Aprendizaje automático aplicado al diagnóstico médico

Un diagnóstico tardío de una enfermedad que conlleva un retraso en el tratamiento y la recuperación  es un hecho muy  común.  Ahora imagine cuántas vidas se podrían salvar si fuéramos capaces de  diagnosticar una enfermedad incluso antes de que apareciera en el cuerpo de un individuo. Pues bien, la tecnología de aprendizaje automático se está explorando y aprovechando  para acortar el tiempo de diagnóstico  de muchas enfermedades como el cáncer.

¿Qué es el aprendizaje automático?

El aprendizaje automático es una aplicación de la Inteligencia artificial   que utiliza algoritmos y estadísticas para encontrar patrones en grandes cantidades de datos. Los datos pueden ser cualquier cosa: imágenes, números, palabras, etc. El software de aprendizaje automático analiza estos datos y luego “aprende” de ellos aplicando patrones a partir de los cuales es capaz de hacer predicciones. El algoritmo de aprendizaje automático busca un conjunto de reglas que le permitan deducir las características generales de los elementos de un grupo con el objetivo de aplicar el aprendizaje a elementos similares. Cuando el equipo reciba una imagen completamente nueva, será capaz de predecir la etiqueta correcta basándose en la experiencia adquirida anteriormente.

El aprendizaje automático se ha hecho popular en la salud por su capacidad para ayudar a diagnosticar enfermedades de forma temprana, relativamente rápida y con precisión.

Veamos algunos ejemplos.

Diagnóstico de enfermedades mediante el uso de aprendizaje automático

En el ámbito de la salud, el aprendizaje automático puede utilizarse para ayudar a diagnosticar enfermedades.  Se utiliza principalmente para ayudar a detectar el cáncer de mama mediante imágenes de ultrasonido o de rayos X (como las que se muestran en la Figura 1). Esta situación se aborda utilizando la clasificación de aprendizaje supervisado, ya que lo que queremos saber es si hay cáncer o no (una etiqueta binaria discreta). Como valor añadido, es posible que el algoritmo diga por qué ha clasificado una imagen de la forma en que lo ha hecho, generando un valioso conocimiento para los expertos en salud. Según MIT News , un equipo del Laboratorio de Ciencias de la Computación e Inteligencia artificial (CSAIL) del MIT y del Hospital General de Massachusetts (MGH) ha creado un nuevo modelo que puede “predecir a partir de una mamografía si una paciente tiene probabilidades de desarrollar cáncer de mama hasta cinco años en el futuro”. Entrenado en más de 60,00 mamografías, el modelo puede detectar las anomalías más leves en el tejido mamario. Evidentemente, esta tecnología tendrá un gran impacto en la salud humana. No obstante, hay que tener en cuenta que el aprendizaje automático puede ayudar a identificar el cáncer, pero la atención y el tratamiento que recibe una persona los determina el médico.

Conseguimos la participación de sus clientes, trabajadores y socios. Conseguimos la participación de sus clientes, trabajadores y socios. Conseguimos la participación de sus clientes, trabajadores y socios. Conseguimos la participación de sus clientes, trabajadores y socios. Conseguimos la participación de sus clientes, trabajadores y socios. Conseguimos la participación de sus clientes, trabajadores y socios.

Otro ejemplo bien documentado de aplicación del aprendizaje automático en el ámbito de la salud es la predicción de la enfermedad de Alzheimer. En este caso, utilizando un conjunto de grabaciones de audio, el modelo de aprendizaje automático busca patrones en el habla de los pacientes con esta enfermedad. El análisis se basa en las pausas entre palabras, la pronunciación y la frecuencia y amplitud de los sonidos. El modelo ayuda al experto en medicina geriátrica a identificar los primeros síntomas del Alzheimer a través del habla.

Aplicaciones actuales de aprendizaje automático para COVID-19

Por el momento, no hay datos suficientes, fiables y/o de calidad para poder hacer predicciones relacionadas con el COVID-19. Es importante tener en cuenta que cuando se aplica el aprendizaje automático a un problema, se necesita una gran cantidad de datos con los que trabajar; si no se cumple este requisito, ni siquiera el mejor algoritmo del mundo será capaz de hacer predicciones fiables.

Kaggle, una página que proporciona diferentes conjuntos de datos para la experimentación del aprendizaje automático, ha publicado datos etiquetados para predecir la probabilidad de contraer COVID-19. El cuadro 1 muestra parte de un conjunto de datos, con columnas predictivas o descriptivas. Puede observar detalles como la edad, el sexo, la fecha de inicio de los síntomas, la fecha de confirmación de los síntomas y el historial de viajes (lugares y fechas). Estos detalles son considerados por los expertos como posibles predictores para determinar si una persona ha sido infectada con COVID-19.

En China, los ciudadanos son controlados por el gobierno mediante la aplicación WeChat. Durante las primeras semanas tras la aparición del COVID-19 en Wuhan, el país comenzó a recopilar información similar a la presentada en la tabla anterior para cada individuo, y se mejoró una aplicación llamada Health Code . Este último utiliza un modelo de aprendizaje automático para predecir la probabilidad de contraer COVID-19. Si una persona con una alta probabilidad de estar infectada o de ser portadora de COVID-19 sale de su casa, la aplicación le indicará que debe permanecer aislada. Si la persona no hace caso de la advertencia, se avisa inmediatamente a las autoridades y se le impone una multa por incumplimiento de una orden sanitaria.

Riesgos

Existen algunos riesgos cuando se trata de aplicar el aprendizaje automático para diagnosticar enfermedades:

• El aprendizaje automático NO PUEDE sustituir a un médico o especialista: aunque el aprendizaje automático ayuda a predecir la probabilidad de contraer una enfermedad, no sustituye todo el trabajo que realiza un especialista. Por ejemplo, el aprendizaje automático puede ayudar a identificar de forma relativamente rápida y temprana  si alguien tiene cáncer,  pero el tratamiento  aún lo debe  determinar el médico.
• El éxito del aprendizaje automático depende de la existencia de buenos datos. Si los datos no son de buena calidad o no se pueden encontrar patrones en ellos, entonces son inútiles. Del mismo modo, existe el riesgo de que cuando un modelo se entrena utilizando un conjunto de datos, los patrones existentes no se apliquen a los nuevos datos.
• Los médicos y los hospitales deben utilizar los modelos recientemente descubiertos. En muchos casos, la actualización de los modelos de aprendizaje automático no forma parte de la línea de trabajo de un médico. Encontrar tiempo para que un especialista médico ayude a verificar los datos y los resultados puede ser difícil. Seguir utilizando un modelo entrenado que ya no hace predicciones fiables puede ser peligroso, sobre todo cuando hay atención sanitaria humana de por medio. También es arriesgado cambiar un modelo entrenado y verificado por otro que podría no funcionar.

Conclusiones

La aplicación del aprendizaje automático para predecir el riesgo de contraer enfermedades no es una tecnología nueva, pero sus continuos avances la hacen más diversa y precisa. Actualmente, se está desarrollando el uso de aprendizaje automático para ayudar en la predicción de la infección por COVID-19, aunque todavía no se dispone de suficientes  datos de calidad. De hecho, BBC World (2020) informa de que el avance de la pandemia es tan rápido que dificulta la recolección de datos. Sin embargo, existe la posibilidad de que en el futuro se logren predicciones precisas sobre la probabilidad de infección, las complicaciones relacionadas y la tasa de recuperación  del virus COVID-19.

¿Quiere saber más sobre cómo el aprendizaje automático puede ayudar a acelerar el crecimiento de su negocio? ¡Hablemos!