El machine learning es IA capaz de mejorar la atención médica, lo mismo para prevenir infecciones nosocomiales que para detectar enfermedades crónicas con antelación. Su presencia ya es habitual en la vida cotidiana. ¿Se ha preguntado cómo es que su servicio de video en streaming logra hacerle sugerencias cada vez más acertadas? ¿O cómo es que su teléfono inteligente reconoce su rostro para desbloquearse? ¿Por qué las páginas por las que navega en Internet tienen anuncios publicitarios que le interesan específicamente? La respuesta para estas acciones en apariencia tan disímbolas es la misma: machine learning.

Aunque no existe una definición universal del machine learning, también llamado aprendizaje automático o aprendizaje de las máquinas, se puede decir que es un proceso basado en conjuntos de algoritmos y modelos estadísticos para efectuar el análisis de los datos que recibe e inferir patrones que le permiten realizar determinadas tareas o tomar ciertas decisiones sin recibir instrucciones específicas para ello.

Conforme desempeña más tareas, la precisión de las respuestas de los algoritmos aumenta. Por el volumen de datos requeridos para entrenar adecuadamente a un algoritmo, resultan ideales para explorar el big data y extraer información valiosa de él. Existen diversos tipos de algoritmos (de aprendizaje supervisado o no supervisado, por ejemplo) y varios modelos para implementarlos (como redes neuronales o máquinas de soporte de vectores, entre otros); de aquellos que interactúan directamente con las personas se puede decir que mientras más información reciben de los usuarios, mejor los conocen, hasta un punto que parece de ciencia ficción: algunos de ellos pueden, inclusive, detectar el estado de ánimo o las emociones.

Machine learning: aplicaciones en la atención médica

El big data de los expedientes clínicos electrónicos (ECE) es una fuente ideal para el uso de algoritmos de machine learning. Entre los usos prácticos de esta tecnología en los hospitales se cuenta la prevención de la sepsis, un tipo de infección generalizada del que tan sólo en 2016 se registraron en México alrededor de 40,000 casos, con una mortalidad del 30% de los afectados y un costo de hasta 1.8 millones de pesos por paciente.

El mayor problema con la sepsis es que su origen es multifactorial y prácticamente cualquier paciente en un hospital es una potencial víctima. Para prevenirla, los médicos identifican a los pacientes más propensos al analizar de manera manual su expediente clínico y los síntomas que presenta, un método que toma demasiado tiempo ante la presión que enfrentan para atender a un gran número de personas. En cambio, si se alimentan esos datos a un algoritmo de machine learning, es posible detectar ese riesgo en un tiempo mucho más corto —minutos, inclusive— y con mucha más anticipación —hasta 12 horas— antes que los médicos. Ello es posible gracias a que los ECE contienen una gran cantidad de información, como los resultados de análisis sanguíneos, la presión arterial, los medicamentos suministrados, los síntomas, además de todo el historial médico (en caso de existir). Como esos datos contienen la hora precisa en que fueron registrados permiten ver la evolución del paciente y determinar con precisión su riesgo de sufrir sepsis.

Investigadores de la Universidad Carnegie Mellon, así como de la Universidad de Pensilvania y de la Universidad Estatal de Carolina del Norte (estos últimos en colaboración con la Clínica Mayo) ya han desarrollado algoritmos de machine learning que han demostrado ser altamente fiables en este campo.

Posibilidades por explorar

Otras posibles aplicaciones de machine learning en el campo de la salud son:

● Reducir las recaídas: los médicos pueden recibir información que les indique qué tan probable es que un paciente recaiga en su enfermedad o sufra de otras complicaciones que lo lleven al hospital y tomar acciones preventivas para evitarlo.

● Acortar las estancias hospitalarias: los algoritmos de machine learning pueden identificar cuáles pacientes podrían tener complicaciones que los mantengan más tiempo en el nosocomio y sugerir acciones para prevenirlo.

● Predecir enfermedades crónicas: a partir del análisis estadístico, los algoritmos pueden identificar a los pacientes con más riesgo de contraer un padecimiento crónico y presentar tratamientos diseñados a la medida.