La tecnología utilizada por Facebook, Google y Amazon para convertir el lenguaje hablado en texto, reconocer rostros y administrar estrategias de publicidad 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 disemina fácilmente en los hospitales, causando 453,000 casos al año y 29,000 muertes en los Estados Unidos, según un estudio de 2015 publicado en 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 C-diff 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 un paciente de desarrollar 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 como 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 internaciones en el Hospital General de Massachusetts y en el Sistema de Salud de la Universidad de Michigan, buscando conexiones entre los casos de CDI 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 los 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, a la vez que se ha abaratado. En el pasado, la creación de un algoritmo de aprendizaje automático requería redes de computadoras; ahora se puede hacer en una laptop.
Los algoritmos de aprendizaje automático ahora pueden diagnosticar confiablemente el cáncer de piel (a partir de fotografías) y el cáncer de pulmón, y 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.
Si se adopta a gran escala, estas tecnologías podrían ahorrar mucho tiempo y dinero. Pero también puede ser un cambio disruptivo.
“El hecho que hayamos identificado posibles formas de eliminar los costos es una buena noticia. El problema es que a las personas que pueden ser desplazadas no les va a gustar, por lo que habrá resistencia”, dijo Eric Topol, director del Scripps Translational Science Institute. “Socava la forma en que los radiólogos hacen su trabajo. Su principal tarea es leer escaneos: ¿qué sucederá cuando ya no tengan que hacerlo?”.
El cambio puede no dejar a muchos médicos sin trabajo, dijo Topol, quien fue coautor de una pieza en JAMA que explora el tema. Más bien, probablemente los empujará a encontrar nuevas formas de aplicar su experiencia. Por ejemplo, podrán enfocarse en diagnósticos más desafiantes en los que los algoritmos siguen siendo insuficientes, o interactuar más con los pacientes.
Más allá de esta frontera, 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 voz de la máquina, a decisiones médicas clave. Los médicos y los pacientes tardarán en acostumbrarse.
“Hará una gran diferencia en cómo se toman las decisiones médicas: estarán mucho más impulsadas por los datos de lo que solían estar”, opinó 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.
Esta historia fue producida por Kaiser Health News, un programa editorial independiente de la Kaiser Family Foundation.