Del laboratorio a la consulta, así marca la diferencia la inteligencia artificial: "Es capaz de encontrar relaciones que ni siquiera sospechamos"

Hay un error que se comete a menudo cuando se habla de inteligencia artificial. Y es pensarla como si fuese una sola; como si no fuese decenas, cientos, de modelos que deben utilizarse en función de un objetivo. No es lo mismo crear una imagen, que encontrar coincidencias en un mar de datos. No es lo mismo leer un texto, que leer una imagen. Los primeros modelos de radiodiagnóstico impulsados por IA capaces de superar a los humanos se lanzaron en 2012, pero es ahora, con la aparición de nuevos sistemas, que la inteligencia artificial está marcando la diferencia en el ámbito sanitario.

Encontrar lo que no se busca

"Una persona que utiliza técnicas estadísticas tradicionales ya sabe lo que está buscando y lo que puede encontrar, pero tiene la limitación de que se dejará fuera aquello que no sabe que desconoce", explica Ignacio Hernández, neurólogo y fundador de Savana, una empresa que busca predecir la evolución de las enfermedades y los pacientes cruzando grandes cantidades de datos. "La gran ventaja que tiene el machine learning, es que es capaz de encontrar, en un conjunto de datos masivos, correlaciones no sospechadas", afirma. Este modelo consiste en enseñar a la máquina a funcionar sin instrucciones concretas, por eso, es capaz de encontrar relaciones entre variables que a ningún humano se le había ocurrido antes conectar.

Savana lleva más de diez trabajando datos clínicos en varios países del mundo. Recopilan todo tipo de información: tratamientos, otras enfermedades, visitas previas, derivaciones a especialistas, resultados de pruebas -aunque inicialmente no tengan nada que ver-, etc. Después, cruzan todos esos datos: "Esa capacidad que nos da la IA para encontrar correlaciones donde la mente humana no lo haría, es lo que nosotros explotamos en el ámbito clínico para encontrar los predictores", cuenta Hernández.

Gracias a este tipo de tecnología, la medicina personalizada es un poco menos utópica. El análisis masivo de datos permite intervenciones individuales y conocer cuál es el tratamiento que mejor puede funcionar para un tipo concreto de paciente. También permite diagnósticos tempranos, lo que facilita un tratamiento precoz que, en la mayoría de las ocasiones, mejora el pronóstico de los enfermos.

Modelos que saben leer

Hasta ahora, uno de los problemas que afrontaba la estadística convencional era adecuar los datos para usarlos juntos. Cada hospital, cada centro, recopilaba los datos a su manera y eso los hacía incompatible entre ellos. Ahora, la inteligencia artificial permite 'tratarlos' para utilizarlos en un mismo estudio.

Únete al canal de WhatsApp de la SER

Un ejemplo de ello se encuentra en el Hospital La Fe, en Valencia, donde han conseguido estudiar los datos de 3 millones de pacientes de 9 hospitales diferentes. En este caso, la IA se ha dedicado a leer los 64 millones de documentos aportados y a extraer la información que contienen que, aun siendo la misma, está escrita de manera diferente. "Por ejemplo, si en unos documentos el médico ha escrito dolor de cabeza como síntoma, mientras otro ha escrito cefalea, la inteligencia artificial lo lee y añade, en la casilla de cefalea, a dos pacientes", explica el doctor Román, jefe de servicio reumatología y director de este proyecto.

Este tipo de uso supone un avance enorme. Antes, hubiesen sido necesarias varias personas que leyesen estos informes y que picaran los datos uno por uno. Dicho de otra manera, supone mucho tiempo y mucho dinero, algo inasumible como práctica habitual en la mayoría de los centros de investigación. Gracias a este tipo de IA, el trabajo se ha reducido drásticamente y ha permitido que, si antes se trabajaban con pequeñas muestras de población, ahora las investigaciones puedan contar con la información de la población al completo.

Ahorrar tiempo a un sistema tensionado

Un gigante como Google, vanguardia en la investigación con inteligencia artificial, tiene toda una rama de estudio dedicada a la automatización de tareas que ahorren tiempo a los trabajadores sanitarios. "Muchos doctores no dedican la mayor parte de su tiempo a sanar a sus pacientes, sino a registrar lo que pasó", dice Diego Ardilla, ingeniero de Google Health desde California, "si después de media hora de visita es capaz de generar un borrador del informe médico, con los síntomas, las analíticas y las recomendaciones del médico, que el doctor solo tiene que leerlo y corregirlo, ahí hace la diferencia la IA".

Ya se están utilizando sistemas que traducen el lenguaje técnico de los informes al lenguaje coloquial que pueden entender los pacientes. También se están desarrollando sistemas capaces de hacer el seguimiento rutinario a enfermos crónicos y que detectan señales de empeoramiento. El objetivo es ahorrar tiempo.

Buena parte del trabajo diario de los sanitarios en los hospitales y los centros de salud son tareas rutinarias. En España hay 285.000 médicos y enfermeras, tan solo con ahorrarles 10 minutos al día, sumarían 23 millones de horas al año que podrían dedicarse a tareas asistenciales.

Esto puede ser crucial para mejorar la eficiencia en un sistema sanitario muy tensionado, que cada vez retiene a menos trabajadores, y que debe asumir el cuidado de una población envejecida, donde los pacientes enfermos y dependientes crecen cada día.

Si no hay datos, los creamos

Uno de los modelos que mejor ha funcionado ha sido el aprendizaje supervisado. "Significa que nosotros le damos los datos a la máquina, para controlar lo que aprende", afirma Lara Lloret, investigadora del CSIC, "introducimos imágenes de pacientes sanos, etiquetándolos como tal, y le damos imágenes de pacientes enfermos, diciéndole que esas contienen una patología, así después es capaz de diferenciarlos". Esta forma de entrenamiento es la que se ha utilizado en especialidades como la radiología desde hace más de una década, pero en los últimos años, con la aparición de la IA generativa, está viviendo un enorme avance.

Ante la falta de datos suficientes para entrenar a la máquina, varios equipos de investigación están utilizando imágenes creadas mediante inteligencia artificial con las que seguir enseñándola. Es lo que se llaman datos sintéticos, datos que no pertenecen a ninguna persona real, pero que sirven para entrenar modelos que después se utilizarán sobre seres humanos.

Estos sistemas generativos están ayudando también en las investigaciones de los laboratorios. "Gracias a ellos vamos a poder generar candidatos a fármacos de una manera muchísimo más rápida que hasta ahora", afirma Lloret. Estos modelos "son capaces de proponer moléculas que es probable que funcionen" y eso esperan que ahorren una gran cantidad de tiempo. El mismo principio es aplicable al desarrollo de vacunas y a la creación de antibióticos capaces de combatir a las bacterias resistentes a todos los antibióticos. Esta rama, para Lloret, es la más prometedora: "Para mí, en medicina, esto es lo más relevante para los próximos años".