Estas aplicaciones en salud demuestran ser un complemento de la práctica clínica con buenos resultados. Sin embargo, incorporar tecnologías disruptivas en medicina no resulta fácil, por los principios de no maleficencia, beneficencia, autonomía y justicia que debe velar el acto médico, y por ser complejo y difícil romper paradigmas en un entorno donde la experiencia y la percepción clínica son fundamentales.
Hasta hace poco al solicitar datos de registros médicos electrónicos a las unidades de informática o estadística, estas se condicionaban a entregar solo texto estructurado tabulado (tablas), dejando de lado el “texto libre” argumentando, además de la dificultad técnica de su obtención en algunos casos, que no serían de utilidad porque “no se podían procesar”, perdiéndose valiosa información referente a situaciones clínicas que se encuentra en evoluciones, informes, protocolos operatorios, etc. Los sistemas de registros clínicos electrónicos como Electronic Health Record y EHR fueron concebidos inicialmente con fines de gestión administrativa-financiera, más que clínica. Con el desarrollo en el mundo médico y de la administración en salud han visto la utilidad de los datos y de su correcto análisis e interpretación en pro de realizar una medicina más eficiente y segura. No es si no hasta las últimas décadas donde, además de estar logrando importantes avances en la estandarización e interoperabilidad de los sistemas de registros a nivel global es que se le está dando la valiosa utilidad de procesar esos grandes e incrementales volúmenes de datos almacenados en forma diaria.
Para los médicos clínicos comienza a ser una poderosa herramienta de la que podemos valernos en distintos aspectos y con la cual debemos familiarizarnos. Es relevante y satisfactorio a la vez saber que con esta manera de modelar datos podemos reencontrarnos con una utilidad real (del punto de vista del análisis) de largos textos de evoluciones clínicas, interconsultas, informes, protocolos, etc. Al mismo tiempo, despierta el interés en líneas de investigación donde podamos encontrar asociaciones o incluso nueva información que de otra manera no veríamos, que puedan responder a hipótesis o ayudarnos a encontrar respuestas a problemas de la práctica diaria. A medida que estos modelos de texto libre va -ya evolucionando (“aprendiendo” con nuestros propios datos) nos van a ayudar, a su vez, a “mejorar” la propia escritura, en el sentido de entender o interpretar mejor las abreviaturas, planteamientos diagnósticos o terapéuticos, y corregir errores involuntarios en la redacción o escritura de terminología y semiología médica que los procesadores actuales aún “no entienden
La predicción no es algo nuevo en medicina. Desde puntajes de riesgo para guiar la anticoagulación (CHADS2) y el uso de fármacos para el colesterol alto (ASCVD), a la estratificación de riesgo de pacientes de unidades de cuidados intensivos (APACHE), entre muchas otras, las predicciones clínicas basadas en datos son pruebas rutinarias en la práctica clínica. Actualmente, en combinación con técnicas modernas de aprendizaje automático, diversas fuentes de datos clínicos nos permiten generar rápidamente o en tiempo real modelos de predicciones para miles de tareas o problemas clínicos similares. Además, se ha podido incluir en la elaboración de estos modelos distintos tipos de datos no estructurados que antes no era posible procesar como parte de un modelo predictivo con métodos tradicionales (por ejemplo, gran cantidad de texto libre ampliamente usado en los registros clínicos, imágenes directas desde su captura, visión por computadora, etc.)
En salud, el tiempo del diagnóstico es un factor crucial en el pronóstico del paciente. El potencial de aplicabilidad de esta aproximación del uso de los datos clínicos es sustancial, tanto para sistemas de alertas críticas tempranas como en el diagnóstico por imágenes de alta precisión, optimizar la gestión de citas clínicas, entre otros. A pesar de que evidentemente los algoritmos predictivos no pueden eliminar la incertidumbre de la toma de decisiones en medicina, sí logran mejorar u optimizar la asignación de recursos en la atención médica, tanto humanos como físicos. Por ejemplo, el índice de gravedad de embolia pulmonar (PESI - Pulmonary Embolism Severity Index) es un modelo predictivo ampliamente validado como riesgo de muerte por esta condición y otras priorizan de una manera adecuada a pacientes en esperade trasplante de hígado por medio del puntaje MELD (Model forEnd-stage Liver Disease). sistemas de alerta temprana, que con técnicas tradicionales hubieran demorado años en desarrollarse, ahora pueden aplicarse y optimizarse de forma rápida a partir de datos del mundo real y de forma continua a medida que ocurren. Igualmente, las redes neuronales de aprendizaje profundo son capaces de reconocer de manera rutinaria imágenes patológicas con una alta precisión que antes se creía imposible. Se debe enfatizar que estos modelos, como otros, en las distintas áreas del aprendizaje automático, no son infalibles y al igual que cualquier humano se equivocan en sus resultados en un porcentaje de veces. De hecho, las métricas con las que se entrenan y evalúa el rendimiento de un algoritmo en desarrollo se basan principalmente en “minimizar el error” (como el promedio de error cuadrático-RMSE, Root Mean Square Error). En la transición contemporánea que estamos viviendo de incorporar cada vez más estas técnicas a la práctica clínica diaria, se tiende a esperar que no cometan errores por el sólo hecho de ser realizadas por máquinas o computadores modernos denominados inteligentes, y que pueden llegar a ser erróneamente desestimados por no tener una precisión del 100%.
Discutir si los modelos predictivos de aprendizaje de máquina van a llegar a ser “más inteligentes” que los mismos profesionales de salud pareciera ser irrelevante. Es indiscutible que, en la salud, como en todas las otras industrias, los expertos del dominio son un eslabón fundamental e irremplazable en el modelo de trabajo de la ciencia de datos, que le dan sentido y modulan tanto la creación como el uso clínico de estos algoritmos. Sin duda, cada vez más, el resultado final de estas herramientas puede asemejarse o acercarse a un “comportamiento humano”, integrando varios modelos predictivos (eligiendo incluso cuáles se debe usar dependiendo del caso específico) en un mismo momento y en muy corto tiempo para tomar decisiones complejas (de diagnósticos o tratamientos) de forma casi automática o en tiempo real. No obstante, no hay que olvidar que en su lógica más básica no son más que operaciones matemáticas de matrices y tensores de alta dimensionalidad que no piensan, no sienten, ni tienen la intangible interacción humana ni sus virtudes (“ojo clínico”) que ninguna máquina ha reemplazado ni reemplazará, desde los trabajos de Alan Turing a nuestros días y en el futuro.
Aplicación de algortimos en esclerosis múltiple u otras enfermedades
La revisión se realizó empleando el motor de búsqueda “PubMed” de libre acceso que permite consultar la base de datos MEDLINE. La selección de estudios se realizó introduciendo como conceptos de búsqueda Machine Learning para uso de esclerosis, unidos por el operador booleano”AND” para limitar la búsqueda a aquellos estudios que contuviera ambos conceptos. La búsqueda se realizó sin límite inferior en el año de publicación y con fecha de cierre. Se rechazaron aquellos estudios que tuvieran un carácter técnico y sin una aportación específica a la esclerosis múltiple (criterio 1); aquellos que estuvieran en otro idioma que no fuera el castellano o el inglés (criterio 2); y aquellos trabajos que fueran revisiones (criterio 3). Sin embargo, en este último caso, se rastreó entre sus referencias, para localizar estudios que trataran de la aplicación de ML en la EM y que no hubieran sido mostrados por el motor de búsqueda inicialmente. Las características de esta investigación (criterios de selección de los estudios) establecen a priori un bajo nivel de sesgo, sin embargo, algunas consideraciones se tuvieron en cuenta para minimizar esta posible amenaza.
Por un lado, no se establecieron limitaciones en cuanto al tipo de revista (aspectos como la posición de cuartil o el factor de impacto) o en los años de publicación. Sí se eliminaron las revisiones como referencias elegibles (para evitar posibles duplicaciones), aunque sí se emplearon para poder rastrear referencias no halladas por el motor de búsqueda. Por último, no se han incluido aquellos trabajos enfocados a la mejora en la exploración de resonancia magnética nuclear (RMN) aunque se ha realizado un comentario específico al respecto.
En las herramientas de la inteligencia artificial liderarán parte de los avances más relevantes en la práctica clínica. Entre las limitaciones de este estudio debemos destacar algunas consideraciones. El motor de búsqueda PubMed puede cometer errores en su rastreo de los artículos publicados hasta la fecha.
Sin embargo, el análisis de los apartados de bibliografía de los diferentes artículos analizados minimiza la posibilidad de que un número elevado de artículos relacionados con el ML y la EM no hayan sido incluidos en la revisión. Otro aspecto que puede tenerse en cuenta es que existen otros conceptos como” Deep Learning” que pueden ser de interés en su aplicación en la EM y están relacionados con el ML. En futuras revisiones sobre el ML y su aplicación sobre la EM u otras patologías, deberá contemplarse la posibilidad de ampliar las palabras clave a otras posibles acepciones como “Deep Learning” o “Network representation learning”
Resultados
Tras la búsqueda, se obtuvieron 107 estudios de los cuales:
31 fueron rechazados en atención al criterio de exclusión 1;
Ninguno fue retirado por el criterio de exclusión 2.
7 fueron excluidos por el criterio de exclusión 3 (revisiones).
En el caso de los estudios rechazados por el criterio 3, el rastreo posterior de sus propias referencias rindió 7 estudios no hallados en la búsqueda inicial y que por tanto fueron añadidos a la muestra seleccionada para esta revisión.
El total de estudios aceptados finalmente en esta revisión fue de 76 y el número de rechazados 38.
Respecto de las diversas revisiones halladas en la búsqueda, es necesario destacar que muestran ya un cierto grado de madurez del campo del ML en la disciplina de la Neurología. Sin embargo, la mayoría de estas revisiones abordan múltiples patologías neurológicas.
Bibliografía
• REVISTA MÉDICA CLÍNICA LAS CONDES
Javier Mora Pineda
https://www.journals.elsevier.com/revis ... las-condes
• Revisión sistemática de la aplicación de algoritmos de «machine learning» en la esclerosis múltiple M. Vázquez-Marrufoa, E. Sarrias-Arrabal a, M. García-Torres b, R. Martín-Clementec y G. Izquierdo