En un artículo anterior hablábamos de cómo han influido los tres procesos de democratización en el uso de la Inteligencia artificial. En este artículo seremos más prácticos y vamos a ver cómo nos puede ayudar la Inteligencia Artificial y el uso de los datos para que los algoritmos encuentren lo que, a veces, no llegamos a ver.
Datos que enseñan a aprender
Vamos a imaginar que se dispone de una cantidad ingente de radiografías que van a ser tanto de personas sanas como de personas a las que se les ha detectado alguna patología (por ejemplo, un tumor). Además, en esas radiografías, deberán figurar tanto los datos demográficos de los pacientes así como el diagnóstico final. Si contamos con todos estos “datos”, se pueden empezar a utilizar tecnologías de machine learning, en lo que se denomina “entrenamiento supervisado”. Como dato, todas las pruebas diagnósticas de cualquier paciente se encuentran en la Historia Clínica Digital, y, entrando más en detalle, las radiografías, en unos sistemas llamados PACS (Picture Archiving Communication System).
El entrenamiento supervisado, en este caso, consistiría precisamente en eso, en entrenar a un algoritmo para que sea capaz de decirnos si en una radiografía encuentra, o no, un tumor, de igual manera que lo haría un especialista. Lógicamente, este proceso implica una metodología en todas sus fases. Previamente los científicos tienen que entender, limpiar y preparar los datos origen para los algoritmos y, después, deben separar conjuntos de datos de test para validar más adelante que el algoritmo está funcionando de manera correcta. También eliminan datos incompletos o inválidos y normalizan los datos.
Se trata de buscar el mejor algoritmo a entrenar de los que se encuentran en las librerías disponibles en Internet y ajustar sus parámetros de entrada. Con paciencia y bastantes ciclos de GPU, se obtiene un algoritmo entrenado, que es capaz de saber si, en una radiografía, hay o no un tumor con una fiabilidad similar a la de un especialista humano. Este es el caso más sencillo y habitual, casi un clásico, del uso de la inteligencia artificial en salud.
Los algoritmos si se equivocan
El caso de uso mostrado también nos conduce a pensar en los riesgos de la aplicación de la inteligencia artificial en salud y, es que, los algoritmos, como las personas, pueden equivocarse. De hecho, tienen un “grado” de fiabilidad que consta de varios índices (precisión, sensibilidad, F1, etc.) siendo la falta de transparencia y la presencia de sesgos uno de los problemas más habituales en lo que se refiere a la aplicación de la IA en salud.
Si hay un problema, ¿quién es el responsable? ¿el que utilizó el algoritmo?, ¿el que lo proporcionó?, o ¿el que lo programó? Recordemos que un problema en el ámbito clínico puede implicar tanto responsabilidades civiles como penales.
Es entonces cuando aparecen las llamadas “brechas de responsabilidad”, lejos de estar resueltas con la legislación actual, además del problema de la privacidad y seguridad de todo el proceso, que, como supondrá, debe haber sido incorporadas al diseño desde el origen.
Más usos de la IA en salud
En nuestro ejemplo nos hemos centrado en la aplicación de la inteligencia artificial en el diagnóstico por imagen, pero puede aplicarse a otros ámbitos de la salud. Algunas de las aplicaciones que se están usando actualmente de la inteligencia artificial pasan por la digitalización y normalización de las historias clínicas de los pacientes, el uso en salud pública (prevención, seguimiento y pronóstico de pandemias), en el desarrollo de nuevos fármacos (identificando las moléculas más prometedoras para su incorporación a los ensayos clínicos), en la lucha contra el cáncer (auxiliando en la identificación del perfil molecular de los tumores para un tratamiento más personalizado) e, incluso, en medicina reproductiva (selección de embriones más adecuados para un desarrollo fetal) y la lista de aplicaciones crece día a día.
Todos esos usos de los que hablamos siguen una regla fija: nos ayudan a ver cosas que nosotros ya vemos. Pero, nos damos cuenta de su verdadero potencial, cuando los algoritmos nos pueden permitir ver cosas que nosotros no vemos…
Hace un tiempo se hizo relativamente famoso el algoritmo que había sido entrenado, a modo experimento, para determinar si un paciente era hombre o mujer a partir de una retinografía (imagen del fondo del ojo). El algoritmo era capaz de determinar el sexo del paciente pero, lo asombroso, es que ningún oftalmólogo es capaz de identificar el sexo de una persona a partir de la imagen de su fondo de ojo. ¿Qué veía el algoritmo en la imagen que los humanos no vemos? Tampoco se sabía, debido al problema de que no se puede explicar cómo operan los algoritmos. La conclusión es que los algoritmos son capaces de ser entrenados para ver cosas que nosotros no somos capaces de ver y, además, se puede testar su precisión al hacerlo.
Esto ha servido para poner aplicaciones en marcha como la publicada a finales de 2021 en referencia al desarrollo realizado en el Hospital de La Princesa de Madrid. En este caso, los médicos y científicos de datos contaban con un número grande de electrocardiogramas en formato digital, con sus diagnósticos en cuanto a la presencia de fibrilación auricular.
Al igual que en el ejemplo que poníamos de las radiografías, siguieron su metodología en todos lo procesos. Primero, en base a casos con y sin diagnóstico de fibrilación auricular, entrenaron un algoritmo capaz de detectar dicha dolencia en un electrocardiograma. Pero estos expertos tenían un as en la manga, pues contaban también con muchos electrocardiogramas de los mismos pacientes de dos años antes, cuando todos estaban sanos, por lo que probaron a entrenar el algoritmo para, usando los electrocardiogramas de hace dos años, tratar de detectar la enfermedad con el diagnóstico de dos años después, algo que no eran capaces de hacer los cardiólogos ni el primer algoritmo. Y tuvieron éxito. Consiguieron un algoritmo que, sobre un electrocardiograma de una persona, aparentemente sana, era capaz de “anticiparse” al diagnóstico de fibrilación auricular, lo cual es un gran avance porque, adelantar el diagnóstico de la enfermedad, permite tratar antes y obtener un mejor resultado en salud.
Estrategia de Salud Digital del Sistema Nacional de Salud
Estamos, probablemente, en el año del data lake sanitario. Y es que ya hace más de un año de la presentación de la Estrategia de Salud Digital del Sistema Nacional de Salud. En dicha estrategia, entre las áreas de intervención estrella, se encontraba la creación del Espacio Nacional de Datos Sanitarios, un gigantesco Big Data que agrupará los datos sanitarios procedentes de todas las historias clínicas electrónicas, tanto públicas como privadas, de todos los españoles.
Y es este año en el que están saliendo las licitaciones que van a permitir su construcción en los próximos. Más allá de la utilidad del data lake en hacer ubicua la atención, agrupar todos los datos sanitarios tiene un objetivo que es dotar de datos a los algoritmos y construir utilidades a partir de los mismos, como ya comentábamos con el supuesto uso para reconocer tumores en radiografías y la posibilidad de llegar a ver cosas que nosotros no vemos (como adelantarse al diagnóstico de enfermedades).
¿Qué es lo siguiente? Como ya comentamos en este mismo blog, constantemente proporcionamos datos. Mi reloj está constantemente supervisando el latido de mi corazón, mi teléfono inteligente escuchando mi voz….
Vamos a hacer un ejercicio de “salud-digital-ficción”. En el futuro, todos mis datos sanitarios estarán almacenados en un gigantesco Big Data. Incluso mi ADN secuenciado estará allí. Los algoritmos revisarán continuamente esos datos en busca de posibles patologías para adelantar y prevenir aquellos procesos adversos a mi salud. Pero, además, un flujo contante de datos estará también nutriendo constantemente mi información a partir de mis wearables, por lo que otro conjunto de algoritmos tendrá en cuenta esta nueva información que llega y, combinando unas y otras fuentes de datos, anticipará procesos adversos en tiempo real y me prevendrá de su aparición además de proporcionarme los recursos sanitarios adecuados.
Nos encontramos ante un territorio virgen y casi inexplorado para la salud digital y la investigación científica. Las próximas décadas prometen ser realmente apasionantes en este campo.
Soluciones y Sectores
Soluciones IA y Big Data
La combinación de la Inteligencia Artificial y el Big Data maximiza el valor de tus datos y los pone a disposición del negocio, permitiendo optimizar tus procesosTe puede interesar
-
Telefónica Empresas en Advanced factories: sus fortalezas en Industria 5.0
Junto con el Mobile World Congress, Advanced Factories es cita obligada de Telefónica Empresas en el contexto de transformación ...
-
5G en logística: aplicaciones y beneficios
5G en el sector logístico resulta un gran aliado para acelerar la transformación de las empresas del sector. Ya ...
-
NB-IoT, una tecnología madura más allá del sector del agua
El pasado 11 de marzo Canal de Isabel II celebró, junto a los principales operadores de telecomunicaciones -Telefónica entre ...
