El futuro de la medicina pasa por pacientes que no existen

El problema más importante que presenta el entrenamiento de los diferentes modelos de IAs son las inexactitudes en los resultados. Estas inexactitudes o desviaciones pueden ser debidas a muchas causas. Podemos encontrarnos sesgos de carácter algorítmico, de selección de muestras, por retroalimentación o por carecer de comprensión de contextos sociales y/o culturales el modelo seleccionado. Pero quizás el más importantes es aquel que se produce por utilizar datos de partida que ya están sesgados y esto ocurre cuando los datos de entrenamiento no son representativos. Por lo tanto, la vía para evitar esto es la utilización del mayor número de datos posibles y que estos sean tan diversos como en la realidad analizada. Aquí es donde nace la idea de las redes de generación adversa (GAN).

Las redes neuronales de generación adversa (GAN) se caracterizan por la creación de vectores matemáticos que cuentan con un discriminador que garantiza la eficacia de los mismos. Son una arquitectura de aprendizaje intenso altamente innovadora, que ha ganado mucha atención en los últimos tiempos debido a su capacidad para generar datos sintéticos altamente realistas, que son difíciles de distinguir de los datos reales. Igual que hasta la fecha se han utilizado ampliamente para la generación de imágenes, modelos 3D o rostros humanos, la generación de datos artificiales prácticamente iguales a los reales se constituye en una interesantísima vía de desarrollo.

La clave en el desarrollo se encuentra en la identificación, valoración y categorización de todas las variables posibles en un caso clínico y, posteriormente en la creación del mayor número posible de variaciones posibles a partir de las mismas. De esta manera, se reduce el riesgo de sesgo en el entrenamiento de las IAs puesto que la manera en la que se entrena cada sistema puede depender de los intereses de cada uno de los titulares.

Obtener datos en los que se pueda “confiar” requiere trabajar en varias direcciones:

a) Que la laguna de datos de la que se obtenga la información sea fiable y ofrezca un alto nivel de confiabilidad en cuanto a los datos obtenidos.

b) Que se establezcan protocolos de calidad que certifiquen dichos procesos.

c) Que se establezcan mecanismos de verificación por parte de equipos clínicos y científicos independientes que validen los sets de datos obtenidos.

Para conseguirlo, resulta imprescindible contar con los socios IT adecuados que impulsen y posibiliten este tipo de proyectos, como es el ejemplo de Alhambra IT.

Alhambra IT, a través de Alhambra Health (su área especializada en Salud), trabaja incansablemente para convertirse en un referente de la calidad del dato sanitario invirtiendo en diferentes certificaciones de calidad (ISO 27701, ISO 27018, ISO 27001…), tanto en la protección de los datos como de las infraestructuras.

Asimismo, aunque en muchas ocasiones se comenta que el procesamiento de datos con inteligencia artificial genera un alto impacto de CO₂. En Alhambra es una organización 'Neutral CO₂’, es decir, eliminan o compensan todas las emisiones producidas por su actividad.

Concretamente, Alhambra IT ha desarrollado algoritmos de IA que permiten crear pacientes virtuales a partir de patrones reales. Estos patrones, que han sido anonimizados previamente, tienen como objetivo entrenar a las IAs. La generación de estos pacientes digitales, también conocidos como clones clínicos o gemelos digitales, permite que sean tan numerosos y diversos como se requiera por parte de investigadores, estudiosos y cuerpo docente en sus respectivas actividades cumpliendo con las más estrictas normativas.

Uno de los aspectos relevantes a la hora de generar casos clínicos es la labor tediosa por parte de los responsables clínicos de seleccionar los casos más representativos ya sea por su frecuencia o por la falta de ella. Esto implica que preparar casos para la formación de los profesionales y su posterior entrenamiento supone una labor pesada, lenta y compleja que requiere de una inversión muy importante en horas en cuanto a la selección, análisis y consenso por parte del equipo clínico / científico.

La utilización de clones clínicos ha dotado a los profesionales de una nueva forma de trabajar tanto en la investigación como en la docencia.

No olvidemos que hasta ahora “los facultativos salen formados, pero no entrenados”. Sin embargo, al disponer gracias a los gemelos digitales de un mayor volumen de casos, no sólo en cuanto a número, sino en cuanto a las variantes que pueden presentar, se facilita a los profesionales mejorar sus niveles de conocimiento.

Algunos de los aspectos a destacar de la utilización de los clones clínicos son:

• Nos permite ser más eficientes a la hora de cumplir la normativa en materia de protección de datos (LOPDGDD).
• Podemos disponer de un mayor volumen de casos clínicos, tanto en número como en diversidad de contenido, para su estudio por parte de los profesionales mejorando sus niveles de conocimiento y capacitación.
• La inteligencia artificial permite incorporar más información a los episodios clínicos como imágenes médicas, notas de enfermería, etc. La incorporación de información adicional de manera progresiva permite aumentar la complejidad de los casos a medida que el profesional progresa en su formación o entrenamiento. De esta manera, la inteligencia artificial genera un ecosistema de casos que evoluciona en función de los conocimientos de cada profesional protegiendo al paciente.
• La inteligencia artificial facilita datos de la praxis del profesional introduciendo procesos de humanización (saludo al paciente virtual, trato con el mismo), solicitud de pruebas, y comparativas de aplicación de las Guías de práctica clínicas, así como de las de protocolos de la Vías de la práctica clínica.

En el último año, Alhambra IT ha desarrollado con inteligencia artificial diferentes proyectos basados en clones clínicos aplicados a distintas especialidades como las Urgencias Hospitalarias o la Dermatología.