La tecnolog铆a utilizada por Facebook, Google y Amazon para convertir el lenguaje hablado en texto, reconocer rostros y administrar estrategias de publicidad podr铆a ayudar a los m茅dicos a combatir a uno de los asesinos m谩s letales en los hospitales estadounidenses.
Clostridium difficile (C-diff), una bacteria mortal que se transmite por contacto f铆sico con objetos o personas infectadas, se disemina f谩cilmente en los hospitales, causando 453,000 casos al a帽o y 29,000 muertes en los Estados Unidos, seg煤n publicado en New England Journal of Medicine. Las estrategias tradicionales como promover la higiene y se帽ales de advertencia generalmente no logran detenerla.
Pero, 驴y si fuera posible detectar a los pacientes vulnerables que C-diff atacar谩? Erica Shenoy, especialista en enfermedades infecciosas del Hospital General de Massachusetts, y Jenna Wiens, cient铆fica en computaci贸n y profesora asistente de ingenier铆a en la Universidad de Michigan, intentaron justamente eso cuando de un paciente de desarrollar una infecci贸n por C-diff, o CDI. Seg煤n las investigadoras, este m茅todo 鈥搎ue utiliza signos vitales de los pacientes y otros registros de salud, y que a煤n est谩 en fase experimental鈥 deber铆a formar parte de las rutinas hospitalarias.
El algoritmo CDI, basado en una forma de inteligencia artificial llamada aprendizaje autom谩tico, est谩 listo para pasar al mundo real, dijo Zeeshan Syed, quien dirige el Programa de Inferencia Cl铆nica y Algoritmos de la Universidad de Stanford.
El aprendizaje autom谩tico (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, im谩genes y ruidos, y c贸mo continuamente adapta y refina su comportamiento para maximizar las probabilidades de encontrar su pr贸xima comida.
El algoritmo CDI de Shenoy y Wiens analiz贸 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 detr谩s de ellos.
Los registros conten铆an m谩s de 4,000 variables distintas. "Tenemos datos relacionados con todo, desde resultados de laboratorio hasta en qu茅 cama est谩 el paciente, qui茅n est谩 junto a esa persona y si est谩n infectados. Incluimos todos los medicamentos, resultados de pruebas y diagn贸sticos. Y recopilamos esta informaci贸n a diario", explic贸 Wiens. 鈥淨uer铆amos capturar la evoluci贸n del riesgo鈥, agreg贸.
A medida que el sistema analiza estos datos en repetidas ocasiones, extrae se帽ales de advertencia de enfermedades que los m茅dicos pueden pasar por alto: constelaciones de s铆ntomas, circunstancias y detalles de la historia m茅dica que probablemente causen una infecci贸n en alg煤n momento de la estad铆a en el hospital.
Tales algoritmos, que ahora son comunes en el comercio por Internet y las finanzas, no se han probado todav铆a mucho en medicina y salud. En los Estados Unidos, la transici贸n de informes m茅dicos escritos a electr贸nicos ha sido lenta, y el formato y la calidad de los datos todav铆a var铆an seg煤n el sistema de salud y la pr谩ctica m茅dica, creando obst谩culos para los cient铆ficos expertos en inform谩tica.
Pero el poder de estas tecnolog铆as ha crecido exponencialmente, a la vez que se ha abaratado. En el pasado, la creaci贸n de un algoritmo de aprendizaje autom谩tico requer铆a redes de computadoras; ahora se puede hacer en una laptop.
Los algoritmos de aprendizaje autom谩tico ahora pueden diagnosticar confiablemente el (a partir de fotograf铆as) y el , y predecir el .
Lily Peng, cient铆fica investigadora de Google, dirigi贸 un equipo que desarroll贸 un algoritmo de aprendizaje autom谩tico para diagnosticar el riesgo de un paciente de retinopat铆a diab茅tica a partir de un esc谩ner de retina.
El a帽o pasado, la Administraci贸n de Alimentos y Medicamentos (FDA) aprob贸 el primer algoritmo m茅dico de aprendizaje autom谩tico para uso comercial de la empresa Saner Arterys. Su algoritmo, llamado "DeepVentricle", realiza en 30 segundos una tarea que los m茅dicos suelen hacer a mano: dibujar los contornos de los ventr铆culos de m煤ltiples im谩genes de resonancia magn茅tica del m煤sculo card铆aco en movimiento, para calcular el volumen de sangre que circula. Eso habitualmente toma un promedio de 45 minutos. "Se est谩 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 tecnolog铆as podr铆an ahorrar mucho tiempo y dinero. Pero tambi茅n 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 habr谩 resistencia", dijo Eric Topol, director del . "Socava la forma en que los radi贸logos hacen su trabajo. Su principal tarea es leer escaneos: 驴qu茅 suceder谩 cuando ya no tengan que hacerlo?鈥.
El cambio puede no dejar a muchos m茅dicos sin trabajo, dijo Topol, quien fue coautor de que explora el tema. M谩s bien, probablemente los empujar谩 a encontrar nuevas formas de aplicar su experiencia. Por ejemplo, podr谩n enfocarse en diagn贸sticos m谩s desafiantes en los que los algoritmos siguen siendo insuficientes, o interactuar m谩s con los pacientes.
M谩s all谩 de esta frontera, los algoritmos pueden proporcionar un pron贸stico m谩s preciso para el curso de una enfermedad, lo que podr铆a reconfigurar el tratamiento de condiciones progresivas o abordar las incertidumbres en la atenci贸n al final de la vida. Pueden anticipar infecciones de r谩pido movimiento como la CDI y dolencias cr贸nicas como la insuficiencia card铆aca, permitiendo intervenciones tempranas y reduciendo el costo de la enfermedad.
Pero, a pesar de la esperanza cient铆fica, el aprendizaje autom谩tico en medicina sigue siendo un terreno desconocido en muchos aspectos. Por ejemplo, agrega una nueva voz, la voz de la m谩quina, a decisiones m茅dicas clave. Los m茅dicos y los pacientes tardar谩n en acostumbrarse.
"Har谩 una gran diferencia en c贸mo se toman las decisiones m茅dicas: estar谩n mucho m谩s impulsadas por los datos de lo que sol铆an estar", opin贸 John Guttag, profesor de inform谩tica del Massachusetts Institute of Technology. Los m茅dicos confiar谩n en estas herramientas cada vez m谩s complejas para tomar decisiones, pero "no tienen idea c贸mo funcionan". Y, en algunos casos, ser谩 dif铆cil descubrir por qu茅 se ofrecieron malos consejos.
麻豆女优 Health News is a national newsroom that produces in-depth journalism about health issues and is one of the core operating programs at 麻豆女优鈥攁n independent source of health policy research, polling, and journalism. Learn more about .