Los datos digitalizados en los hospitales podrían llegar a ser aprovechados hasta transformarse en predicciones más o menos precisas sobre el progreso de la enfermedad de ciertos pacientes, incluyendo la probabilidad de su muerte.

Ese fue el resultado de una investigación realizada con tecnología de Google y que fue publicada recientemente en la revista científica Nature. El hallazgo requirió de la construcción de modelos estadísticos predictivos a partir de la carga en un sistema de Inteligencia Artificial de aprendizaje profundo (deep learning) que trabaja con los datos rutinarios de atención médica de pacientes.

De acuerdo con lo planteado por los investigadores, el objetivo no se encuentra meramente en regodearse con la capacidad de realizar predicciones sino, sobre todo, en las posibilidades de que esta información pueda permitir que los profesionales de la salud, potencialmente, salven más vidas. De esta forma, “el modelado predictivo con registros electrónicos de salud (EHR) impulsará la medicina personalizada y mejorará la calidad de la atención médica“, dicen en Nature.

El deep learning funciona como lo haría una red neuronal humana, que es capaz de recibir información mixta y generar nuevos datos en función de los ya recibidos. En este caso, el sistema requiere de una inmensa cantidad de datos, como los signos vitales y el historial médico de un paciente. Para transformar esa información en tiempo, se creó un algoritmo que es capaz de alinear cada evento previo de los registros de cada paciente en una línea de tiempo. Lo que vino a continuación fue sorprendente, porque ese solo cambio permitió que el modelo de aprendizaje profundo generara resultados sobre el futuro, donde se incluye la posible hora de muerte.

Estos cálculos, que además ofrecen los resultados en tiempo récord, pueden acercar a médicos e investigadores a la concepción de nuevas formas de priorizar la atención del paciente, ajustar los planes de tratamiento y detectar emergencias médicas, incluso antes de que ocurran. Además, otro factor que ha sido bien valorado de esta plataforma es su capacidad de liberar a los trabajadores de salud de la manipulación de datos, con la garantía de que el procesamiento de la información se realizará de una forma estandarizada y legible, lo que disminuiría el número de errores por combinaciones complejas de data.

En cuanto a la metodología de las pruebas, los autores detallan lo siguiente en el estudio: “validamos nuestro enfoque utilizando datos desidentificados de dos centros médicos académicos de EE. UU., con 216.221 pacientes adultos hospitalizados durante al menos 24 hs. En el formato secuencial que proponemos, este volumen de datos se desenrolló en un total de 46.864.534.945 puntos de datos, incluidas notas clínicas. Los modelos de aprendizaje profundo lograron alta precisión para tareas como: predecir mortalidad hospitalaria, readmisión no planificada de 30 días, estancia prolongada, y todos los diagnósticos finales de alta del paciente”.

De acuerdo con los investigadores, el sistema de deep learning arrojó resultados más precisos, en comparación con metodologías comunes. Según dicen, “estos modelos superaron a los modelos predictivos tradicionales y utilizados clínicamente en todos los casos.

A pesar del potencial estadístico y predictivo que significa la disposición de esta nueva tecnología en los hospitales, no han faltado las alarmas en el gremio con respecto a la posibilidad de que la empresa Google almacene y cuantifique también, ahora, bases de datos con los registros de historias médicas de los ciudadanos en el mundo. De momento, este sistema no ha sido aún instalado ni masificado en los centros de salud.

Lea también: Google desarrolla Inteligencia Artificial para detectar riesgos cardiovasculares desde la retina