La inteligencia artificial en medicina necesita muchos más datos de pacientes

El machine learning promete una revolución en el diagnóstico y tratamiento personalizado de múltiples enfermedades. Aunque no será hoy. Aún está en fase de aprendizaje y, para eso, necesita deglutir grandes cantidades de historiales médicos reales.

“Es una tecnología interesante, pero aún está muy lejos de nuestra rutina médica. Todavía no es operativa en el escenario clínico”, dice a Público el radiólogo Matthias May, profesor asociado en el Hospital Universitario de Erlangen, en Alemania.

Se refiere a la inteligencia artificial, que “por el momento no puede sustituir el trabajo del médico. Lo que hace por ahora es producir una gran cantidad de imágenes de alta calidad y datos automatizados que están multiplicando nuestra carga de trabajo. Si antes teníamos que examinar cuatro o cinco imágenes de una lesión, ahora nos encontramos casi con un libro entero”.

Este radiólogo sabe de lo que habla. Trabaja en uno de los hospitales europeos donde se está ensayando con tecnología puntera para el diagnóstico por imagen con técnicas de inteligencia artificial, en colaboración con Siemens Healthineers, fabricantes especializados en este campo, con más de 900 patentes de machine learning aplicadas a la salud.

Enseñando al algoritmo

Los radiólogos humanos son quienes se encargan de visionar esas imágenes del paciente tomadas mediante el escáner, seleccionarlas, interpretarlas. Sus conclusiones, serán la información que enseñe a los algoritmos cómo hacerlo de forma autónoma. Porque, para aprender a identificar patrones –que luego se aplicarán a futuras detecciones de patologías–, los algoritmos necesitan primero entrenarse con toneladas de ejemplos.

“Somos la generación que está produciendo los datos de alta calidad con los que se entrenará la inteligencia artificial del futuro, la que verdaderamente podrá utilizarse para hacer diagnósticos”, afirma May.

La idea es que el día de mañana, todo ese trabajo de alimentar al algoritmo con datos médicos pueda ayudar a salvar vidas.

“Por ejemplo, la IA puede identificar patrones en una mamografía y en la historia clínica de una paciente y avisar al radiólogo si debería dedicar más o menos tiempo a evaluar esa imagen, en función de si el riesgo es alto o bajo”, cuenta a Público Sourabh Pagaria, director de operaciones de Siemens Healthineers para el Sur de Europa, en un encuentro para medios que se celebró a principios de octubre en Erlangen.

A la hora del tratamiento del cáncer, Pagaria apunta que “el algoritmo también puede ayudar a determinar cuáles son los órganos críticos que serán más impactados por la radiación durante un TAC –dependiendo de cada paciente, su talla, su edad, el tamaño de sus órganos–, para minimizar ese impacto”.

Sin datos, la IA no es nada

Para este ingeniero, “la salud es una ciencia que descansa en datos y estadísticas para crear terapias más precisas. Al poner toda esa información junta, puede encontrar patrones, sacar conclusiones y aplicarlas en el futuro a humanos específicos y casos concretos”.

Bernd Ohnesarge señala que, para tratar pacientes europeos, la IA debería formarse previamente con datos médicos de pacientes de la región

No nos referimos a unos y ceros abstractos, sino a detalles reales de enfermos de carne y hueso: sus dolencias, sus antecedentes, su contexto, su tratamiento, su evolución. El machine learning, sin datos con los que entrenarse, no es nada.

Ante esta necesidad, Bernd Ohnesarge, presidente de Siemens Healthineers para Europa, Oriente Medio y África, resalta la “urgencia de que los Gobiernos elaboren marcos legales para que la industria y la investigación tengan acceso a los datos de la asistencia sanitaria en Europa”. Porque, para tratar pacientes europeos, la IA debería formarse previamente con datos médicos de pacientes de la región europea, razona.

Anonimizar, imperativo

Hablamos, sin embargo, de datos privados sensibles y especialmente protegidos. ¿Qué podría ocurrir si cayeran en manos equivocadas? Una compañía de seguros podría subirte la póliza, si supiera que tienes predisposición a cierta patología, un banco podría negarte una hipoteca, o una empresa no contratarte.

Para prevenir un escenario semejante que pusiera en jaque los derechos fundamentales de las personas, el Reglamento General de Protección de Datos (RGPD) prevé la anonimización de esta clase de información.

“Consiste en desvincular los datos de nuestra identidades”, señala a Público Santiago Mediano, presidente de la Sección de Robótica, Inteligencia Artificial, Realidad Virtual y Aumentada Colegio de Abogados de Madrid.

Según este abogado, “se pueden compartir historias médicas cuando están desanonimizadas, de forma que no suponga un ataque a la privacidad ni a la intimidad, y esté justificado por un bien mayor, para fines de investigación con inteligencia artificial”, añade Mediano.

Matthias May: “Las resonancias magnéticas son mucho más rápidas, porque el resto de la imagen se reconstruye mediante IA”

De igual manera, Pagaria reconoce que la “confidencialidad y seguridad de los datos” es uno de los retos clave a los que se enfrentan el desarrollo y la innovación de la IA en medicina. Otro de ellos es el acceso a datos de calidad.

“A veces están en distintos formatos, que no son compatibles. A veces, están ordenados por el nombre, otras por el apellido...”, dice.

Además, deben ser historiales representativos de la población general. “Por ejemplo, en Estados Unidos, hay muchos más datos de pacientes anglosajones que de la población hispana”, observa.

Así, mientras la IA se pelea con los datos, a día de hoy, los radiólogos ya empiezan a aprovechar algunas de las mejorías que aporta esta tecnología. “Las resonancias magnéticas son mucho más rápidas, porque el resto de la imagen se reconstruye mediante inteligencia artificial. Esto permite que sea un procedimiento más económico y ecológico”, dice May.