Se trata de un gran problema para la medicina, un campo en el que muchas variables suelen estar interconectadas. Para diagnosticar una enfermedad es necesario determinar qué dolencias causan qué síntomas; mientras que el tratamiento depende de los efectos de diferentes medicamentos o cambios en el estilo de vida. Esas cuestiones tan complicadas generalmente se suelen resolver a través de rigurosos estudios de observación o ensayos controlados que generan muchísimos datos médicos. Pero como estos se extienden por diferentes conjuntos de información, dejan muchas sin respuesta. Si un conjunto de datos muestra una correlación entre la obesidad y la enfermedad cardíaca y otro entre la baja vitamina D y la obesidad, ¿cuál es el vínculo entre la baja vitamina D y la enfermedad cardíaca? Para averiguarlo suele ser necesario llevar a cabo otro ensayo clínico.
n¿Habría alguna estrategia para maximizar la utilidad de esta información fragmentada? A los ordenadores se les da muy bien detectar patrones, pero esos patrones solo se refieren a correlaciones. En los últimos años, los científicos informáticos han inventado varios algoritmos capaces de identificar las relaciones causales dentro de conjuntos de datos únicos. Pero centrarse en conjuntos de datos únicos es como mirar a través de las cerraduras. Hace falta una forma de abarcar una vista completa.
nLos investigadores del proveedor de atención médica digital con sede en Reino Unido Babylon Health, Anish Dhir y Ciarán Lee han ideado una técnica para encontrar relaciones causales en diferentes conjuntos de datos. Un hallazgo que permitiría crear grandes bases de datos con información médica no usada para detectar causas y efectos, y posiblemente también habilitaría el descubrimiento de nuevos vínculos causales.
nBabylon Health ofrece una aplicación basada en un chatbot que solicita al paciente una descripción de sus síntomas antes de ofrecer un diagnóstico tentativo y consejos sobre el tratamiento. El objetivo del sistema es hacer de filtro para las personas que en realidad no necesitan ir al médico. En principio, el servicio ahorra tiempo tanto a los pacientes como a los médicos, permitiendo que los profesionales de la salud con exceso de trabajo se centren en los más necesitados.
nPero la aplicación ha sido objeto de debate. Los médicos advierten de que a veces obvia algunos signos de enfermedades graves, por ejemplo. Varias otras compañías, incluidas Ada y Your.MD, también ofrecen diagnóstico por chatbot, pero el de Babylon Health ha sido especialmente criticado, en parte, debido a sus propias y exageradas afirmaciones. Por ejemplo, en 2018, la compañía afirmó que su inteligencia artificial (IA) podía diagnosticar enfermedades médicas mejor que un médico humano. Un posterior estudio en The Lancet concluyó que eso no solo era falso, sino que "probablemente funcionara mucho peor".
nAun así, el nuevo trabajo de Dhir y Lee sobre los vínculos causales merece ser tomado en serio. Ha sido revisado por expertos y será presentado en la respetada conferencia de la Asociación para el Avance de la Inteligencia Artificial que se celebrará en Nueva York (EE. UU.) próximamente. En principio, la técnica podría mejorar los servicios como el de Babylon Health.
nLa capacidad de identificar relaciones causales en los datos médicos mejoraría la IA de diagnóstico de su chatbot. Justificar las respuestas indicando la causa y el efecto subyacentes, en vez de las correlaciones ocultas, también debería aumentar la confianza de la gente en la aplicación, opina Lee, quien también trabaja en aprendizaje automático y computación cuántica en University College de Londres (Reino Unido). El experto señala: "La atención médica es un campo de alto riesgo. No queremos usar una caja negra" (ver Caja negra vs. de cristal: la IA que funciona contra la que se explica).
nPoco después de empezar su trabajo, los investigadores se dieron cuenta de que de que tendrían que partir de cero. Le recuerda: "Desde el principio fuimos conscientes de que nadie había resuelto este problema". El desafío consistía en fusionar múltiples conjuntos de datos que comparten variables comunes, y luego extraer tanta información sobre causa y efecto como sea posible de los datos combinados.
nEn lugar del aprendizaje automático, su enfoque se inspira en la criptografía cuántica, en la que es posible usar una fórmula matemática para demostrar que nadie está espiando una conversación. Dhir y Lee trataron los conjuntos de datos como conversaciones y variables que influyen en esos conjuntos de datos de manera causal como espías. Usando las matemáticas de la criptografía cuántica, su algoritmo puede identificar si existen estos efectos.
nEl equipo probó su sistema con conjuntos de datos sobre los que ya se conocían las relaciones causales, como dos que miden el tamaño y la textura de los tumores de mama. La IA descubrió correctamente que el tamaño y la textura no tenían un vínculo causal entre sí, pero que ambas características dependían de si el tumor era maligno o benigno.
nLos investigadores afirman que, ante datos sin procesar, su algoritmo es capaz de identificar las relaciones causales entre las variables, igual que un estudio clínico. En lugar de buscar causas con una nueva prueba controlada y aleatoria, el software puede hacer lo mismo con los datos existentes. Lee admite que habrá que convencer a la gente de su eficacia y espera que, como mínimo, el algoritmo empiece a usarse para complementar los ensayos, quizás destacando los posibles vínculos causales para el estudio. Sin embargo, señala que algunos organismos oficiales como la Administración de Medicamentos y Alimentos de EE. UU. ya aprueban nuevos medicamentos sobre la base de ensayos que muestran solo la correlación. "Los ensayos controlados aleatorios a los que se someten los medicamentos son menos convincentes que este algoritmo", concluye.
n