Gracias a una inteligencia artificial que predice la muerte de los pacientes, un equipo de investigación de la Universidad de Stanford espera mejorar el tiempo de atención al final de la vida de los enfermos en estado crítico. En sus pruebas, el sistema demostró ser intrigantemente preciso: predijo correctamente la mortalidad en el 90% de los casos. Pero aunque el sistema puede predecir cuándo un paciente podría morir, aún no puede decirles a los médicos cómo llegó a su conclusión.
Predecir la muerte es difícil. Los médicos deben considerar una serie de factores complejos, que van desde la edad del paciente y los antecedentes familiares hasta su respuesta a los fármacos y la naturaleza de la enfermedad en sí. Para complicar las cosas, los médicos tienen que lidiar con sus propios egos, prejuicios o reticencias inconscientes a evaluar las perspectivas de un paciente. Algunas veces, los médicos aciertan, pero otras pueden fallar por varios meses (o incluso años), tanto en términos de anticiparse demasiado o de predecir la muerte demasiado tarde.
Esto plantea un problema para la planificación de los cuidados paliativos. Normalmente, cuando no es probable que un paciente viva más de un año, su tratamiento se traslada a un equipo de cuidados paliativos que intenta que los últimos días o meses del paciente estén lo más libres posible de sufrimiento. Estos equipos trabajan para controlar el dolor, las náuseas, la pérdida de apetito y la confusión del paciente brindándole apoyo psicológico y moral, al tiempo que respetan sus necesidades sociales, culturales y espirituales (así 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.
“Con demasiada frecuencia, la enfermedad avanzada se convierte en una crisis médica y los pacientes terminan en la UCI. Allí, el estado del paciente puede empeorar, lo que resulta en intervenciones cada vez más agresivas que a menudo no sirven para el paciente ni para la familia”, explicó a Gizmodo Ken Jung, investigador de Standford Medicine y coautor del nuevo estudio. “Uno 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 está en peligro de morir el próximo año; para nuestros propósitos, la mortalidad es simplemente un sustituto de ‘realmente enfermo y podría beneficiarse de tener estas conversaciones’”.
Jung dice que esta necesidad no satisfecha fue reconocida por primera vez hace varias décadas en encuestas que mostraban que el 80% de los estadounidenses deseaba morir en casa, pero solo el 35% lo hacía. Él dice que la situación ha mejorado un poco, pero que “aún tenemos un largo camino por recorrer”.
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.
“El problema que abordamos es que solo una pequeña fracción de pacientes que pueden beneficiarse de los cuidados paliativos los reciben, en parte debido a que se los identificó demasiado tarde y en parte a la escasez de recursos humanos en los servicios de cuidados paliativos para identificarlos de manera proactiva y temprana”, explicó Avati a Gizmodo. “Tratamos de resolver este problema”.
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 electrónicos de salud (EHR) de pacientes adultos y niños admitidos ya sea en el Hospital de Stanford o en el Hospital para niños Lucile Packard. Después de analizar dos millones de registros, los investigadores identificaron a 200.000 pacientes adecuados para el proyecto. Los investigadores fueron “agnósticos” para el tipo de enfermedad, el estado de la enfermedad, la gravedad de la admisión (UCI frente a no UCI), y así sucesivamente. Todos estos pacientes tenían informes de casos asociados, que incluían un diagnóstico, el número de exploraciones solicitadas, los tipos de procedimientos realizados, el número de días de internación en el hospital, los medicamentos utilizados y otros factores.
El algoritmo de aprendizaje profundo estudió los informes de 160.000 casos. Se le dio una directiva: “Dado 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 año”. El sistema fue entrenado para predecir la muerte de pacientes en los próximos tres a 12 meses. No se consideraron los pacientes con menos de tres meses de vida, ya que eso dejaría 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.
“Es una herramienta de triaje sofisticada que mejora el acceso a los cuidados paliativos basándose en el pronóstico”, dijo a Gizmodo Stephanie M. Harman, profesora asociada de medicina en la Universidad de Stanford y coautora del nuevo estudio. “Su objetivo no es comunicar el momento de la muerte”, explicó, agregando que el sistema resuelve el problema de “identificar a pacientes gravemente enfermos que tienen necesidades de cuidados paliativos no atendidas”.
Jung dijo: “En general, creemos que este tipo de enfoque es fundamental para el uso seguro, efectivo y ético del aprendizaje automático en entornos clínicos. Fuera de aplicaciones muy especializadas, creemos que casi siempre es mejor, incluso crítico, tener a gente informada en el terreno”.
Durante el estudio piloto, los investigadores notaron varias deficiencias del sistema que deberán abordarse antes de que pueda implementarse para su uso posterior.
“Por ejemplo, resultó que puede ser diabólicamente difícil encontrar un buen momento y lugar para que los médicos de cuidados paliativos entablen una conversación [con el personal del hospital] de manera oportuna”, dijo Jung. “Otro detalle que surgió durante el estudio piloto es que descubrimos que algunos de los datos que supusimos que estarían disponibles para el sistema no estaban allí, al menos a tiempo para ser útiles”.
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 pronóstico y alertar a los profesionales de la salud sobre la necesidad de atención al final de la vida, el sistema no puede decirles a los médicos por qué llegó a ese pronóstico o el tipo de tratamientos médicos que el paciente podría requerir. Esta situación 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 “extraños” e impredecibles, dejando a los grandes maestros derrotados completamente desconcertados. Esto es lo que los desarrolladores de IA llaman el problema de la “caja negra”, cuando a una máquina se le ocurre una respuesta o solución a un problema, pero sin una explicación obvia de cómo llegó allí.