Unos investigadores utilizaron la IA para detectar el cáncer de mama y esta superó a los especialistas humanos.
En entornos de investigación, los sistemas de IA suelen funcionar bien; sin embargo, no es raro que tengan dificultades en situaciones reales.
El aprendizaje automático y el aprendizaje profundo están adquiriendo un papel importante en los sistemas de salud, lo que demuestra la necesidad de confiar en la ciencia y de contar con pruebas de que funcionan.
John Quackenbush estaba frustrado con Google. Era enero de 2020 y un equipo dirigido por investigadores de Google Health acababa de publicar un estudio en Nature sobre un sistema de inteligencia artificial (IA) que habían desarrollado para analizar mamografías en busca de signos de cáncer de mama. Según el estudio, el sistema no solo funcionaba, sino que lo hacía excepcionalmente bien. Cuando el equipo le proporcionó dos grandes conjuntos de imágenes para analizar —uno del Reino Unido y otro de Estados Unidos—, redujo los falsos positivos en un 1,2 y un 5,7 por ciento, y los falsos negativos en un 2,7 y un 9,4 por ciento, en comparación con las evaluaciones originales de los profesionales médicos. En otra prueba, en la que el sistema de IA se enfrentó a seis radiólogos certificados por el consejo médico para analizar casi 500 mamografías, el algoritmo superó a cada uno de los especialistas. Los autores concluyeron que el sistema era «capaz de superar a los expertos humanos en la predicción del cáncer de mama» y estaba listo para ensayos clínicos.
Pronto se produjo una avalancha de titulares llamativos. «El sistema de IA de Google puede vencer a los médicos en la detección del cáncer de mama», anunció un artículo de CNN. «La IA está aprendiendo a leer mamografías», señaló el New York Times. Aunque los hallazgos eran realmente impresionantes, no sorprendieron a Quackenbush, profesor Henry Pickering Walcott de biología computacional y bioinformática y director del Departamento de Bioestadística. No duda del potencial transformador del aprendizaje automático y el aprendizaje profundo —subcampos de la IA centrados en reconocer patrones y hacer predicciones—, especialmente para analizar imágenes médicas en busca de anomalías. «Identificar tumores no es una cuestión estadística», afirma; «es una cuestión de aprendizaje automático».
Lo que molestó a Quackenbush fue la afirmación de que el sistema estaba listo para ensayos clínicos, pese a que nadie había validado de forma independiente los resultados del estudio en las semanas posteriores a su publicación. En parte, esto se debía a que hacerlo era sumamente difícil. El artículo de Nature no incluía detalles del código del algoritmo que Quackenbush y otros consideraban importantes para reproducir el sistema y ponerlo a prueba. Además, algunos de los datos utilizados en el estudio estaban bajo licencia de un sistema hospitalario estadounidense y no podían compartirse con terceros.
NO ES RARO QUE LOS SISTEMAS DE IA FUNCIONEN BIEN EN ENTORNOS DE INVESTIGACIÓN Y LUEGO FRACASEN EN SITUACIONES REALES.
A lo largo de su carrera, Quackenbush ha defendido abiertamente la transparencia y el intercambio de datos. Tanto es así que, en 2013, el presidente Barack Obama lo nombró Campeón del Cambio de Ciencia Abierta de la Casa Blanca por sus esfuerzos para garantizar que grandes cantidades de datos genómicos estuvieran al alcance de investigadores de todo el mundo. Según Quackenbush, la reproducibilidad es la esencia del método científico y reviste suma importancia cuando se propone utilizar nuevas tecnologías en ensayos clínicos con personas. Como advertencia, Quackenbush menciona a Anil Potti, exprofesor de la Universidad Duke que, a principios de la década de 2000, afirmó haber descubierto firmas genéticas capaces de determinar cómo responderían a la quimioterapia las personas con ciertos tipos de cáncer. La técnica pasó directamente a ensayos clínicos con personas, aunque otros investigadores señalaron que no podían reproducir los hallazgos de Potti. Finalmente, se descubrió que Potti había falsificado datos y resultados del estudio, y todo el castillo de naipes biomédico se vino abajo. Hubo pacientes perjudicados, se presentaron demandas, se retractaron estudios y se pidió a Quackenbush que se uniera a un panel de las Academias Nacionales de Ciencias, Ingeniería y Medicina para investigar qué había salido mal. El panel, señala Quackenbush, concluyó que todo aquello podría haberse evitado si otros investigadores hubieran tenido acceso a los datos, el software y los detalles metodológicos de Potti.
Para que quede claro, Quackenbush no sospechaba que hubiera engaño ni nada turbio en el estudio de Google Health. Aun así, los titulares grandilocuentes sobre algoritmos que superaban a los profesionales médicos le irritaron, y le preocupaba profundamente que se utilizara un sistema para tratar a personas que pudieran tener cáncer antes de reproducir los hallazgos. Al fin y al cabo, no es raro que los sistemas de IA funcionen bien en entornos de investigación y luego fracasen en situaciones reales.
Para llamar la atención sobre el problema, Quackenbush y más de dos docenas de colegas de distintas instituciones académicas escribieron un artículo en Nature en octubre pasado, en el que expresaban sus inquietudes sobre el estudio de Google Health y pedían mayor transparencia entre los científicos que trabajan en la intersección de la IA y la atención oncológica. Su intención no era reprender a los investigadores, sino poner de relieve los importantes desafíos que surgen en el ámbito de la IA y la salud, y que seguirán creciendo en alcance y magnitud a medida que los investigadores exploren las posibilidades de esta tecnología en rápida evolución.
Para reconocer lo que hicieron bien, el equipo de Google Health respondió a Quackenbush y sus colegas, también en Nature, y explicó que desde entonces había añadido una adenda al estudio original con más detalles metodológicos sobre cómo se había creado el algoritmo. Sin embargo, también subrayó los verdaderos desafíos que plantean los datos sanitarios sujetos a licencia y la tecnología patentada, así como el confuso panorama regulatorio que rodea a la IA.
En muchos sentidos, las preocupaciones de Quackenbush y sus intercambios con Google son un microcosmos del floreciente campo de la IA y la salud, donde empresas tecnológicas relativamente jóvenes, con enormes capitalizaciones bursátiles, ingenieros de extraordinario talento y una capacidad de cálculo sin precedentes, se abren paso junto a actores más tradicionales, como las empresas de ciencias de la vida, los sistemas hospitalarios y las instituciones académicas. El potencial es extraordinario, pero también lo es el bombo publicitario, y el panorama de la investigación está plagado de posibles obstáculos. Es posible que la IA acelere el descubrimiento de fármacos, agilice la práctica clínica y mejore el diagnóstico y la atención de millones de personas en todos los estratos socioeconómicos del mundo. También es posible que los datos deficientes y los algoritmos sesgados perjudiquen a los pacientes, y que las expectativas desmesuradas de que la IA sea una panacea socaven a largo plazo la confianza en la ciencia y sequen la inversión en el campo.
«Estas nuevas tecnologías están surgiendo rápidamente y plantean preguntas muy serias que debemos responder ahora», afirma Quackenbush. «A largo plazo, la transparencia entre investigadores acelerará la adopción de la IA y ayudará a garantizar que brindemos a los pacientes una atención de calidad y sin sesgos».
¿Qué hay detrás de un nombre?
Inteligencia artificial: término general para los sistemas informáticos que presentan características propias de la inteligencia.
Aprendizaje automático: subcampo de la inteligencia artificial centrado principalmente en desarrollar algoritmos que utilizan técnicas estadísticas para aprender de conjuntos de datos, identificar patrones y hacer predicciones.
Aprendizaje profundo: subcampo del aprendizaje automático en el que se diseñan «redes neuronales artificiales» para imitar el cerebro humano, de modo que puedan aprender por sí solas y mejorar gradualmente su capacidad predictiva.
Procesamiento del lenguaje natural: campo que combina la IA y la lingüística para crear programas informáticos que entiendan el lenguaje humano hablado y escrito.
Auge y obstáculos
Las aplicaciones de la IA y sus distintos subcampos en la salud pública son tan fascinantes como diversas. Los investigadores han creado métodos basados en IA para predecir el origen de enfermedades transmitidas por los alimentos, rastrear rápidamente millones de tuits en busca de personas que expresen síntomas de gripe y analizar historiales hospitalarios para identificar reacciones alérgicas a medicamentos. En la Harvard Chan School, S.V. Subramanian, profesor de salud poblacional y geografía, colaboró recientemente con investigadores de Microsoft y del Gobierno de la India para predecir y cartografiar la carga de desnutrición infantil en las casi 600 000 aldeas rurales de la India. Por su parte, Francesca Dominici, profesora Clarence James Gamble de bioestadística, población y ciencia de datos, y sus colegas utilizan la IA para identificar relaciones causales entre riesgos ambientales, como la contaminación atmosférica, y los malos resultados de salud.
La atención sanitaria no fue un foco de la investigación inicial en IA. Durante generaciones, ha fascinado a la humanidad la idea de una máquina capaz de pensar, razonar y aprender como una persona. Hasta 1950, fue en gran medida material de ciencia ficción, cuando Alan Turing, matemático británico y descifrador de códigos durante la Segunda Guerra Mundial, publicó un artículo fundamental, «Computing Machinery and Intelligence». En los años siguientes, investigadores de distintas disciplinas se dedicaron con entusiasmo a la IA. En 1956, un equipo de RAND presentó «Logic Theorist», considerado ampliamente el primer programa de IA, capaz de resolver teoremas matemáticos imitando las habilidades humanas para resolver problemas. En 1964, un equipo del MIT lanzó ELIZA, un programa que simulaba una conversación humana y que se parece a los chatbots de atención al cliente hoy tan habituales.
A medida que se materializaban más pruebas de concepto, las ambiciones crecieron desmesuradamente y algunos investigadores proclamaron audazmente que la IA pronto superaría la inteligencia humana. Gran parte de la presión para innovar con rapidez provenía del ejército estadounidense a finales de los años sesenta y principios de los setenta, en plena Guerra Fría y decidido a obtener una ventaja competitiva en informática, sobre todo en el procesamiento del lenguaje natural, un subcampo de la IA que, según esperaban los investigadores, permitiría guiar aeronaves militares mediante comandos de voz y traducir al inglés textos y discursos en ruso. Sin embargo, muchos investigadores habían exagerado el potencial de la tecnología y el progreso se estancó. Tras una serie de fracasos muy costosos, el Departamento de Defensa y otros financiadores clave abandonaron el campo, y la comunidad investigadora se desmoronó.
«Es lo que la gente llama un “invierno de la IA”», explica JP Onnela, profesor asociado de bioestadística. «Hemos vivido al menos dos inviernos de la IA; el segundo tuvo lugar a finales de los años ochenta y principios de los noventa. Fueron periodos en los que se fijaron expectativas muy altas sobre lo que podía lograr la IA y, al no cumplirse, el campo pasó de moda y se recortó la financiación».
Avancemos hasta hoy: la IA vuelve a estar en auge. Una encuesta reciente de la empresa de investigación RELX consultó a 1 000 directivos de distintos sectores y descubrió que el 93 por ciento cree que la IA —incluidos el aprendizaje automático y el aprendizaje profundo— permite a sus empresas competir mejor, mientras que más de la mitad afirmó haber añadido a sus plantillas puestos centrados en la IA y otras tecnologías emergentes.
ES POSIBLE QUE LA IA ACELERE EL DESCUBRIMIENTO DE FÁRMACOS, AGILICE LA PRÁCTICA CLÍNICA Y MEJORE EL DIAGNÓSTICO Y LA ATENCIÓN DE MILLONES DE PERSONAS EN TODOS LOS ESTRATOS SOCIOECONÓMICOS DEL MUNDO.
TAMBIÉN ES POSIBLE QUE LOS DATOS DEFICIENTES Y LOS ALGORITMOS SESGADOS PERJUDIQUEN A LOS PACIENTES, Y QUE LAS EXPECTATIVAS DESMESURADAS DE QUE LA IA SEA UNA PANACEA SOCAVEN A LARGO PLAZO LA CONFIANZA EN LA CIENCIA Y SEQUEN LA INVERSIÓN EN EL CAMPO.
Desde controlar coches autónomos hasta ejecutar operaciones bursátiles de alta velocidad y optimizar el rendimiento de equipos profesionales de fútbol, parece que no hay rincón del mundo que escape a un algoritmo.
Sin embargo, a diferencia de anteriores periodos de auge de la IA, esta vez la atención sanitaria interesa enormemente a los investigadores. Una razón es que pueden extraerse ingentes cantidades de datos sanitarios de historias clínicas electrónicas, imágenes digitales, biobancos, teléfonos móviles y dispositivos portátiles. Para Onnela, no obstante, todo el interés y el entusiasmo en torno a los macrodatos y la IA pueden generar inquietud sobre el futuro del campo.
«Creo que, en general, hay mucho bombo en torno a la IA. Y creo que hay aún más cuando se combina la IA con la salud, lo cual me preocupa», afirma. «Pero, al mismo tiempo, hemos visto avances muy impresionantes, sobre todo con el aprendizaje profundo. Una de las razones es que hay muchísimos datos que pueden utilizarse para entrenar estos modelos complejos. ¿Significa eso que estamos avanzando en la IA en el sentido de enseñar a las máquinas a razonar? No. Pero sí estamos avanzando en enseñar a estos sistemas a reconocer muy bien los patrones en los datos, y superar ese reto es un gran logro».
Aunque está entusiasmado, el optimismo de Onnela viene acompañado de una advertencia importante: que haya muchos datos, dice, no significa que sean buenos. Y las consecuencias de entrenar algoritmos con datos deficientes pueden ser horrendas.
Sesgo algorítmico
En 2019, Ziad Obermeyer, de la Universidad de California en Berkeley, y Sendhil Mullainathan, de la Universidad de Chicago, publicaron en Science un estudio que hizo saltar las alarmas. Informaron de que un algoritmo de uso generalizado, diseñado para ayudar a los sistemas hospitalarios a identificar a pacientes con necesidades complejas que se beneficiarían de atención de seguimiento, presentaba un marcado sesgo racial. El algoritmo utilizaba los costos de la atención médica como indicador de las necesidades de salud; en otras palabras, suponía que los pacientes con mayores costos de atención médica probablemente tenían peor salud y necesitaban más atención. El problema es que la población negra de Estados Unidos afronta muchas más barreras para acceder a la atención, y se gasta menos dinero en pacientes negros que en pacientes blancos. Por eso, explicaron los autores, el algoritmo concluía de forma sistemática y errónea que los pacientes negros gozaban de mejor salud que los pacientes blancos igual de enfermos. En otras palabras, probablemente se excluyó a muchos pacientes negros de una atención integral que podría haberles salvado la vida, debido a un razonamiento defectuoso incorporado al código informático. De hecho, cuando los investigadores corrigieron el problema y volvieron a analizar los datos, el porcentaje de pacientes negros que cumplían los requisitos para recibir atención adicional pasó del 17,7 por ciento al 46,5 por ciento.
Es un problema conocido como sesgo algorítmico, y no se limita a la atención sanitaria, afirma Heather Mattie, profesora de bioestadística y codirectora del programa de máster en ciencia de datos de salud. Mattie menciona un caso en el que periodistas de ProPublica examinaron un algoritmo utilizado en Florida para evaluar si las personas encarceladas probablemente cometerían delitos en el futuro. Descubrieron que a menudo se pronosticaba que los acusados negros corrían un riesgo de reincidencia mayor del real, mientras que a menudo se consideraba que los acusados blancos presentaban un riesgo menor del que realmente tenían.
En otro caso, Joy Buolamwini, investigadora ghanesa-estadounidense del MIT y fundadora de The Algorithmic Justice League, informó de que el software de reconocimiento facial tenía dificultades para reconocer los rostros de personas de piel más oscura. Al probar la tecnología consigo misma, descubrió que el software funcionaba mejor cuando llevaba una máscara blanca que cuando utilizaba su rostro real.
Este tipo de sesgo es pernicioso en cualquier caso. En el caso de algoritmos que ayudan a orientar las decisiones sobre atención sanitaria en sistemas hospitalarios enteros, sus efectos podrían ser mortales. «Hay muchos puntos ciegos en lo que respecta al sesgo algorítmico», afirma Mattie. «No entrenar estos modelos de aprendizaje automático con datos que representen de verdad a la población de pacientes es un problema enorme y una de las principales causas del sesgo. Otra causa es la falta de diversidad en los equipos que crean estos sistemas y algoritmos».
La buena noticia es que muchos de estos sesgos algorítmicos pueden corregirse y prevenirse. Deborah DiSanzo, profesora de políticas y gestión de la salud y presidenta de Best Buy Health, afirma que hay dos formas principales de introducir sesgos: «Hay sesgo en los datos y sesgo en el algoritmo». En cuanto a los datos, confía en que el auge de las historias clínicas electrónicas pronto permitirá generar conjuntos de datos mucho más inclusivos y representativos para entrenar sistemas de IA. Señala que la aprobación en 2009 de la Ley de Tecnología de la Información Sanitaria para la Salud Económica y Clínica fue un importante catalizador para digitalizar y compartir datos. Aun así, observa que los datos sanitarios electrónicos suelen ser «muy sucios»: no siempre son precisos, muchas veces están incompletos y, ocasionalmente, duplicados.
En cuanto a incorporar sesgos al algoritmo, esto se reduce sobre todo a preguntas mal diseñadas y errores lógicos, que pueden deberse a la falta de conocimientos especializados, pero también a la falta de diversidad en los equipos que escriben el código. DiSanzo tiene una larga trayectoria en la atención sanitaria y ha ocupado puestos directivos en Hewlett-Packard, Philips Healthcare e IBM, donde fue directora general de Watson Health. Afirma que el sector en su conjunto es cada vez más consciente del sesgo algorítmico y de la importancia de contar con buenos datos y equipos diversos. Sin embargo, el problema no se resolverá de la noche a la mañana, y es fundamental que los desarrolladores asuman el liderazgo para erradicar los sesgos. «Con el tiempo, tendremos estándares de interoperabilidad. Con el tiempo, contaremos con sistemas de intercambio de información sanitaria realmente buenos. Con el tiempo, tendremos datos muy diversos sobre raza, género y situación socioeconómica para crear y entrenar nuestros algoritmos», afirma. «Pero, por ahora, corresponde a las empresas que desarrollan los algoritmos identificar los sesgos en los datos, comprender los sesgos del algoritmo y tenerlos en cuenta».
La ardua labor de las políticas
En la intersección de la IA y la salud hay otro obstáculo que no tiene nada que ver con la capacidad de cálculo ni con los conjuntos de datos sesgados, sino con las burocracias a menudo gigantescas encargadas de regular la tecnología. «Si los gobiernos se toman en serio la innovación y la mejora de la atención sanitaria, deben considerar no solo la innovación científica o tecnológica, sino también la innovación en materia de políticas, para crear un entorno propicio para la IA y el aprendizaje automático», afirma Rifat Atun, profesor de sistemas de salud mundial. «Si quieren saber qué impedirá aplicar la IA a la atención sanitaria, es la escasez de innovación en materia de políticas».
Desde el punto de vista regulatorio, estas tecnologías plantean desafíos a cada paso. Atun afirma que muchas políticas vigentes sobre atención sanitaria, como la Ley de Portabilidad y Responsabilidad de los Seguros Médicos, se redactaron mucho antes de que surgieran estos algoritmos y deberán actualizarse a medida que se extienda el aprendizaje automático. Claro que es más fácil decirlo que hacerlo. Las políticas nacionales o internacionales pueden tardar años en concretarse. En algunos casos, afirma Atun, la tecnología evoluciona tan rápido que ya está obsoleta cuando se redactan, debaten, aprueban y aplican los marcos que la regulan.
POR AHORA, CORRESPONDE A LAS EMPRESAS QUE DESARROLLAN LOS ALGORITMOS IDENTIFICAR LOS SESGOS EN LOS DATOS, COMPRENDER LOS SESGOS DEL ALGORITMO Y TENERLOS EN CUENTA.
En general, Atun es muy optimista respecto a las perspectivas de la IA en la salud. Afirma que vivimos un renacimiento tecnológico que está inspirando una innovación biomédica a una escala nunca vista, y está convencido de que es posible resolver problemas como el sesgo algorítmico y el acceso a la capacidad de cálculo. Desde su perspectiva, una de las mayores ventajas de la IA en la salud son los beneficios que podría ofrecer en países con recursos limitados, donde la escasez persistente de recursos humanos y financieros restringe la calidad y la cantidad de la atención sanitaria. En Ruanda, por ejemplo, un país de unos 13 millones de habitantes, en 2015 solo había 11 radiólogos en ejercicio. Un algoritmo capaz de analizar rápidamente cientos de imágenes y priorizar las que requieren seguimiento mejoraría enormemente el flujo de trabajo.
Aplicar IA y aprendizaje automático en entornos con recursos limitados, donde los hospitales quizá no tengan acceso continuo a la electricidad y mucho menos a una infraestructura informática adecuada, puede parecer como poner el carro delante de los bueyes. Como contrapunto, Atun cita el teléfono. «Durante mucho tiempo, muchos países de bajos ingresos no tuvieron redes telefónicas. No tenían dinero ni recursos para invertir en la construcción de redes terrestres de cables y postes que atravesaran todo el país, ni para pagar teléfonos fijos», afirma. «Y ahora vemos que no necesitaban seguir ese camino. Muchos dieron un salto directo a las redes de comunicación por satélite y a los teléfonos móviles, y hoy esta tecnología está extendida por todo el mundo en desarrollo».
Aunque, según Atun, es posible seguir un camino similar con la IA, los responsables de políticas, los centros de análisis y los gobiernos, tanto de países ricos como pobres, deben contribuir. Le gustaría que se emprendieran iniciativas para determinar qué intervenciones de salud pública pueden modificar de forma más costoefectiva los riesgos, la progresión de las enfermedades y los resultados de salud. También desearía cambios en las políticas y prácticas para adaptarlas al diagnóstico de gran volumen.
«La IA tiene el potencial de transformar los sistemas de salud. Pero, para que eso ocurra, también deben transformarse los sistemas de salud y las políticas que los orientan», afirma. «No servirá de nada introducir una tecnología emergente en un sistema de salud diseñado hace décadas».
Aplicaciones de la IA en la Harvard Chan School
Así es como investigadores de distintos departamentos impulsan el campo de la IA para comprender mejor la salud humana.
Investigadores dirigidos por Yonatan Grad del Departamento de Inmunología y Enfermedades Infecciosas analizaron el potencial del aprendizaje automático para predecir si ciertas bacterias serían resistentes a determinados antibióticos. Según Grad y sus colegas, estas herramientas salvarían vidas y reducirían los tratamientos inadecuados, pero advierten que existen importantes desafíos para garantizar que los modelos se mantengan actualizados con datos pertinentes.
La proliferación de historias clínicas electrónicas ha generado una cantidad de datos biomédicos sin precedentes. Tianxi Cai, del Departamento de Bioestadística, y sus colegas están desarrollando técnicas de aprendizaje automático y procesamiento del lenguaje natural para analizar datos de historias clínicas electrónicas, predecir riesgos para la salud y mejorar los diagnósticos.
Comprender cómo afectan a las poblaciones la contaminación atmosférica y otras amenazas ambientales exige analizar enormes cantidades de datos detallados procedentes de numerosas fuentes. Francesca Dominici, del Departamento de Bioestadística, y sus colegas están desarrollando nuevas herramientas de IA para aprender de los datos e identificar vínculos causales entre la exposición a agentes ambientales y los resultados de salud.
Jeeyun Chung del Departamento de Metabolismo Molecular forma parte de un equipo que utiliza técnicas avanzadas de obtención de imágenes para capturar imágenes extraordinariamente detalladas de células individuales y desarrollar métodos de aprendizaje automático que analicen esas imágenes e identifiquen automáticamente los orgánulos celulares.
Para determinar dónde corren más riesgo de sufrir desnutrición los niños de la India, S.V. Subramanian, del Departamento de Ciencias Sociales y del Comportamiento, y sus colegas crearon un modelo de predicción mediante aprendizaje automático para estimar la prevalencia de indicadores clave de desnutrición, como el retraso del crecimiento, el bajo peso y la emaciación, en las 597.121 aldeas de la India.
Andrew Beam, profesor adjunto de epidemiología, utiliza el aprendizaje automático para desarrollar herramientas de toma de decisiones que los médicos puedan usar para comprender mejor a sus pacientes y atenderlos. Su laboratorio se centra especialmente en las unidades de cuidados intensivos neonatales, que, según Beam, aprovechan insuficientemente la enorme cantidad de datos generados durante la atención clínica de los bebés prematuros.
El trato humano
El comentario de Atun pone de relieve la tensión inherente a la incorporación de la inteligencia artificial a la atención sanitaria. Es la misma tensión que hizo que Quackenbush alzara las cejas ante el estudio de Google Health. Durante los últimos 20 años, la industria tecnológica se ha centrado en «revolucionar» todos y cada uno de los elementos de la sociedad y los negocios. En esta industria se ha animado a los ingenieros de software a «avanzar rápido y romper cosas», como dijo en una ocasión Mark Zuckerberg, director ejecutivo de Facebook. Mientras tanto, durante los últimos 2.000 años más o menos, los mejores profesionales de la salud han actuado con prudencia y se han guiado por el ideal hipocrático de no hacer daño.
A menudo, en las conversaciones sobre la IA se pasa por alto hasta qué punto la salud es algo profundamente personal. «Si pensamos en cómo se llega a un diagnóstico de depresión o cáncer cerebral, a menudo es porque un familiar, un amigo o un colega señala que últimamente no pareces tú o que tienes aspecto de estar agotado», dice Onnela. Su propia investigación sobre fenotipado digital se centra en crear métodos para analizar datos de dispositivos digitales personales —número de pasos, ciclos de sueño, cantidad de mensajes de texto— con el fin de vigilar los síntomas de personas con trastornos del estado de ánimo. También está realizando estudios similares con personas con esclerosis lateral amiotrófica y tumores cerebrales. Los primeros resultados muestran que los métodos de aprendizaje estadístico que ha empleado son eficaces para detectar en los datos patrones de comportamiento que pueden servir como señales tempranas de que un paciente empieza a tener problemas, ya sea por un episodio de salud mental o por el deterioro de las funciones motoras. Llevado al extremo, este tipo de trabajo podría describirse como el uso de teléfonos inteligentes para captar la experiencia vital de una persona y sustituir la mirada empática de una pareja o un amigo por la capacidad estadística de un algoritmo.
«LA IA TIENE EL POTENCIAL DE TRANSFORMAR LOS SISTEMAS DE SALUD. PERO, PARA QUE ESTO OCURRA, LOS SISTEMAS DE SALUD Y LAS POLÍTICAS QUE LOS ORIENTAN TAMBIÉN DEBEN TRANSFORMARSE. INTRODUCIR UNA TECNOLOGÍA EMERGENTE EN UN SISTEMA DE SALUD DISEÑADO HACE DÉCADAS NO SERVIRÁ DE AYUDA». —RIFAT ATUN, PROFESOR DE SISTEMAS DE SALUD MUNDIAL
No está claro hasta qué punto los informáticos y matemáticos de hoy podrán seguir el ritmo de las expectativas exageradas que rodean a la IA en este momento. Lo que sí está clarísimo, sin embargo, es que el aprendizaje automático y el aprendizaje profundo se están integrando en nuestros sistemas de salud a largo plazo. La IA ha llegado para quedarse. Pero el camino a seguir exige una gran confianza en la ciencia. También requiere pruebas extraordinarias de que la tecnología funciona.
«La historia del aprendizaje automático ha demostrado que lo que a las personas les resulta fácil puede ser muy difícil para las máquinas, y viceversa», dice Onnela. «Y creo que el mayor reto de cara al futuro es averiguar cómo podemos entrenar a las máquinas para que perciban estas cosas que nosotros captamos intuitivamente».
