Machine Learning: ¿Podrían sustituir los robots a los médicos?

En los años 50 del siglo XX ya existía la Inteligencia Artificial (IA), pero es ahora cuando está más presente y creciendo a una mayor velocidad.

En la actualidad, el 84% de las grandes compañías ya utilizan IA y, tal y como señala un estudio realizado por Tata Consultancy Services (TCS), se prevé que en 2020 todas las empresas habrán incorporado IA en alguna de sus áreas de negocio estratégicas.

Pero vayamos por partes, en nuestro primer post ¿Qué sabes de Big Data? ya hablamos de esta tecnología y de los diferentes campos en lo que puede ser útil.

Posteriormente en el post Tendencias en e-learning, un sector en crecimiento explicamos las diferencias entre Machine Learning (ML), Deep Learning (DL) e Inteligencia Artificial (IA).

Resulta complicado distinguir estas tecnologías, que, aunque son similares ya que se basan en el procesamiento de ingentes cantidades de datos, se diferencian en su nivel de complejidad.

La Inteligencia Artificial es la tecnología más básica de este grupo. Un paso más allá está el Machine Learning o Aprendizaje Automático, máquinas con capacidad de auto aprender, auto programarse y corregir errores, y, por último, el Deep Learning, que, además de lo anterior, permite tomar decisiones y solucionar problemas de forma similar a como lo haría un cerebro humano.

Pero hoy nos centraremos en el Machine Learning (ML) y sus aplicaciones en el mundo de la medicina.

El gran volumen de información disponible, así como los grandes avances que se han producido en el campo de la salud permiten diversos usos del ML en este campo, como la analítica avanzada o en la detección de enfermedades como el glaucoma, afecciones cardiovasculares, Alzheimer o diversos tipos de cáncer. El diagnóstico de estas patologías se ha mostrado muy preciso y efectivo gracias a la utilización de esta tecnología.

Sin embargo, existen ciertas limitaciones ya estos sistemas funcionan con datos objetivos como pruebas de diagnóstico por imagen, análisis clínico o mediante el análisis de síntomas previamente introducidos en una base de datos y no con información directamente extraída del propio paciente. Si el paciente se equivoca o miente u omite algo, el médico es capaz de detectarlo. ¡Las máquinas no!

Asimismo, el ML se ha mostrado muy útil en la predicción de enfermedades como el cáncer. A través de esta tecnología se pueden descubrir distintos patrones y relacionarlos utilizando bases de datos que incluyen información sobre diferentes factores de riesgo como la edad, dieta, historia clínica, peso, hábitos de riesgo o factores ambientales no favorables como aspectos fundamentales en el diagnóstico precoz de esta patología.

Robots y médicos

Asimismo, los avances en el campo de la psiquiatría gracias al ML también son numerosos. Uno de los casos más llamativos ha sido Ellie, un robot creado en el Instituto de Tecnologías Creativas de la USC en Estados Unidos para la detección de diversas patologías psiquiátricas como el trastorno de estrés postraumático o la depresión, a través del análisis de la entonación, expresiones y respuestas del paciente a cuestiones formuladas por esta máquina, del mismo modo que lo haría un profesional.

En esta misma línea, un equipo del Hospital Infantil de Cincinnati ha realizado un trabajo sobre riesgo de suicidio, en el que mediante entrevistas se trababa de averiguar si los individuos participantes eran personas proclives a quitarse la vida. Además, se tenía en cuenta no solo las respuestas sino también la entonación o la armonía de las respuestas.

La investigación en el ámbito farmacológico también se ha visto enormemente beneficiada por la incorporación del ML. Gracias a esta tecnología se ha logrado minimizar los efectos secundarios de medicamentos de forma previa a los ensayos con humanos.

Existen muchos más ejemplos, pero es imposible que nos detengamos en cada uno de ellos. La aplicación de modelos de aprendizaje computacional para la clasificación de pacientes con artritis reumatoide y controles, a partir de datos genéticos, serológicos y clínicos; la creación de sillas de ruedas autónomas, que permitirán trasladar a los pacientes por el hospital liberado al personal de esta tarea; o estudios que demuestran que ML es capaz de mejorar la calidad asistencial y el gasto sanitario  en los hospitales, son algunos de ellos.

Queda lejos aún la posibilidad de sustituir a los médicos por robots y aunque existen casos aislados, como el de Ellie. Pero lo que sí parece evidente es que se avanza hacia una medicina mucho más personalizada en la que estos profesionales sanitarios tendrán que apoyarse en la robótica y en el análisis de datos para poder diagnosticar y tomar decisiones a partir de la gran cantidad de información disponible.