La inteligencia artificial y el Big Data desarrollados por MedLab Media Group (MMG) han protagonizado uno de los encuentros en el congreso Healthio 2018 que acoge Barcelona hasta el 18 de octubre. El CEO de MMG, Oleg Vorontsov, ha abordado el impacto de la inteligencia artificial y su utilidad en la Medicina.

Durante su presentación, titulada ¿Podemos realmente dejar a las máquinas tomar ciertas decisiones en la salud?, el CEO de MMG, ha destacado que la inteligencia artificial representará el 15,7% del PIB mundial. Su uso en la Medicina cada vez es más habitual y ya existen casos de éxito en este campo. No obstante, Oleg Vorontsov ha remarcado que “hay que tener cuidado porque también ha habido estrepitosos fracasos”.

El CEO de MMG ha aprovechado esta jornada para presentar el buscador inteligente que ha desarrollado la start-up que lidera. Se trata de DeepAIMed, una solución basada en IBM Watson&Cloud Platform capaz de entender bases de datos de textos médicos. “Nuestro objetivo”, ha subrayado Oleg Vorontsov, “es llevar el conocimiento médico a todos los rincones del mundo”.

Oleg Vorontsov ha subrayado que el problema al que se enfrenta la inteligencia artificial en la actualidad es la fiabilidad de los datos y su estructuración. El CEO de MMG ha asegurado que el buscador inteligente DeepAIMed “no ganara a Google en cuanto a cantidad, pero sí en la relevancia de los datos”. Según ha explicado, el 80% de la labor que se desarrolla en la inteligencia artificial consiste en depurar la información.

En este sentido, el CEO de MMG ha subrayado que este es uno de los aspectos más destacados de DeepAIMed. “DeepAIMed aprende cada día. Igual que ninguna persona desea ser mediocre, DeepAIMed tampoco”.

Faltan datos de calidad y un formato estructurado

Los participantes en el panel de expertos Interoperabilidad, Big Data e Inteligencia Artificial, han coincidido con el CEO de MMG en la falta de calidad en los datos que recogen estos sistemas inteligentes. Javier de Oca de Iomed, ha explicado que “faltan datos de calidad y en el formato adecuado y estructurado”. Su producto (Iomed) emplea el procesamiento del lenguaje natural para transformar las historias clínicas en formato interoperable.

Por su parte, Carlos Paladella del Elsevier ha reconocido el potencial de los datos en salud que “crecen exponencialmente” gracias a las wearables y otros dispositivos. “Sin embargo”, ha lamentado, “solo el 14% de los desarrollos científicos llega a los médicos y llega hasta 17 años más tarde”.  Paladella considera que las guías clínicas no están hechas para el común de los mortales, sino que engloban datos de pacientes muy específicos. En este sentido, considera que para que la inteligencia artificial sea un éxito en salud debe ser una combinación de la práctica basada en la evidencia y de la evidencia basada en la práctica.

Uso de los datos empleados rutinariamente en la gestión

Ricard Gavaldà de Amalfi Analytics ha coincidido en este aspecto. A su juicio las guías clínicas aportan buena evidencia a la inteligencia artificial aplicable a una población amplia “pero con poca resolución”. Este experto considera más efectivo combinar esta información con los datos empleados rutinariamente en la gestión sanitaria.

Criterios de inclusión en los ensayos clínicos

Tal y como ha explicado Eider Sánchez de Naru, esto mismo sucede en los ensayos clínicos. Eider Sánchez ha presentado STEP, un proyecto de inteligencia artificial que analiza datos de pacientes oncológicos para predecir su evolución. Según ha afirmado, los oncólogos bareman beneficio y daño a la hora de elegir un tratamiento. “En este contexto”, ha continuado, “es frecuente que surjan complicaciones para el paciente y que estas sean distintas en cada uno de ellos”.

Sánchez ha puesto sobre la mesa el hecho de que los criterios de inclusión en los ensayos clínicos son muy concretos y se ha preguntado: ¿qué pasa con los pacientes que no encajan? La representante de Naru ha indicado que “es necesario tener una menor incertidumbre y para ello se requiere más información de estos pacientes y esto es posible con herramientas de inteligencia artificial”.

La transparencia, el consentimiento, el acceso a los datos y la no discriminación son aspectos que también deben tener en cuenta las empresas que desarrollan herramientas de inteligencia artificial. Así lo ha considerado Carlos Rodarte, representante de Volar Health. Además, la propiedad de los datos clínicos y la ética que esto conlleva también es importante, según ha resaltado Raúl Ortega de Blue Buttom.

La imagen, más sencilla de aprender que la narrativa

Ignacio Hernández Medrano, responsable del proyecto Savana, ha especificado que la imagen médica es algo sencillo para la inteligencia artificial. El problema, ha explicado, viene con el resto de información que no es imagen. Hernández Medrano considera que estos datos son el reto de la inteligencia artificial ya que como ha dicho, el 80% de la información valiosa de una historia clínica es narrativa.

Los expertos han concluido que los principales retos de la aplicación de la inteligencia artificial en la medicina y la salud son:

  1. Fiabilidad, estructuración y relevancia de los datos.
  2. Concreción en la puesta en marcha de proyectos de este tipo.
  3. Barreras en el lenguaje, ya que SNOMED solo contempla 12 lenguas.
  4. Problemas éticos a la hora de compartir datos individuales para su estudio.