El aprendizaje automático (machine learning) es una rama de la inteligencia artificial cuyo objetivo es que las computadoras aprendan. Se trata de elaborar programas, algoritmos, que decidan a partir de la información suministrada (big data) y sin instrucciones explícitas. “Suena algo espeluznante, pero todo se debe a estadísticas bastante mundanas”, tranquilizaba en septiembre pasado en The Conversation Eleni Vasilaki, profesor de Neurociencia Computacional en la Universidad británica de Sheffield. El algoritmo establece relaciones a partir de los datos proporcionados, toneladas de datos, ya sean letras, radiografías o genes. “Los niños -comparaba Vasilaki- aprenden simplemente observando una sola vez cómo alguien resuelve un problema”. A pesar de que sus primeros pasos se dieron hace más de medio siglo, a cargo del pionero Alan Turing, hasta hace muy pocos años no ha empezado a invadir muchos ámbitos tecnológicos y científicos: desde los juegos y el transporte al procesamiento del habla. La medicina está siendo uno de sus campos preferidos.
Máquinas inteligentes aplicadas a la medicina
Una búsqueda en Eurekalert de estudios de este año deja una impresión algo apabullante: “El aprendizaje automático puede ser usado para predecir en urgencias qué pacientes requieren admisión hospitalaria” (PLoS Medicine de noviembre), “Ayuda a elegir los fármacos contra el cáncer” (Scientific Reports de noviembre), “Muestra qué hace a los humanos parecer mayores o jóvenes (Aging de noviembre), “Identifica genes de resistencia antibiótica en la bacteria de la tuberculosis” (Nature Communications de octubre), “Supera a los médicos en predecir la muerte por enfermedad cardiaca” (PLoS One de septiembre), “Ayuda a pronosticar los resultados de los tratamientos para la esquizofrenia” (Molecular Psychiatry de julio), “Adivina la personalidad simplemente rastreando los ojos” (Frontiers in Human Neuroscience de julio), “Detecta el linfedema entre las supervivientes del cáncer de mama” (mHealth de junio), “Alerta de patógenos emergentes” (PLoS Genetics de mayo).
Los nuevos algoritmos utilizan el aprendizaje profundo ‘deep learning’ basado en las llamadas redes neuronales
Ensayos clínicos, sepsis, cirugía plástica, retinopatía diabética, diagnóstico precoz del Alzheimer, depresión… Cualquier enfermedad o tarea suficientemente documentada puede ser engullida y procesada por las máquinas inteligentes. Varios estudios ya han confirmado que leen las radiografías mejor que los radiólogos y discriminan los melanomas con más acierto que los dermatólogos. Los nuevos algoritmos -se puede leer este mes en un número especial sobre este asunto en PLoS Medicine– utilizan el aprendizaje profundo (deep learning) basado en las llamadas redes neuronales. “Para comprender por ejemplo cómo aprovechan las imágenes para tareas de reconocimiento, imagine que entra en una habitación oscura y busca el interruptor de la luz. Por experiencias previas, asocia los interruptores con ubicaciones predecibles dentro de una habitación. Muchos algoritmos de procesamiento de imágenes imitan este comportamiento”.
El aprendizaje profundo se está empleando con éxito en oftalmología, como publicó en septiembre pasado en Nature Medicine el equipo británico de Olaf Ronneberger con tomografías de coherencia óptica tridimensionales. Su desempeño igualó o superó a los expertos en retinopatías. En el campo diagnóstico, el algoritmo CheXNeXt, según un estudio de la Universidad de Stanford en PLoS Medicine, detecta 14 patologías torácicas, como neumonía, derrame pleural, masas pulmonares y nódulos, en radiografías de tórax con un rendimiento similar al de los radiólogos. A precisiones comparables, el tiempo promedio para interpretar las 420 imágenes de validación fue, como es lógico, sustancialmente mayor para los radiólogos (240 minutos) que para CheXNeXt (1,5 minutos). Una herramienta como ésta, aunque en fase temprana de desarrollo, puede reducir el error de diagnóstico por fatiga, falta de experiencia… o de radiólogos.
Un algoritmo replica decisiones pasadas, incluidos los sesgos
Al igual que la genética o la biología molecular están redefiniendo síndromes y trastornos y relegando al baúl de la historia las clasificaciones sintomáticas de Sydenham y Linneo en el siglo XVII y las orgánicas de William Osler en el XX, el big data y el aprendizaje automático están perfilando otras patologías. Un análisis del equipo de Adnan Custovic, del Imperial College de Londres, sobre asma y alergia efectuado con los datos de la cohorte de nacimientos de Manchester ha podido identificar nuevos fenotipos de atopia infantil y más tarde grupos de sensibilización de IgE. Sin embargo, advierten en PLoS Medicine, “la implantación ingenua del aprendizaje automático sin una validación cuidadosa podría dañar a los pacientes. Considere, como ejemplo, un esfuerzo hipotético para predecir los ingresos desde urgencias utilizando datos de ingresos pasados. Las admisiones reales a menudo están sujetas a la disponibilidad de camas o al tipo de seguro que tiene una persona. Si bien este modelo podría permitir la planificación de recursos, puede clasificar incorrectamente a un individuo como que no requiere una admisión. Un algoritmo replica decisiones pasadas, incluidos los sesgos en torno a la raza y el sexo que pueden haber influido en el juicio clínico. La extrapolación irracional debe por tanto evitarse hasta corregir esos sesgos con datos clínicos relevantes y filtros humanos”.
¿Podrían algún día las máquinas marginar a los médicos?, se preguntaba el mes pasado en British Medical Journal Jörg Goldhahn, jefe adjunto del Instituto de Medicina Traslacional del ETH de Zúrich. Aludía, en apoyo de esa tesis, a la “capacidad casi ilimitada” para el procesamiento de datos y el aprendizaje posterior, a su velocidad, rentabilidad, objetividad y precisión, a la escasez de médicos y a otros factores. Le replicaban Vanessa Rampton, del Instituto McGill de Salud de Montreal, y Giatgen Spinas, del Hospital Universitario de Zúrich: la calidad de la relación médico-paciente no puede igualarse. “Las máquinas podrán diagnosticar y elegir la terapia mejor que los médicos, pero no podrán tratar al paciente como una persona. Y ante la fase final de la vida, ¿quién quiere recibir un diagnóstico terminal de un robot que no comprende lo que eso significa?”.
Y Eleni Vasilaki, en The Conversation, concluía la desmitificación: “El aprendizaje automático y la inteligencia artificial son herramientas. Se pueden usar de manera correcta o incorrecta, como todo lo demás. La falta de inteligencia humana me asusta mucho más que la inteligencia artificial”.
The post Máquinas inteligentes: ¿sustituirán a los médicos? appeared first on Diariomedico.com.
from Diariomedico.com http://bit.ly/2PTvO7O
