Aunque no lo creas, los algoritmos de atención médica están muy presentes en el cuidado de la salud. Este tipo de inteligencia artificial se encarga de diversas tareas, tales como clasificar los datos de los pacientes para predecir quién desarrollará alguna afección médica. También ayuda a determinar a los médicos qué personas en la sala de emergencias se encuentran más enfermas y a examinar imágenes médicas para hallar evidencias de enfermedades.
A pesar de la importancia que tienen para la sociedad, estos son invisibles para los pacientes. Y es por eso que algunos de ellos sienten desconfianza cuando se enteran de la existencia de estas herramientas IA. Pues temen que su salud esté en manos de una máquina.
Queremos que las personas estén tranquilas con el uso de estos algoritmos. Por ello, hemos creado este artículo con el fin de explicarles de qué trata esta IA y cómo funciona en el campo de la atención médica.
¿Qué es un algoritmo de atención médica?
Pero, ¿qué son exactamente los algoritmos de atención médica? Digamos que es como cualquier otra herramienta de inteligencia artificial: programas informáticos complejos que absorben enormes cantidades de datos, buscan patrones/trayectorias y en base a ello hacen una predicción o recomendación para tomar una decisión.
Los cálculos matemáticos de estos algoritmos son tan complejos que solo un científico de datos sería capaz de descifrar completamente lo que sucede dentro de él.
Un ejemplo de algoritmo de atención médica: Sepsis Watch
Para lograr ahondar en el funcionamiento de estos algoritmos orientados a la medicina, desglosaremos los componentes de un algoritmo en específico. Este será uno que marca a los pacientes en las primeras etapas de la sepsis. Enfermedad que indica una complicación potencialmente mortal de una infección que provoca una inflamación generalizada en todo el cuerpo.
Es algo difícil para los médicos determinar a la sepsis, al menos en sus primeras etapas, pues las señales suelen ser muy sutiles. Por ello, un algoritmo de atención médica suele ser una gran ayuda. Este algoritmo enfocado en la sepsis usa técnicas matemáticas, como redes neuronales, que son típicas en los algoritmos médicos.
El algoritmo que analizaremos en esta ocasión respalda a un programa llamado Sepsis Watch. Un programa que los profesores Sendak y Balu ayudaron a desarrollar en la Universidad de Duke. Sepsis Watch empezó a funcionar en el año 2018, después de unos tres años de desarrollo. Hoy en día, cuando alguien es hospitalizado en el hospital de Duke, el programa lo vigila de cerca.
Primer paso: recopila datos conscientes sobre un paciente
Hay muchos factores que contribuyen a que una persona sufra sepsis, tales como la edad, las condiciones de salud que comprometen el sistema inmunitario y la duración de la estancia en el hospital. De este modo, los signos de todo el cuerpo pueden indicarle al doctor cuándo puede estar ocurriendo, incluidos factores como la presión arterial, la frecuencia cardíaca y la temperatura corporal.
Para hacer una predicción certera, el programa Sepsis Watch primero necesita recopilar datos consistentes sobre un paciente.Algunos de esos datos son fáciles de hallar e introducir en el programa: edad, condiciones preexistentes (enfermedad renal) o medicamentos anteriores (medicamentos para el colesterol), que no cambiarán mientras el paciente esté en el hospital. Sin embargo, el programa no siempre se topa con datos tan estables, a veces se encontrará con datos realmente inconsistentes.
Segundo paso: llena los vacíos en las métricas inconsistentes
El programa puede toparse con datos imprecisos: la presión arterial. Sin embargo, el programa no se detendrá por ello, pues necesita los datos de todos modos. Entonces, ante dichas circunstancias, lo primero que hará será llenar los vacíos en esas métricas inconsistentes. Para hacer eso, utilizará un método llamado proceso gaussiano.
Por ejemplo, si a un paciente solo le midieron los niveles de glucosa a las 2:30 a. m., 6 a. m., 3 p. m. y 9 p. m. La herramienta matemática usará la información de esas medidas, así como información sobre otros signos vitales, para llenar los vacíos. El algoritmo intentará hallar la manera de dibujar una línea a través de los puntos de datos existentes y agregar los números que faltan a lo largo de aquella línea. Con una línea uniforme de puntos de datos espaciados uniformemente, ahora podrá verse cuál debería haber sido el nivel de glucosa del paciente a intervalos regulares a lo largo del día.
Tercer paso: todo se guarda en la red neuronal
Todos esos datos ahora se pueden llevar a la red neuronal. La red neutral de Sepsis Watch es una serie compleja de algoritmos que buscan patrones en datos desordenados. Entonces, ¿cómo está compuesta? Pues lo está por una serie de “nodos” que toman datos, los procesan y los envían al siguiente nodo antes de finalmente dar una respuesta.
Así, los datos se introducen en los nodos de la red neuronal, los cuales otorgan diferentes pesos a la información. Cada uno de los nodos obtiene información adicional de un banco de memoria, donde la red neuronal almacena toda la información que aprendió de las veces anteriores en que el programa se ejecutó en el paciente. Luego todos estos datos vuelven a pasar por diferentes capas de red neuronal y así sucesivamente.
Cuarto paso: arroja a red neuronal una puntuación de 0 a 1
Después de que los datos son procesados por esa compleja secuencia de algoritmos, la red neuronal arroja una puntuación entre 0 y 1. Y cuanto más cerca esté la puntuación de 1, más probable es que un paciente tenga sepsis.
Las decisiones humanas continúan jugando un papel importante
En todas las etapas de evaluación del paciente, las elecciones humanas jugaron un papel importante en la forma en que se maneja la sepsis. De hecho, las personas tienen que decidir sobre los umbrales de lo que cuenta como un riesgo bajo, medio o alto de sepsis en función del resultado del programa.
Los médicos y las enfermeras siguen siendo los que toman las decisiones de tratamiento después de que llega una alerta de Sepsis Watch. Ellos solicitan recetas, monitorean a los pacientes para ver cómo responden y deciden si deben seguir usando un algoritmo para vigilarlos y cuándo.