Imagen: AP

Gracias a una inteligencia artificial que predice la muerte de los pacientes, un equipo de investigaci√≥n de la Universidad de Stanford espera mejorar el tiempo de atenci√≥n al final de la vida de los enfermos en estado cr√≠tico. En sus pruebas, el sistema demostr√≥ ser intrigantemente preciso: predijo correctamente la mortalidad en el 90% de los casos. Pero aunque el sistema puede predecir cu√°ndo un paciente podr√≠a morir, a√ļn no puede decirles a los m√©dicos c√≥mo lleg√≥ a su conclusi√≥n.

Predecir la muerte es dif√≠cil. Los m√©dicos deben considerar una serie de factores complejos, que van desde la edad del paciente y los antecedentes familiares hasta su respuesta a los f√°rmacos y la naturaleza de la enfermedad en s√≠. Para complicar las cosas, los m√©dicos tienen que lidiar con sus propios egos, prejuicios o reticencias inconscientes a evaluar las perspectivas de un paciente. Algunas veces, los m√©dicos aciertan, pero otras pueden fallar por varios meses (o incluso a√Īos), tanto en t√©rminos de anticiparse demasiado o de predecir la muerte demasiado tarde.

Esto plantea un problema para la planificaci√≥n de los cuidados paliativos. Normalmente, cuando no es probable que un paciente viva m√°s de un a√Īo, su tratamiento se traslada a un equipo de cuidados paliativos que intenta que los √ļltimos d√≠as o meses del paciente est√©n lo m√°s libres posible de sufrimiento. Estos equipos trabajan para controlar el dolor, las n√°useas, la p√©rdida de apetito y la confusi√≥n del paciente brind√°ndole apoyo psicol√≥gico y moral, al tiempo que respetan sus necesidades sociales, culturales y espirituales (as√≠ como las de su familia).

Pero si un paciente pasa a cuidados paliativos demasiado tarde, es probable que se pierda esta etapa importante de la atención. Y si ingresa demasiado temprano, ejerce una presión innecesaria sobre el sistema de salud.

‚ÄúCon demasiada frecuencia, la enfermedad avanzada se convierte en una crisis m√©dica y los pacientes terminan en la UCI. All√≠, el estado del paciente puede empeorar, lo que resulta en intervenciones cada vez m√°s agresivas que a menudo no sirven para el paciente ni para la familia‚ÄĚ, explic√≥ a Gizmodo Ken Jung, investigador de Standford Medicine y coautor del nuevo estudio. ‚ÄúUno de los objetivos del equipo de cuidados paliativos es entablar conversaciones con los pacientes para que puedan pensar y articular sus preferencias antes de que se encuentren en una crisis. Ten en cuenta que esto puede ser apropiado incluso si el paciente no est√° en peligro de morir el pr√≥ximo a√Īo; para nuestros prop√≥sitos, la mortalidad es simplemente un sustituto de ‚Äėrealmente enfermo y podr√≠a beneficiarse de tener estas conversaciones‚Äô‚ÄĚ.

Advertisement

Jung dice que esta necesidad no satisfecha fue reconocida por primera vez hace varias d√©cadas en encuestas que mostraban que el 80% de los estadounidenses deseaba morir en casa, pero solo el 35% lo hac√≠a. √Čl dice que la situaci√≥n ha mejorado un poco, pero que ‚Äúa√ļn tenemos un largo camino por recorrer‚ÄĚ.

Es importante determinar el momento adecuado, razón por la cual Anand Avati y su equipo de la Universidad de Stanford desarrollaron un sistema basado en la inteligencia artificial. El algoritmo pronosticador de la muerte no pretende reemplazar a los médicos, sino ofrecer una herramienta para mejorar la precisión de los pronósticos. Además de mejorar los tiempos de los cuidados paliativos, el sistema también podría aliviar la carga que recae sobre los médicos cuando intentan predecir lo que pasará, lo cual es un proceso laborioso y lento.

‚ÄúEl problema que abordamos es que solo una peque√Īa fracci√≥n de pacientes que pueden beneficiarse de los cuidados paliativos los reciben, en parte debido a que se los identific√≥ demasiado tarde y en parte a la escasez de recursos humanos en los servicios de cuidados paliativos para identificarlos de manera proactiva y temprana‚ÄĚ, explic√≥ Avati a Gizmodo. ‚ÄúTratamos de resolver este problema‚ÄĚ.

Advertisement

El sistema usa una forma de inteligencia artificial conocida como aprendizaje profundo donde una red neuronal aprende de grandes cantidades de datos. En este caso, el sistema fue alimentado con datos de los registros electr√≥nicos de salud (EHR) de pacientes adultos y ni√Īos admitidos ya sea en el Hospital de Stanford o en el Hospital para ni√Īos Lucile Packard. Despu√©s de analizar dos millones de registros, los investigadores identificaron a 200.000 pacientes adecuados para el proyecto. Los investigadores fueron ‚Äúagn√≥sticos‚ÄĚ para el tipo de enfermedad, el estado de la enfermedad, la gravedad de la admisi√≥n (UCI frente a no UCI), y as√≠ sucesivamente. Todos estos pacientes ten√≠an informes de casos asociados, que inclu√≠an un diagn√≥stico, el n√ļmero de exploraciones solicitadas, los tipos de procedimientos realizados, el n√ļmero de d√≠as de internaci√≥n en el hospital, los medicamentos utilizados y otros factores.

El algoritmo de aprendizaje profundo estudi√≥ los informes de 160.000 casos. Se le dio una directiva: ‚ÄúDado un paciente y una fecha, predecir la muerte de ese paciente dentro de 12 meses a partir de esa fecha, utilizando los datos de EHR de ese paciente del anterior a√Īo‚ÄĚ. El sistema fue entrenado para predecir la muerte de pacientes en los pr√≥ximos tres a 12 meses. No se consideraron los pacientes con menos de tres meses de vida, ya que eso dejar√≠a un tiempo insuficiente para las preparaciones de cuidados paliativos.

Armado con sus nuevas habilidades, el algoritmo tuvo la tarea de evaluar a los 40.000 pacientes restantes. Lo hizo bastante bien, prediciendo con éxito la mortalidad de los pacientes dentro del periodo de 3 a 12 meses en nueve de cada 10 casos. Alrededor del 95% de los pacientes que fueron evaluados con una baja probabilidad de morir dentro de ese periodo vivieron más de 12 meses. El estudio piloto fue un éxito, y los investigadores esperan ahora que su sistema se utilice en otros hospitales.

Advertisement

‚ÄúEs una herramienta de triaje sofisticada que mejora el acceso a los cuidados paliativos bas√°ndose en el pron√≥stico‚ÄĚ, dijo a Gizmodo Stephanie M. Harman, profesora asociada de medicina en la Universidad de Stanford y coautora del nuevo estudio. ‚ÄúSu objetivo no es comunicar el momento de la muerte‚ÄĚ, explic√≥, agregando que el sistema resuelve el problema de ‚Äúidentificar a pacientes gravemente enfermos que tienen necesidades de cuidados paliativos no atendidas‚ÄĚ.

Jung dijo: ‚ÄúEn general, creemos que este tipo de enfoque es fundamental para el uso seguro, efectivo y √©tico del aprendizaje autom√°tico en entornos cl√≠nicos. Fuera de aplicaciones muy especializadas, creemos que casi siempre es mejor, incluso cr√≠tico, tener a gente informada en el terreno‚ÄĚ.

Durante el estudio piloto, los investigadores notaron varias deficiencias del sistema que deber√°n abordarse antes de que pueda implementarse para su uso posterior.

Advertisement

‚ÄúPor ejemplo, result√≥ que puede ser diab√≥licamente dif√≠cil encontrar un buen momento y lugar para que los m√©dicos de cuidados paliativos entablen una conversaci√≥n [con el personal del hospital] de manera oportuna‚ÄĚ, dijo Jung. ‚ÄúOtro detalle que surgi√≥ durante el estudio piloto es que descubrimos que algunos de los datos que supusimos que estar√≠an disponibles para el sistema no estaban all√≠, al menos a tiempo para ser √ļtiles‚ÄĚ.

Jung dice que el estudio piloto fue para ver si funcionaba sin problemas y de la forma deseada.

Es importante destacar que, si bien el sistema puede hacer un pron√≥stico y alertar a los profesionales de la salud sobre la necesidad de atenci√≥n al final de la vida, el sistema no puede decirles a los m√©dicos por qu√© lleg√≥ a ese pron√≥stico o el tipo de tratamientos m√©dicos que el paciente podr√≠a requerir. Esta situaci√≥n es similar al sistema AlphaGo de DeepMind, que es capaz de derrotar a los mejores grandes maestros del mundo en ajedrez y Go. Los expertos dicen que el sistema hace movimientos que son ‚Äúextra√Īos‚ÄĚ e impredecibles, dejando a los grandes maestros derrotados completamente desconcertados. Esto es lo que los desarrolladores de IA llaman el problema de la ‚Äúcaja negra‚ÄĚ, cuando a una m√°quina se le ocurre una respuesta o soluci√≥n a un problema, pero sin una explicaci√≥n obvia de c√≥mo lleg√≥ all√≠.

Advertisement

[New York Times, IEEE Spectrum]