Tecnología y salud, usan algoritmos para predecir ataques cardíacos

El aprendizaje profundo está en todas partes. La tecnología de moda se apoya en algoritmos, conjuntos de instrucciones que, en esta variante, absorben experiencias para luego aplicar ese conocimiento a la concreción de tareas diversas. Por caso, reconocer elementos en imágenes digitales, mostrar anuncios personalizados, o recomendarnos películas. Pero el abanico de aplicaciones trasciende, por mucho, esos ejemplos.

"En los últimos años muchas empresas incorporaron algoritmos de machine learning en sus plataformas, como Netflix o Spotify, para maximizar su eficiencia. Eso influyó en la optimización de muchos procesos a los que estamos expuestos. Nuestra investigación se origina en la creencia de que aquellos avances también deben implementarse en las ciencias médicas", dice a LA NACION Luis Eduardo Juárez-Orozco, autor de un estudio que examina el uso de algoritmos para anticipar ataques cardíacos y estimar la esperanza de vida.

El sistema analizó durante seis años 85 variables en casi 1000 pacientes. Los investigadores notaron que ese cúmulo de información permitía identificar patrones personalizados, predecir enfermedades cardíacas e incluso la muerte, mediante puntuaciones de riesgo. Y lo hizo con una precisión en torno al 90%. El líder del estudio señaló que estos avances van mucho más allá de lo que se ha hecho en medicina y notó que "si bien tenemos los datos, todavía no los estamos utilizando en todo su potencial".

Los algoritmos son parte de un ámbito heterogéneo, con variedades que se aplican según la información que se analiza. "En medicina cardiovascular estamos trabajando arduamente para poder acceder cada vez a más datos", explica el cardiólogo de origen mexicano, investigador por la Universidad de Turku, en Finlandia, y del Centro Médico Universitario de Groningen, en los Países Bajos.

–¿Cuál es la particularidad de este sistema? ¿Su secreto es el entrenamiento?

–Ciertamente, no hay nada único en él. El beneficio viene de aplicar métodos específicos en datos útiles, para preguntas que corresponden al pronóstico cardiovascular. La cantidad de información es verdaderamente importante, y es la razón por la que ahora también existen técnicas en machine learning para ampliar los datos disponibles mediante simulaciones o modificaciones de ya existentes. La importancia del tiempo de seguimiento tiene que ver con los eventos a largo plazo más que con la eficiencia del sistema per se. En cuanto a las observaciones clínicas a largo plazo, son datos fundamentales, ya que ofrecen la oportunidad de un día predecir mejor el riesgo de nuestros pacientes.

–¿Qué beneficios específicos ofrece este método? Además, ¿cuán factible es su aplicación?

–La ventaja de aplicar inteligencia artificial es la alta capacidad de dilucidar patrones multidimensionales complejos, que pueden no ser evidentes para los operadores humanos, y que además ayudarían a identificar individuos que corren mayor riesgo de un evento o enfermedad. Su aplicación es factible, pero como todo en ciencias médicas existe un ligero retraso que depende de las regulaciones que aseguran que nuevas tecnologías provean evidencia robusta de su efectividad y seguridad. Por su parte, los centros médicos deberán invertir en mejorar sus tecnologías de almacenamiento y procesamiento de datos para poder hacer uso de estas implementaciones.

–¿Cómo se usa en la práctica?

–Funciona como una interfaz para los clínicos y científicos, que ingresan ciertos datos. Pueden ser numéricos o imágenes. Luego se almacenan y procesan con el algoritmo, para entonces obtener una pseudoprobabilidad o riesgo individual de eventos específicos en cierto horizonte de tiempo.

Siguiendo la advertencia de Juárez-Orozco, ¿por qué no se aprovecha el potencial de los datos en medicina? En todo caso, ¿cuál es el camino para hacerlo? Según advierte el experto, el primer paso es el más complejo: llevarlos al formato digital.

"Hay muchos sitios, especialmente en países en vías de desarrollo, donde la cantidad masiva de datos generados no pueden ser utilizados por estar en formatos ineficientes, e incluso porque no son almacenados", nota, y concluye que "cuanta mayor sea la información disponible, mejor será el desempeño de los algoritmos". También en ciencias médicas.

Una mirada local

"La recolección de datos en el nivel individual es fundamental, ya que nos permite adoptar conductas preventivas o terapéuticas", dice en sintonía con Juárez-Orozco el director del área de investigación de la Sociedad Argentina de Cardiología, Adrián Lescano, que igualmente valora la personalización. "Si bien en la práctica cotidiana extrapolamos datos de diferentes trabajos de investigación, la singularidad biológica de cada paciente constituye una herramienta insustituible en el arte del médico, ya que es probable que los resultados no sean homogéneos".

"Un amplio porcentaje de las patologías cardiovasculares disponen de scores de riesgo (puntuaciones) que intentan aproximarnos numéricamente la probabilidad que un pacientes tenga ciertas complicaciones determinadas. Hay que aclarar, asimismo, que estos análisis son scores para aplicar en poblaciones que cumplan con las características sobre las cuales se realizó la evaluación", observa.

Consultado por LA NACION respecto a cuán factible es el aprovechamiento de los beneficios algorítmicos en este ámbito, Lescano sostiene: "Cuando discutimos en los foros médicos respecto a la implementación de tecnología en salud, nos encontramos con ciertas barreras que obedecen a la accesibilidad de la población general, la calidad metodológica de los estudios realizados y la eficiencia de la utilización del método. En salud general existe un campo muy interesante de investigación en implementación, que evalúa cuáles son las deficiencias por la que las guías médicas no se aplican en la práctica, y cómo adoptar estrategias para disminuir el abismo entre el conocimiento adquirido y el accionar sobre nuestros pacientes".