En el mundo de la prevención y la medicina personalizada, la capacidad de predecirnos durante mucho tiempo es crucial, incluso una década, la posibilidad de que ocurra una enfermedad, para detener los procesos que lo producirán mucho antes de que comenzara a dañar. Esto parece lograrse gracias a la inteligencia artificial, según un estudio publicado en la revista Nature.
Comenzamos a ser más a menudo a través de la vida, pasamos un día enfermos de vez en cuando, y los problemas crónicos comienzan a aparecer con el tiempo. Estos patrones afectan a cada individuo de una manera diferente, dependiendo de la herencia, el estilo de vida o su estado socioeconómico. Para comprender la salud de la persona y apreciar los riesgos que lo persiguen en el futuro, no es suficiente tomar un diagnóstico aislado que ha recibido durante su vida; Es necesario comprender la evolución de cada persona, conocer las enfermedades que han sufrido para saber cómo influir entre sí y promover cambios específicos en la vida o recomendar pruebas de diagnóstico que acompañan a las enfermedades concretas con la ocurrencia más probable.
Hoy, un grupo de investigadores del Instituto Europeo de Bioinformática, DKFZ (Centro de Investigación Alemán para Cáncer) y varias instituciones danesas proponen aplicar la misma tecnología que da vida a grandes modelos de idiomas, como ChatGpta, para aprender y predecir la historia natural de más de mil enfermedades al mismo tiempo. El modelo resultante, bautizado como Delphi-2M, es capaz de identificar los patrones de tarjetas médicas, estilo de vida y condiciones de salud previas.
“El hallazgo más inesperado fue que el modelo podría anticipar más de 1,000 enfermedades. Esperamos trabajar con alguien, pero que fallará con muchos otros. Muestra cuántas enfermedades están interconectadas y enfatiza la necesidad de explorar los mecanismos básicos que los conectan”, explica el director de Distkfzz, discrfz.
El algoritmo fue capacitado con datos de 400,000 personas del Reino Unido y confirmado con registros de casi dos millones de pacientes en Dinamarca, y es posible proyectar una trayectoria de salud, tanto en la población como a nivel individual, hasta dos décadas.
Al igual que con los pronósticos meteorológicos, este modelo no ofrece seguridad sino probabilidad. Más que adivinar exactamente lo que le sucederá a una persona en particular en algún momento, calcula las posibilidades de sufrir ciertas enfermedades en un período particular. Como un tiempo, las predicciones a corto plazo son más confiables que las que intentan predecir el futuro adicional. Cuando se calcula si uno sufrirá un ataque cardíaco en los próximos 10 años, el modelo tiene razón alrededor de siete de los diez casos. Cuando el período de tiempo se extiende a dos décadas, permanece en 14%, ligeramente mayor al 12%, lo que se logra por edad y género.
Continuando con el caso de un ataque cardíaco, según el modelo, en el grupo Biobanco del Reino Unido, los hombres entre las edades de 60 y 65 años pueden tener un riesgo anual de 4 de 10,000 a 1 de 100, dependiendo de sus antecedentes médicos y sus hábitos de vida. En las mujeres, el riesgo promedio es menor, pero la dispersión de probabilidad es similar. Lo más relevante es que, en comparación con las predicciones del modelo con datos reales de Biobanko no utilizados en el entrenamiento, se encontró que los riesgos calculados coincidieron con la frecuencia observada de casos en diferentes edades y grupos de sexos. Esto muestra que estima que refleja fielmente las tendencias reales de la población.
Delphi-2M alcanza la precisión comparable a los mejores modelos específicos de enfermedades como la demencia o el infarto de miocardio y supera los algoritmos para predecir la mortalidad. Solo en el caso de la diabetes, el marcador de los análisis de sangre (hemoglobina glicosilada de HbA1c) sigue siendo más confiable. Además, el estudio identificó enfermedades que aumentan el riesgo de otros, como los trastornos mentales o algunos tumores de un sistema reproductivo femenino.
En la capacidad de saber que es solo antes de la enfermedad que solo la posibilidad es solo para hacernos pacientes preventivos, Gerstung cree que se necesitan más estudios para aumentar cómo usar este conocimiento a los pacientes. Esto requeriría que una posible aplicación de IA como asistente de drogas “se pruebe en ensayos clínicos aleatorios, en los que el grupo recibe visitas médicas con el apoyo de IA y otros grupos sin ella. Después del período de monitoreo, se evaluará si el grupo IA recibirá mayores ventajas en comparación con las consultas tradicionales”, dice. “Esto también puede incluir evaluaciones subjetivas del buen efecto de las personas para evaluar los efectos emocionales del conocimiento o no sus riesgos”, concluye.
En la sección sobre posibles riesgos, tales herramientas de salud poderosas, como la discriminación de pacientes con riesgos que los hacen un poco más interesantes, como los clientes, Guillermo Lazcoz, miembro del comité de ética del Instituto del Instituto Carlos III de Salud, que ya se sabe que procesan la IA y agregan una gran salud en la disposición. Para usarlos para saber, antes de otorgar un préstamo, si el cliente es propenso a infectar el cáncer o tener un ataque cardíaco.
“La IA puede identificar a una persona de la información que debían ser anónimas, lo que requiere nuevas medidas de protección”, dice Lazco. Para aplicar estas medidas, “Se están desarrollando áreas de procesamiento de datos en Europa, donde los datos no viajan y el acceso a terceros, pero se limitan al tiempo y al propósito”, explica. Finalmente, advierte que no es lo mismo hablar sobre organizaciones como Biobanac del Reino Unido, que se utiliza en un estudio publicado por Nature, que tiene controles estrictos, que de compañías como 23 yma, que su ADN puede analizar para conocer su vid y que ya ha estado involucrado en escandalos debido a problemas de datos.
Mikel Recuero, investigador de la Universidad de Vasco (EHA) y un abogado especializado en protección de datos, está de acuerdo en que, al menos en la esfera europea, hay muchas capas de control que buscan evitar el uso irregular de datos biomédicos. “El acceso a los biobancos ya implica el primer filtro ético, porque los investigadores deben justificar el propósito científico de su aplicación y no pueden usar muestras para fines falsos”, dice. “Estos son los controles de protección de datos adicionales: si se puede reconocer la información, las regulaciones de la fuerza para limitar su uso para fines autorizados, evitando, por ejemplo, aplicaciones en seguros o bancos”, agrega.
En este sentido, “la nueva regulación del área de datos de salud europea mejora esta lógica que prohíbe explícitamente las decisiones comerciales, como una modificación de las primas de seguros en información genética”, dice. “Aunque los riesgos no desaparecen en absoluto, existen mecanismos consecutivos (éticos, regulatorios, legales) que actúan preventivamente, lo que limita las oportunidades y las fuerzas de discriminación para probar los beneficios sociales en cada proyecto que utilizarán esta información”.
Modelos como GPT-4 o Gemini aprenden un idioma como una serie de palabras. Anticipan la siguiente palabra dependiendo del contexto y los investigadores han visto analogía de salud. El historial médico de una persona también puede entenderse como una serie de eventos (diagnóstico, factores de riesgo, hábitos de estilo de vida) seguidos de una orden de predicción temporal.
Actualmente, el modelo debería mejorar para ser útil para cuidar la salud de los pacientes reales, pero esta ya es una herramienta útil para comprender mejor cómo se desarrollan las enfermedades y cómo progresar o evaluar los efectos del estilo de vida o las enfermedades pasadas afectan el riesgo de enfermedades futuras.
Uno de los aspectos más innovadores del trabajo es la capacidad de Delphi para generar datos de salud sintéticos. De la información parcial, el modelo puede imaginar rutas completas que mantienen las mismas propiedades estadísticas que los datos reales, pero sin la persona en particular apropiada. Esto protege la privacidad de los pacientes, ya que los datos no pueden asociarse con individuos reales y permiten que otros modelos de IA entrenen sin acceso a datos clínicos confidenciales. Esto podría, por ejemplo, calcular lo que podría suceder con la salud de la población si la obesidad aumenta en un 5%.
Ahora ya hay algoritmos que anticipan el riesgo de sufrir algunas enfermedades, como problemas cardíacos o cáncer de seno, pero este enfoque no cubre la complejidad real de la salud humana, en la que muchas veces más enfermedades están condicionadas entre ellas coexisten. Las sociedades universitarias, la capacidad de proporcionar la carga de muchas enfermedades y políticas e inversiones de diseñadores será crucial de que intente evitarlas y estar preparado cuando lleguen.
Informática
