La IA, el camino hacia una medicina más personalizada

Por: <br><strong>Victor González Rumayor</strong>

Por:
Victor González Rumayor

Los algoritmos de IA pueden procesar gran cantidad de datos de los pacientes, como información genética, historiales médicos y factores relacionados con el estilo de vida, para crear planes de tratamiento personalizados.
Por: <br><strong>Victor González Rumayor</strong>

Por:
Victor González Rumayor

Durante el último cuarto de siglo el desarrollo de las tecnologías de la comunicación ha permitido el auge de la telemedicina basándose en un principio muy sencillo pero de enormes implicaciones: mover el dato y no al paciente. De esta manera, el dato se ha convertido  en el eje principal de esta disciplina como mero insumo de la actividad asistencial.

Sin embargo, el desarrollo de las nuevas herramientas de Inteligencia Artificial de los últimos años dota a los datos de salud de un protagonismo que trasciende de su característica inicial como elemento informacional base en la operativa de las actividades sanitarias. Las herramientas bioinformáticas cada vez más potentes trabajan con sets de datos de complejidad creciente. Así las nuevas herramientas de genómica, proteómica metabolómica y radiómica van generando información a partir de datos individuales que analizados en su conjunto permiten el desarrollo de la medicina personalizada. 

Los algoritmos de IA pueden procesar gran cantidad de datos de los pacientes, como información genética, historiales médicos y factores relacionados con el estilo de vida, para crear planes de tratamiento personalizados. Mediante el análisis de patrones y correlaciones en estos datos, la IA puede identificar perspectivas ocultas y predecir las respuestas individuales, pero siempre sobre la base de la integración de la información de numerosos sets de pacientes, es decir sobre la evidencia científica obtenida de la medicina comunitaria.

La  medicina comunitaria constituye no solo la base de la medicina de precisión sino que es el tejido sobre el que se construyen los algoritmos de inteligencia artificial dirigidos al establecimiento de patrones de estado de normalidad o patológico. Mas importante aún, representa el tablero de juego sobre el que se pueden establecer modelos de carácter predictivo que, sobre la base de patrones aparentemente normales, puedan predecir evoluciones futuras hacia estados patológicos o aventurar los efectos de diferentes terapias  y tratamientos sobre el estado de salud de los pacientes.

Al integrar estos datos con otros registros médicos y perfiles genómicos, los algoritmos de IA pueden descubrir patrones y correlaciones que pueden no ser evidentes para el ojo humano. El enfoque multidireccional del análisis de datos permite a los profesionales de la salud comprender en profundidad el estado de salud de una persona y adaptar los planes de tratamiento en consecuencia.

Es comúnmente extendida la creencia de que la inteligencia artificial solo puede aprender a partir de conocimiento preexistente.  Ciertamente la inteligencia artificial basa sus herramientas en el aprendizaje automático o el aprendizaje profundo. El aprendizaje automático permite, a través del desarrollo de pipelines bioinformáticos más o menos complejos, extraer patrones de comportamiento de los datos. Los algoritmos de aprendizaje automático pueden analizar grandes cantidades de datos de pacientes, como información genética, historial médico y factores de estilo de vida, para identificar patrones y hacer predicciones sobre los resultados de salud de un individuo. El aprendizaje automático utiliza algoritmos para analizar los datos, aprender de ellos y tomar decisiones informadas basadas en lo que ha aprendido.

El aprendizaje profundo estructura algoritmos en niveles para crear una “red neuronal artificial” capaz de aprender y tomar decisiones inteligentes por sí misma. La estructura de redes neuronales artificiales se compone de varias capas de entrada, salida y ocultas. Cada capa contiene unidades que transforman los datos de entrada en información valiosa que la capa siguiente puede usar para realizar una tarea de predicción determinada. Gracias a esta estructura, una máquina puede aprender a través de su propio procesamiento de datos. Mediante el aprendizaje profundo  se analizan relaciones complejas dentro de los datos, lo que lo hace especialmente adecuado para la medicina personalizada. Estas redes neuronales se inspiran en la estructura y el funcionamiento del cerebro humano, lo que les permite procesar e interpretar los datos de un modo que se asemeja a la cognición humana.

Los algoritmos de aprendizaje profundo destacan en tareas como el reconocimiento de imágenes o en el procesamiento de información molecular de  alta complejidad. Aplicados a la medicina de precisión, estos algoritmos pueden entrenarse para analizar imágenes médicas, como resonancias magnéticas, tomografías computarizadas o cortes de anatomía patológica, e identificar patrones o anomalías sutiles que puedan indicar una anomalía o enfermedad específica. Al aprovechar el poder del aprendizaje profundo, y su capacidad de refinamiento sucesivo de algoritmos, los diagnósticos pueden ser más precisos y permiten desarrollar planes de tratamiento personalizados adaptados a las necesidades únicas de cada paciente en cada momento.

No es difícil imaginar un futuro, me atrevería a decir más bien próximo, en el que la inteligencia artificial avance un paso en la generación de conocimiento “ex novo”. En este sentido, ya se están dando pasos incipientes en la modelización de nuevas dianas terapéuticas o en el diseño de nuevos fármacos mediante la simulación de actividades biológicas de moléculas sintéticas.  Este proceso acelerado de descubrimiento de dianas terapéuticas y fármacos no sólo reduce los costes, sino que también acerca la disponibilidad de nuevos tratamientos para los pacientes que los necesitan. La posibilidad que ofrece la IA de generar cuasi infinitos nuevos escenarios artificiales sobre los que contrastar nuevas hipótesis abre un camino inexplorado en la generación de nuevo conocimiento.La integración de la información generada a partir de datos de origen muy diverso y de complejidad extrema mediante herramientas de inteligencia artificial nos permite analizar variables cuyos efectos individuales sobre el estado salud pueden ser no apreciables, pero que en su conjunto pueden definir diferencias radicales. Imaginemos por un momento que la tecnología nos permite monitorizar todas nuestras variables fisiológicas (algo, que, por cierto, no estamos lejos de conseguir), además de nuestro exposoma individualizado, es decir, el conjunto de variables ambientales al que estamos sometidos cada uno de nosotros (climáticas, contaminantes, patógenos ambientales, radiaciones y campos electromagnéticos, metales pesados, etc). Vayamos un poco más allá e imaginemos que la integración de la IA, con sensores externos de recogida pasiva y continua de datos y dispositivos portátiles para monitorización remota de los pacientes, permite además la recopilación de todos estos datos en tiempo real. La consecuencia sería la aparición de un escenario muy distinto al actual en el que los profesionales sanitarios podrían realizar un seguimiento continuo de los pacientes fuera de los entornos clínicos tradicionales, con intervenciones más o menos inmediatas que permitirían mejorar los índices de morbilidad y la calidad de vida de los pacientes. Es decir, un nuevo concepto de medicina, mucho más integrativa, preventiva y personalizada.

Victor González Rumayor

Es director de I+D de Atrys Health, también es Licenciado en Biología y Doctor en Genética por la Universidad Complutense de Madrid. Inició su carrera profesional en el Departamento de Genética de Universidad Complutense de Madrid, donde realizó su doctorado. A principios de los años 90 fundó en calidad de Director Técnico la empresa SUPER SEED BIOTECH. Posteriormente fue profesor titular de Fisiología y Biotecnología de la Universidad de Segovia. Ha sido director del Círculo de Innovación en Biotecnología de la Comunidad de Madrid, adscrito a Parque Científico de Madrid.