La inteligencia artificial promete mejorar los diagnósticos médicos

Cada año, millones de estadounidenses que van al doctor reciben un diagnóstico errado. Los médicos tratan de ser sistemáticos al identificar enfermedades, pero el sesgo termina por colarse. No contemplan todas las alternativas.

Ahora un grupo de investigadores en Estados Unidos y China ha probado un remedio potencial para todas esas fragilidades humanas: la inteligencia artificial.

En un artículo publicado el 11 de febrero en Nature Medicine, los científicos informaron que construyeron un sistema que diagnostica de forma automática padecimientos infantiles comunes, desde influenza hasta meningitis, mediante el análisis de los síntomas del paciente, su historial médico, resultados de laboratorio y otros datos clínicos.

Los investigadores aseguraron que el sistema demostró una gran precisión, por lo que en el futuro podría ayudar a los doctores a diagnosticar a pacientes que sufran enfermedades complejas o raras.

La base del sistema es una red neuronal, un tipo de inteligencia artificial que puede aprender tareas gracias al análisis de una inmensa cantidad de datos.

Con el uso de la tecnología, Kang Zhang, jefe de Genética Oftálmica en la Universidad de California, campus San Diego, ha construido sistemas que analizan escaneos oculares en busca de hemorragias, lesiones y otras señales de ceguera diabética. Idealmente, tales sistemas servirían como una primera línea de defensa, al revisar a los pacientes e identificar a aquellos que necesiten más atención.

Ahora, Zhang y sus colegas han creado un sistema capaz de diagnosticar una serie todavía más amplia de padecimientos mediante el reconocimiento de patrones en el texto, no solo en las imágenes médicas. Esto podría aumentar lo que los médicos pueden hacer por su cuenta, mencionó.

“En algunas situaciones, los médicos no pueden considerar todas las posibilidades”, explicó Zhang. “Este sistema puede ejecutar una revisión rápida y verificar que el médico no haya pasado nada por alto”.

El sistema experimental analizó los registros electrónicos de salud de casi seiscientos mil pacientes del hospital Women and Children’s Medical Center de Guangzhou, en el sur de China, con lo que aprendió a asociar enfermedades médicas comunes con información específica de pacientes recopilada por los médicos, las enfermeras y otros técnicos.

Para empezar, varios médicos hicieron anotaciones en los registros de Guangzhou y añadieron etiquetas para identificar información relacionada con enfermedades específicas. El sistema entonces analizó los datos etiquetados.

Posteriormente, el sistema neuronal recibió nueva información, incluidos los síntomas de un paciente conforme fueron evaluados durante un examen físico. Pronto fue capaz de establecer conexiones por su cuenta entre registros escritos y síntomas observados.

Cuando se hicieron pruebas con datos no etiquetados, el sistema mostró un desempeño similar al de los médicos experimentados. Diagnosticó asma con un 90 por ciento de exactitud, mientras que los médicos que participaron en el estudio registraron porcentajes de entre un 80 y un 94 por ciento.

En cuanto al diagnóstico de enfermedades gastrointestinales, el sistema fue preciso en 87 por ciento de las veces, en comparación con un rango de 82 a 90 por ciento de los doctores.

Las redes neuronales pueden reconocer patrones en los datos que los seres humanos jamás podrían identificar solos, por lo que pueden ser de gran ayuda en la situación correcta. Sin embargo, ni siquiera los expertos pueden comprender con facilidad los motivos por los que esas redes toman ciertas decisiones y cómo aprenden.

Como resultado, se necesitan evaluaciones extensas para asegurar tanto a los médicos como a los pacientes que estos sistemas son confiables.

Los expertos señalaron que ahora se requieren amplias pruebas clínicas, en particular dada la dificultad de interpretar las decisiones que toma una red neuronal.

“La medicina es un campo que avanza lentamente”, indicó Ben Shickel, investigador de la Universidad de Florida especializado en el uso del aprendizaje profundo para el cuidado de la salud. “Nadie va a arriesgarse a emplear una de estas técnicas sin realizar pruebas estrictas que muestren con exactitud qué sucede”.

Quizá pasen varios años antes de que los sistemas de aprendizaje profundo comiencen a utilizarse en salas de emergencias y clínicas. No obstante, algunos se utilizarán más pronto en el mundo real. Google ya está realizando pruebas clínicas de su sistema de escaneo ocular en dos hospitales del sur de India.

Es más probable que las herramientas de diagnóstico basadas en aprendizaje profundo florezcan fuera de Estados Unidos, opinó Zhang. Los sistemas de revisión automatizada podrían ser útiles en especial en lugares en los que hay muy pocos médicos, como India y China.

El sistema que Zhang armó con sus colegas aprovechó el extraordinario conjunto de datos recopilados en el hospital de Guangzhou. En general, los conjuntos similares de datos obtenidos en hospitales estadounidenses son más pequeños, tanto debido a que en promedio los hospitales estadounidenses son más chicos, como porque las normas dificultan reunir en un solo grupo datos de distintas instalaciones.

Zhang dijo que tanto él como sus colegas pusieron especial atención en proteger la privacidad de los pacientes en el nuevo estudio. Sin embargo, reconoció que los investigadores de China quizá tengan una ventaja en la recopilación y el análisis de este tipo de datos.

“El enorme tamaño de la población y las impresionantes dimensiones de los datos marcan una gran diferencia”, aseveró.