El 'machine learning' augura un futuro con diagnósticos más fiables

Una radiografía cada dos años para todas las mujeres de entre 50 y 69 años. Desde 1990, ese el mayor reto de cribado del Sistema Nacional de Salud, y su objetivo es prevenir uno de los cánceres con más incidencia de España, el de mama. El método son rayos X que detectan zonas potencialmente cancerígenas; si se observa algo sospechoso, a esa prueba le siguen más pruebas, a menudo con altas posibilidades de falsos positivos, lesivas, y costosas.

Su tortuosidad es el principal motivo por el que los cribados están limitados a los grupos de máximo riesgo. Sumando algoritmos predictivos a las mamografías, las zonas de riesgo de los senos de la paciente se acotarían y la fiabilidad de los diagnósticos subiría hasta el 90 por ciento. Por tanto, podrían hacerse con más frecuencia y el rango de edad de las mujeres a las que se dirigen podría ampliarse.

Es un proceso que ya existe, que usa inteligencia artificial, y que desarrolla un equipo del Consejo Superior de Investigaciones Científicas (CSIC), concretamente del Instituto de Física Corpuscular (IFIC). Forma parte del ámbito del machine learning (aprendizaje automático) en Medicina de precisión, y de una red de investigaciones que buscan aumentar la eficacia con la que se trata a cada paciente y optimizar los recursos sanitarios.

Para entender cómo, hay que entender primero los conceptos que entran en juego. El primero es el de inteligencia artificial. “La capacidad de un ordenador o robot para realizar tareas generalmente asociadas con seres inteligentes”, según la definición de Sara Degli-Esposti y Carles Sierra, autores del libro blanco del CSIC sobre esta disciplina. Es decir, son los procedimientos que se emplean para sustituir el trabajo de los seres humanos por el de los robots, con el objetivo de que lo lleven a cabo con mayor precisión y más eficacia.

¿Y dónde puede actuar hoy la inteligencia artificial en mMdicina? “En varios frentes”, responde Dolores del Castillo, investigadora del Centro de Automática y Robótica del CSIC, “desde el administrativo hasta la gestión de la documentación clínica. Y, de forma más especializada, en el análisis de imágenes, o en la monitorización y seguimiento de pacientes”. ¿Y dónde hay todavía limitaciones enormes? Sobre todo, “en el campo del cuidado de la salud, en los aspectos legales y éticos a la hora de abordar casos críticos”. Y además todavía falta, señala Del Castillo, que trabaja entre otros en proyectos sobre trastornos neurológicos del movimiento, formación para gran parte del personal sanitario.

Con sus ventajas y sus carencias, como subcampo de la inteligencia artificial encontramos el segundo concepto: machine learning. Podría traducirse como aprendizaje automático. Esto es, aquella inteligencia artificial que funciona a través de ordenadores que detectan patrones en grupos poblacionales. Con esos patrones se elaboran predicciones sobre qué es lo más probable que suceda. El machine learning traduce datos en algoritmos.

Medicina de precisión para anticiparse a la enfermedad

Y tras la inteligencia artificial y el machine learning, hay un tercer concepto: la Medicina de precisión. Aquella que se adapta al individuo, a sus genes, a sus antecedentes, a su estilo de vida, a su socialización. Un modelo que ha de ser capaz primero de anticiparse a la enfermedad; segundo, sigue Francisco Albiol, del IFIC, de “valorar a cada paciente, aplicar las mejores terapias basadas en la evidencia clínica, discernir los casos más complejos y valorar su inclusión en programas de gestión”.

Tiene sentido para enfermedades de alto impacto, y no tiene sentido para enfermedades graves; por ejemplo, para distinguir en atención primaria una gripe de un constipado, porque los beneficios no compensarían el esfuerzo que requiere.

La clave del uso de inteligencia artificial en Medicina es también la optimización de los costes, muy importante en la sanidad pública. La población española se ha incrementado de 42 a 47 millones de personas entre 2003 y 2022, esto es, más del 10 por ciento. Y de 2005 a 2022, la edad media de la población ha pasado de 40 años a 44. Cada vez somos más, y más viejos.

Por eso, “los proyectos mejor valorados y, por tanto, susceptibles de ser financiados, son aquellos que incorporan tecnologías de inteligencia artificial para abordar la prevención, el diagnóstico y el tratamiento de enfermedades cardiovasculares, enfermedades neurodegenerativas, cáncer y obesidad”, dice Dolores del Castillo, pero “también se presta especial atención a las propuestas sobre Medicina personalizada y domiciliaria, asistencia a ancianos y nuevos medicamentos”. “La necesidad de la sanidad se ha incrementado por nuestra demografía, y el objetivo ha de ser reducir y hacer más sencillos los retos con tecnología. Lo intentamos con machine learning”, resume Albiol.

Albiol es uno de los científicos que ha liderado el programa para mejorar la detección del cáncer de mama a través de algoritmos. Defiende, como otros investigadores, que si mezclamos machine learning con medicina de precisión, de lo que deberíamos hablar es de medicina 4p. La que conglomera cuatro características: “Predictiva, personalizada, preventiva y participativa”. 

Porque los más puristas limitan la Medicina de precisión al ámbito de la genética del paciente, y no incluirían en el saco aquella que tiene en cuenta más características. Los que sí, sostienen que hablamos de algo mucho más amplio: “Aplicado a la Medicina de precisión, el machine learning permite analizar grandes cantidades de datos de muy diferentes tipos (genómicos, bioquímicos, sociales, imagen médica...) y modelarlos juntos para poder ofrecer diagnósticos adaptados al individuo, más precisos y llevar así a cabo tratamientos más eficaces”, sintetiza Lara Lloret Iglesias, investigadora del Instituto de Física de Cantabria.

Lloret forma parte de la red de científicos que, como Albiol o Del Castillo, se dedica a proyectos sobre machine learning y medicina de precisión. Uno de los que desarrolla su equipo, que lidera junto a la también física Miriam Cobo Cano, se llama Branyas. Es en honor a María Branyas, la mujer más longeva de España que consiguió superar la covid-19: lo ha hecho con 113 años. En él aúnan muchas casuísticas de más de 3.000 personas mayores, ni mucho menos solo genéticas: “Se utilizan técnicas de machine learning para establecer perfiles de riesgo de enfermar o fallecer como consecuencia del coronavirus. Hemos obtenido datos a partir del análisis de tres perfiles de riesgo: uno sociodemográfico, uno biológico y uno biológico ampliado, que añadirá información sobre cuestiones como la microbiota intestinal, vacunación y aspectos relacionados con la inmunidad”.

Medicina de precisión, cáncer y alzhéimer

Lo explica también Josep Lluis Arcos, del Instituto de Investigación en Inteligencia Artificial. Las enfermedades que se suelen asociar a la Medicina de precisión son el cáncer y el alzhéimer, pero ellos han destacado con el proyecto Ictus.  Puesto en marcha en plena pandemia (lo cual ha dificultado las cosas, reconoce), ha tratado con pacientes del hospital de Bellvitge, de Barcelona, que sufrieron un derrame cerebral y, tras la fase crítica y aguda, han pasado a ser crónicos.

En concreto, con los que tienen dificultades de movimiento en uno de sus brazos, o en los dos. Han realizado más de 700 sesiones en las que les han pedido a los pacientes que tocaran el teclado de un piano electrónico. Luego, han trasladado el análisis de los movimientos de los dedos a resultados para ver cuáles son los patrones de las dificultades, y de las mejoras. Y han obtenido una respuesta especialmente positiva entre los usuarios “porque no solo es hacer un ejercicio, sino que afecta a una parte muy emocional”. El objetivo ahora es extenderlo a hospitales de Reino Unido.

¿Y el futuro? “Creo que el reto de la inteligencia artificial en medicina es el de incorporar los resultados de la investigación de una forma generalizada a la práctica diaria”, responde Dolores Del Castillo, pero siempre sin olvidar que “son los expertos los que tienen la última palabra”. Para ello, “es necesario que los médicos confíen en estos sistemas y puedan interaccionar con ellos de la manera más natural y sencilla posible, ayudando incluso a su diseño”.

Lara Lloret opina que tendremos que ser capaces de crear “sistemas de predicción generalizables, es decir, que la eficiencia del modelo no dependa de cosas superfluas como en qué máquina se han tomado los datos, o cómo es la calibración”. Francisco Albiol pone el foco en un problema que a la larga “se tendrá que resolver”: de momento, “los grandes hospitales son favorecidos en estas técnicas respecto a ciudades pequeñas o pueblos. Facilitar y reducir costes también tiene que ver con que lleguen a todos”.