Investigadores de la UBA buscan ampliar las opciones de los médicos a la hora de tomar decisiones. Aplican algoritmos de aprendizaje automático en el análisis de datos de terapias intensivas, en pos de lograr lo que se conoce como medicina personalizada o de precisión.
Inteligencia artificial en terapia intensiva
Todo genera datos hoy en día. A veces, la cantidad es tal, que ninguna persona puede analizarlos y sacar conclusiones de ellos. Por eso se usan algoritmos de aprendizaje automático, o Inteligencia Artificial, que pueden lidiar con grandes cantidades de datos, incluso en tiempo real.
Tal es el caso de un grupo de investigación de la Universidad de Buenos Aires, que están desarrollando modelos que aprovechan los datos de los pacientes generados por los dispositivos de terapia intensiva y de las historias clínicas electrónicas, para ayudar a los médicos en la toma de decisiones sobre diagnóstico y tratamiento.
“Lo que hace el algoritmo, una vez entrenado, es enviar alertas tempranas. Puede decirle al médico si va a mejorar, permanecer estable, o empeorar. Esta información lo habilita a actuar antes, a la vez que agiliza el trabajo de quienes lidian con muchos pacientes, o historias clínicas enormes”, contó Marcelo Risk, profesor de la UBA en el Departamento de Computación, de la Facultad de Ciencias Exactas y Naturales, e investigador principal del CONICET y del Hospital Italiano de Buenos Aires.
“Salvando la distancia”, agregó el experto, “se podría comparar con el pronóstico meteorológico. Si escuchamos que va a llover, llevamos el paraguas. Teniendo la información, se pueden tomar recaudos. Pero en el caso de la salud, sería mejor el aporte. Ya que, la lluvia no se puede evitar, mientras que a través del análisis de datos, se pueden evitar muchas complicaciones de salud para un paciente”.
El trabajo que el equipo de la UBA está realizando en colaboración con médicos del Hospital Italiano de Buenos Aires, ya está en la etapa de desarrollo de modelos, y ya ha aportado resultados muy prometedores en pruebas preliminares, varios de ellos publicados y otros por publicar en revistas científicas.
Datos para medicina de precisión
“Estos algoritmos en los que estamos trabajando forman parte de algo conocido como medicina de precisión o personalizada. La idea de esta forma de encarar la salud es la de hacer un tratamiento a medida de cada paciente”, contó Marcelo Risk.
En la actualidad, si a alguien se le diagnostica una enfermedad, se le administra un tratamiento estándar. Por ejemplo, tomar tal medicamento cada 8 horas. Pero eso no tiene en cuenta la diversidad entre las personas. La genética, la dieta, la altura, el peso, el sexo, la edad, donde vive, a qué se dedica.
Cada persona es un mundo, entonces al personalizar el tratamiento con la medicina de precisión, se garantiza que funcione lo mejor posible. Es algo que está revolucionando la medicina, y en la actualidad es muy utilizado en el tratamiento del cáncer.
“Pero para hacer esto, se necesita análisis de datos sobre el paciente, desde su genética, hasta sus signos vitales”, explicó Risk. “Son distintas capas de información que con un algoritmo de aprendizaje automático se pueden filtrar y analizar, para aportar al médico todo lo que necesita en su búsqueda del tratamiento más eficiente”.
“La información con la que el médico cuenta, entonces, es vital. A medida que han pasado los siglos, la tecnología fue aportando cada vez más datos”, contó Risk. “Hace varios siglos sólo era lo que el médico podía discernir usando sus sentidos. Pero la tecnología ha ido agregando información, los análisis químicos, radiografías, tomografías, resonancias magnéticas, todo eso ha ido cambiando la medicina, mejorando la precisión del diagnóstico y del tratamiento”.
“En cáncer de pulmón, por ejemplo, antes era un término genérico, hoy en día, gracias a los avances tecnológicos en el diagnóstico, se puede clasificar en una amplia variedad, y aplicar el tratamiento específico, y más eficiente, para cada uno”, agregó.
“Lo que hacemos nosotros es análisis de datos y señales de terapias intensivas, utilizando para ello algoritmos de aprendizaje automático”, contó Risk. “Como todos sabemos, en una terapia intensiva los pacientes están las 24 horas siendo monitoreados. Se mide el ritmo cardíaco, la presión arterial, etc. Se le administran medicamentos, y se le aplican tratamientos. Todo eso genera una gran cantidad de datos, entonces nosotros, a través de técnicas de algoritmos de ciencia de datos de señales, y en otro proyecto también de imágenes, podemos ver el estado de los pacientes y ayudar a los médicos a que tomen mejores decisiones”.
“Porque hoy en día, sin estas herramientas informáticas, los médicos en todo el mundo toman decisiones mirando ellos todas esas variables”, agregó el investigador. “Van viendo cómo evolucionan los pacientes y van cambiando los tratamientos. La idea es ayudarlos para que puedan tomar mejores decisiones, e inclusive, si lo podemos lograr, que haga una predicción de cómo va a evolucionar al paciente para que puedan tomar también una acción”.
Entrenar algoritmos
“Lo primero a la hora de trabajar con el análisis de datos es comprender cuál es la problemática, es decir, las necesidades. Luego ver qué tipo de datos hay”, contó Viviana Cotik, también parte del equipo, e investigadora UBA/CONICET y profesora del Departamento de Computación de FCEyN. “Trabajamos con lo que se conoce como aprendizaje supervisado, que consiste en que los datos con que se entrena a los algoritmos deben estar anotados por algún experto”.
“Manejamos distintos tipos de datos. Señales, imágenes, datos estructurados, y textos”, agregó Cotik. “Para que un algoritmo pueda analizarlos, se entrenan con datos anotados. Nosotros trabajamos, entre otros, con una base de datos internacional muy conocida llamada MIMIC, desarrollada en Estados Unidos”.
Por ejemplo, si se quiere clasificar imágenes, se le da un enorme set de ellas divididas por categorías. El algoritmo aprende a partir de comparar los datos y los resultados esperados, versus los resultados obtenidos por el mismo algoritmo. Al analizar tantas veces, termina aprendiendo a clasificar por su cuenta, e incluso a identificar patrones dentro de los datos.
La primera etapa del trabajo ya la han transitado, que era comprender la necesidad de los médicos, en este caso colaboran con el área de terapia intensiva del Hospital Italiano.
“Un tema importante a tener en cuenta al entrenar algoritmos son los sesgos”, explicó Viviana Cotik. “Por ejemplo, una base de datos Norteamericana está basada en pacientes de esa región, que no tienen las mismas características de los pacientes de Argentina. Hay diferencias en altura, peso, contextura, sexo, edad, tipo de alimentación. Todo eso tiene mucho que ver con la salud. Por eso es importante tenerlo en cuenta, y tratar de solucionarlo agregando datos locales”.
“Un algoritmo, cuando vos le pones datos, siempre te devuelve algo”, agregó Marcelo Risk. “El tema es que lo que devuelva tenga sentido. Como le suele suceder a las IA generativas como Chat GPT. Siempre responden, pero no todas las veces bien. A veces dice cualquier cosa. Por eso es importante saber que la IA no es perfecta, depende de que los datos que se le brindan sean correctos, estén revisados, y estar seguros de que los resultados que aporta tengan una tasa de error mínima”.
“Ahora estamos trabajando en el desarrollo de los modelos, y en el entrenamiento de los algoritmos. En una próxima etapa pasaríamos a probarlos en una terapia intensiva. Y habría una cuarta etapa, que es cuando ya se reentrena a los algoritmos, en base a lo que aprendan durante su uso, es decir, que lo sigan haciendo de forma contínua”, explicó Risk.
“Nosotros trabajamos también con algoritmos de agrupamiento, o clustering, que permite identificar y descubrir pacientes con características similares. Esto posibilita tratamientos personalizados para cada grupo”, agregó Risk.
Este análisis y filtrado de datos permite descubrir cosas que se desconocían, o no se habían asociado, sobre la población, sobre esas diferencias que hacen tan diversa a la especie humana. Es lo que se conoce como minería de datos. Así es que ese conocimiento, también es un aporte importante que se le hace a la sociedad.
Un aporte que no sólo genera una transferencia tecnológica hacia la sociedad, por los algoritmos que puedan beneficiar a un centro de salud, sino también mediante la educación a través de cursos de grado y posgrado que se dictan en la Facultad de Ciencias Exactas y Naturales de la UBA.
El equipo de investigación de Viviana Cotik y Marcelo Risk, es multidisciplinario. Está conformado por computadores científicos, ingenieros, médicos y biólogos. Incluso estudiantes de grado que colaboran haciendo su tésis. Este tipo de trabajo interdisciplinario suele ser un desafío, ya que todos deben hablar un lenguaje común, dejando de lado los tecnicismos de cada especialidad.