IA para vigilar la salud

En un blog anterior explicamos cómo las nuevas tecnologías van a permitir la generación continua de datos de salud de cada individuo en su vida cotidiana y cómo aplicando algoritmos a esos datos podremos determinar, para cada individuo, sus patrones de normalidad y detectar más rápidamente cuando la persona se salga fuera de sus propios patrones.

A medida que vayamos aumentando el número y la variedad de dispositivos conectados a los sistemas de monitoreo, como ViveLibre hogar o ViveLibre movilidad, iremos incrementando exponencialmente la cantidad de patrones que podremos estudiar y la complejidad de estos.

 

Monitorización de datos con IA

 

Por ejemplo, ahora tenemos medidas continuas de la frecuencia cardiaca y la actividad física del usuario. Podemos estudiar cómo su frecuencia cardiaca se altera cuando aumenta la actividad. Pero si además pudiéramos medir continuamente la presión arterial y los niveles de glucosa podríamos buscar relaciones más complejas entre estas cuatro variables.  Y si esta tecnología se implementara a gran escala en la población, cada individuo podría ser un generador de Big Data que requeriría un análisis complejo.

El problema que surge entonces es ¿quién va a monitorizar todos esos datos de tantos individuos? ¿Quién va a estimar los patrones de normalidad para cada individuo y estará vigilando si hay algún cambio? ¿Serán los médicos de atención primaria los que explotarán todos estos datos? ¿Hará falta crear una nueva profesión de médicos analistas de datos para que puedan explotar esta información? ¿Cuántos de estos nuevos expertos necesitaríamos en un país como España para monitorizar a la población?

 

¿Cómo actúan los Sistemas expertos?

 

La única forma de poder analizar continuamente tal cantidad de datos es mediante programas de IA que imitaran la labor de vigilancia del médico. Los llamados “sistemas expertos”. Estos sistemas expertos aprenderían los patrones de los individuos y detectarían cuándo estos se salen de la normalidad.  En principio, estos sistemas serían viables ya que los algoritmos son buenos determinando patrones cuando hay muchos datos.  Una de las áreas más estudiadas es el de reconocimiento de patrones en las imágenes médicas como radiografías o resonancias magnéticas.

Por ejemplo, es relativamente fácil entrenar a un tipo de programa de IA a reconocer masas tumorales en una radiografía de pulmón a base de enseñarle muchos ejemplos de radiografías con tumor y radiografías sin tumor. Se han hecho estudios demostrando que estos programas pueden tener mayor tasa de acierto que un radiólogo experto. Lo interesante es que no hace falta meter explícitamente todo el conocimiento del radiólogo en el programa.

 

Redes neuronales artificiales

 

El programa aprende solo a base de ver ejemplos. Del mismo modo que el cerebro de un niño de 2 años aprende a distinguir perros de gatos a base de ver ejemplos sin que nadie le de instrucciones específicas de cómo hacerlo. Estos programas de IA se llaman *redes neuronales artificiales* (ANN en sus siglas en inglés) porque precisamente imitan el funcionamiento de la red de neuronas del cerebro humano para aprender patrones a base de ejemplos. Su desarrollo y mejora ha sido espectacular desde finales del siglo pasado. Con ellos funcionan, por ejemplo, los programas de reconocimiento facial de los controles de aeropuertos. Recientemente se han entrenado redes neuronales para reconocer patrones patológicos en electrocardiogramas (por ejemplo, signos de fibrilación auricular). Están demostrando ser efectivos y para detectar ciertas patologías y algunos “relojes inteligentes” ya incorporan esta tecnología.

 

El problema de estos sistemas de reconocimiento de patrones es que tienen poca capacidad de interpretación de los resultados en el contexto del paciente. Por ejemplo, el sistema podría detectar unos niveles de glucemia y de tensión arterial anormalmente altos para un paciente a las 12 de la noche y lanzar una alarma. Pero no entendería que hasta cierto punto esto es algo esperado porque el sujeto está en una situación excepcional celebrando fin de año, o la boda de un familiar. Un médico que conociera la circunstancia no se preocuparía tanto de esa medición a las 12 (a no ser que fueran valores extremos de alto riesgo inminente) y esperaría unas horas a ver si se normalizan los datos.

 

Limitaciones de la IA

 

La gran limitación de la IA actualmente es que es muy difícil incorporar toda la información necesaria para que el programa pueda interpretar los datos en el contexto, ya que esta información suele ser mucha y muy variada. En el ejemplo anterior tendríamos que hacer comprender al ordenador que cuando el usuario se encuentra en una situación excepcional de celebración, los niveles se pueden alterar. Pero esto no es motivo de alarma si se mantiene bajo ciertos parámetros de control. En este sentido la IA está aun muy lejos de imitar la inteligencia humana. La IA solamente es muy efectiva en tareas muy limitadas que no requieren de contexto. Como por ejemplo, jugar al ajedrez o reconocer un patrón en una imagen o en una serie de datos, pero es muy difícil que haga razonamiento humano en general. En este sentido no es esperable que a corto plazo los programas de IA de monitorización de pacientes sean completamente autónomos. La clave estaría en combinar su uso con el juicio humano. La IA puede servir de “filtro” para detectar situaciones posiblemente patológicas que después tendría que revisar un humano para juzgar su gravedad y plantear una posible intervención.

 

En este artículo hemos hablado de cómo usar programas de IA para aplicar algoritmos que determinar patrones personalizados usando Big Data generado por un sistema de monitoreo continuo de la salud. En el siguiente artículo explicaremos cómo integrar toda esta tecnología con el factor humano -los usuarios y los profesionales de la salud- para crear un Sistema de Salud Inteligente, en el que aprendamos continuamente de los datos generados rutinariamente por el sistema para mejorar la asistencia a los pacientes que generaron esos datos y a los que vendrán en el futuro.