Las 3 grandes dificultades que debe superar la IA para eSalud

Vivimos en una época de cambio. Así como la aparición de la máquina de vapor dio paso a la revolución industrial, la expansión de las computadoras ha vuelto a dar un giro a la forma en la que nos relacionamos con nuestro entorno. Parte del cambio más radical que presenciamos hoy en día es debido a la Inteligencia Artificial (IA) capaz no sólo de sorprendernos con divertidas aplicaciones en nuestros móviles, sino también de resucitar a actores para la última película de nuestra saga favorita. Sin embargo, precisamente en la época en la que nuestras vidas se han visto trastocadas por el COVID-19 es inevitable preguntarnos por qué la IA no es capaz dar solución a más problemas médicos de lo que es capaz de abordar actualmente. A continuación, veremos los 3 principales escollos a los que se enfrenta la eSalud para lograr explotar la IA médica en el futuro.

Falta de datos

Una sola persona es un individuo caracterizado por una gran diversidad de datos relacionados directamente con su salud. En PERSIST manejamos algunos de ellos: actividad física, sueño, nutrición, estado de ánimo y por supuesto todos los datos que se han ido acumulado en los registros electrónicos de paciente a lo largo de su vida (tratamientos, operaciones, pruebas de laboratorio, etc.). Y aunque ya nos pueda parecer una gran cantidad de datos todavía existe otra mucha información clínicamente relevante (p.ej. ADN, ARN, Microbioma, etc.). Entonces, ¿por qué decimos que faltan datos? El problema radica en que estos datos no están agrupados y disponibles para los investigadores, y aun cuando sí lo están, no se hallan convenientemente tratados y anotados para que puedan ser interpretados por un algoritmo de IA. Es como si necesitásemos disponer de un vehículo propio y alguien nos hubiese regalado un coche de alta gama, pero en lugar de entregarnos la llave, sólo tuviésemos un mapa con los sitios en donde nos han escondido las piezas (en el departamento de pruebas de laboratorio, el de imagen, la nube del smartwatch…) y que, además, tras recuperarlas, tuviéramos que limpiarlas y ponerlas a punto una a una (interpretar el texto, marcar las imágenes con carcinomas…).

Fallos en la generalización y robustez de los algoritmos

En ocasiones se crean algoritmos que funcionan correctamente en los entornos de pruebas, pero al ser empleados en situaciones reales, con nuevos datos médicos, no alcanzan el desempeño deseado. Estamos ante problemas de falta de robustez o tal vez ante una mala interpretación del objetivo deseado. El segundo problema se solventa fácilmente incorporando personal con características similares a las del usuario final en las fases de especificación de requisitos y desarrollo. Precisamente, por este motivo PERSIST se basa en una metodología de estrecha colaboración entre pacientes, clínicos y técnicos durante todas las fases del proyecto, buscando así mantener alineados a estos tres actores de forma que los resultados obtenidos satisfagan las necesidades reales detectadas.

El primer problema mencionado, la falta de robustez, es más complejo. Retomemos de nuevo la historia de nuestro coche de alta gama en piezas que, a estas alturas, ya hemos logrado montar y también probar exitosamente en un circuito cerrado. Todos los resultados nos animan a poner el coche a circular por nuestra ciudad y cuando lo hacemos, corroboramos que su desempeño es excelente. Sin embargo, durante el primer viaje que hacemos al monte, el coche embarranca en un camino de barro demostrando que, obviamente, podría ser mejorado. El problema se ha debido a que ni durante su diseño ni durante las pruebas se contempló la posibilidad de que el pavimento estuviese sin asfaltar y lleno de agua y lodo. Igualmente, con la IA ocurre a menudo que el uso real de nuestras máquinas revela carencias que quedan enmascaradas en los entornos de pruebas, de ahí la necesidad urgente de realizar tests en entornos reales, de forma que estas fallas puedan ser detectadas y abordadas a tiempo. Con este objetivo en mente, en PERSIST se han planteado estudios clínicos de usabilidad y validación realizados con la participación de 160 supervivientes de cáncer en 4 hospitales europeos diferentes, de forma que el proyecto no sólo transite por una carretera bien asfaltada, sino que también se aventure por 4 diferentes caminos agrestes.

Incapacidad de pasar de prueba de concepto a un sistema real

La experiencia demuestra que existe una gran cantidad de modelos en fase de prueba de concepto, algunos de ellos siendo verificados en entornos reales y una pequeña proporción finalmente desplegados en sistemas hospitalarios. Una de las mayores dificultades para alcanzar esta fase son las altas necesidades de confiabilidad e inteligibilidad que se les debe exigir a las herramientas que intervienen directa e indirectamente sobre la salud de los pacientes. Los usuarios de estos sistemas son profesionales sanitarios que necesitan tener la absoluta seguridad de que el modelo de IA empleado no va a fallar porque vidas humanas pueden depender de ello. Esto eleva las exigencias de calidad requeridas frente a las necesarias en otros entornos más permisivos como son los industriales. A mayores, la responsabilidad que recae sobre los usuarios finales los impulsa a desconfiar de la tecnología simplemente por el hecho de no comprender exactamente cómo ha sido creada. A pesar de haber demostrado ser unos mecánicos e ingenieros esmerados, que han montado y probado concienzudamente el coche por piezas, ¿cuántos de nuestros amigos y familiares se animarían a arriesgar su vida montándose en él? Igualmente, los desarrolladores de IA para la eSalud deben esforzarse en disipar cualquier duda que se cierna sobre los modelos obtenidos, explicando de antemano, y lo más detalladamente posible, cómo se ha llegado a una determinada conclusión o sugerencia.

Entonces, a la vista de la situación actual y de las dificultades que debe superar la IA para eSalud, ¿qué le depara el futuro? Por las propias características del ámbito sanitario es probable que los avances se generen a una velocidad inferior a la de otros ámbitos; sin embargo, estaría fuera de toda lógica desperdiciar las oportunidades que la IA puede ofrecer a la salud. Por este motivo clínicos y técnicos deberán ponerse manos a la obra y colaborar conjuntamente en proyectos como PERSIST si realmente queremos disponer de mejores herramientas médicas en el futuro.

Este proyecto ha recibido financiación del programa de investigación e innovación Horizonte 2020 de la Unión Europea en virtud del acuerdo de subvención núm. 875406

Autora: Victoria M. Cal González, ingeniera-investigadora senior en el área de eSalud de Gradiant, y coordinadora del proyecto PERSIST.