduciendo la transformación digital de la salud con pocas garantías de que las herramientas estén rigurosamente validadas o se desarrollen para satisfacer las necesidades del paciente”.
Hasta un entusiasta partidario de la aplicación de la inteligencia artificial, como Eric Topol, suele destacar las limitaciones actuales de los sistemas inteligentes. Según el autor del libro “Deep Medicine”, el uso de inteligencia artificial está empezando a tener impacto en tres niveles: para los clínicos, ofrece una interpretación rápida y precisa de imágenes; para los sistemas de salud, puede reducir los errores médicos y mejorar el workflow; y para los pacientes, puede ayudarlos a procesar sus datos vitales de modo de promover su salud. Sin embargo, dice Topol, la inteligencia artificial tiene problemas de sesgo, privacidad, seguridad y falta de transparencia que deben ser tomados en cuenta antes de aplicar los algoritmos a pacientes.
“La exageración ha superado por mucho el estado de la ciencia en inteligencia artificial, especialmente cuando se trata de validación e implementación en el cuidado del paciente”, escribió Topol en un reciente artículo publicado en Nature. El potencial iatrogénico de un algoritmo es mayor que el de un médico humano, advierte el cardiólogo norteamericano, y la Medicina nunca podrá funcionar como un vehículo autónomo sin chofer.
“Actualmente, todos los algoritmos basados en deep learning se comportan como una caja negra: la lógica interna de los modelos de aprendizaje computacional es difícil de explicar y los médicos que los utilizan no reciben explicaciones sobre las recomendaciones ofrecidas por los sistemas. Esto aumenta la incertidumbre”, reconocen especialistas en Data Science de la Universidad de Pekin en el British Medical Journal. Con todo, Luxia Zhang y sus colegas creen que los problemas de la inteligencia artificial podrán ser superados en el futuro con la validación de los algoritmos mediante estudios epidemiológicos y clínicos.
La validación de los algoritmos en contextos reales es central para la aplicación de la inteligencia artificial a la Medicina. Según un estudio reciente, sólo el 6% de los algoritmos utilizados para el análisis diagnóstico de imágenes fueron externamente validados.
La Oficina de Drogas y Alimentos (FDA) de los Estados Unidos parece haber tomado nota del lado oscuro de la inteligencia artificial y anunció que emitirá próximamente una serie de regulaciones basadas en sugerencias para las aplicaciones médicas. Pero lo cierto es que la inteligencia artificial impone desafíos muy diferentes a los de los fármacos y dispositivos médicos tradicionales, ya que una de las claves de estos algoritmos es que puedan seguir adaptando su funcionamiento a medida de que analizan nuevos datos.
¿Será preciso establecer una tecnovigilancia para la inteligencia artificial similar a la farmacovigilancia que se utiliza actualmente para las drogas? ¿Podrán regularse los sistemas de inteligencia artificial para cuidar la privacidad de los pacientes?¿Se permitirá que los algoritmos tomen decisiones sin saber los mecanismos que involucran y sin la intervención de un médico humano?¿Aumentarán las inequidades existentes en los sistemas de salud?
La clave a futuro, dice Topol, será combinar la inteligencia humana con la artificial para cuidar al paciente con precisión. Por el momento, el cardiólogo afirma que “la salud es demasiado preciosa para dejársela a las máquinas, excepto para trabajos rutinarios con mínimos riesgos”.
Por Alejandra Folgarait
