Crean un modelo que anticipa la aparición de un millar de enfermedades a 10 años vista
Un grupo de investigadores entrena una inteligencia artificial experimental que estima el riesgo que tiene alguien de padecer cáncer, infartos y otras patologías
BarcelonaUna de las fijaciones en medicina es anticiparse a la aparición de los síntomas de cualquier enfermedad para que el pronóstico del paciente sea mucho mejor. Por ejemplo, si se empieza a tratar a alguien con un riesgo muy alto de sufrir un infarto se pueden minimizar las secuelas o incluso evitar esta enfermedad cardiovascular antes de que aparezca. O si se detecta un cáncer en estadios muy iniciales, el paciente deberá realizar tratamientos menos agresivos y su supervivencia será mejor que cuando el tumor se identifica en fases más avanzadas o ha realizado metástasis y se ha extendido a otras zonas. Por eso, la comunidad científica hace un esfuerzo muy importante para encontrar nuevos mecanismos de detección precoz que mejoren los actuales. Ahora, un equipo de investigadores internacional ha desarrollado un método para predecir el riesgo y el momento de aparición de más de un millar de enfermedades y avanzar cuáles serán los resultados de salud con más de diez años de anticipación.
"Los eventos médicos a menudo siguen patrones previsibles", asegura Tom Fitzgerald, uno de los autores del estudio e investigador del Instituto Europeo de Bioinformática del EMBL (EMBL-EBI), que ha liderado esta investigación junto con el Centro Alemán de Investigación sobre el Cáncer (DKFZ). Siguiendo esta premisa de Fitzgerald, los autores de esta investigación, publicada este miércoles en la revista Nature,han entrenado un modelo de inteligencia artificial que, utilizando registros médicos, es capaz de estimar a gran escala cómo puede cambiar la salud humana a lo largo del tiempo.
El equipo internacional ha realizado su investigación mediante los datos de más de 400.000 pacientes provenientes del UK Biobank, una iniciativa que contiene datos genéticos y sanitarios de medio millón de británicos y que es una de las bases informáticas más potentes del continente europeo. Ahora, después de poner a prueba la nueva tecnología, han obtenido unos resultados muy prometedores. De hecho, el modelo es "especialmente bueno" cuando la enfermedad tiene patrones de progresión claros y consistentes, como algunos cánceres, los infartos de miocardio y las sepsis, que son una reacción muy extrema a una infección en sangre que puede ser mortal.
"Al modelar cómo se desarrollan las enfermedades con el tiempo, podemos empezar a explorar cuándo emergen ciertos riesgos y cómo planificar mejor las intervenciones tempranas. Es un gran paso hacia enfoques más personalizados y preventivos de la atención médica", sostiene Ewan Birney, director ejecutivo interino del EMBL. Aún así, es preciso tener en cuenta que el modelo que han desarrollado es "menos fiable" a la hora de predecir la aparición de enfermedades sujetas a más variables, como pueden ser los trastornos de salud mental o las complicaciones derivadas del embarazo, ya que a menudo están vinculadas a eventos del día a día que son imprevisibles. Sin embargo, los investigadores recalcan que, como ocurre con las previsiones meteorológicas, este nuevo modelo de IA ofrece probabilidades, no certezas, y todavía no está listo para el uso clínico.
Probabilidades de desarrollar ciertas enfermedades
Tras entrenar el modelo de IA con los datos de los pacientes, sus diagnósticos y sus estilos de vida, los autores lo han puesto a prueba con datos de 1,9 millones de personas. Aclaran que no predice exactamente qué le va a pasar a alguien, pero proporciona estimaciones "bien calibradas" de la probabilidad de que aparezcan algunas enfermedades o factores de riesgo para desarrollarlas. Asimismo, remarcan que las predicciones a corto plazo son más precisas que las de largo plazo. Por ejemplo, el modelo predice diferentes niveles de riesgo de infarto, y en la franja de edad de 60 a 65 años, algunos hombres tienen una probabilidad de 4 entre 10.000 por año, mientras que otros tienen aproximadamente 1 entre 100 dependiendo de sus diagnósticos previos y su estilo de vida (si fuman o no hacen deporte).
Además, los riesgos aumentan, de media, a medida que las personas envejecen. Pese a los buenos resultados, los autores avisan de que, como cualquier modelo de IA, tiene limitaciones. Por ejemplo, han utilizado datos principalmente de personas de entre 40 y 60 años y admiten que los eventos de salud en la infancia y adolescencia están poco representados. Asimismo, el modelo también contiene "sesgos demográficos" porque los datos que han utilizado no contienen suficientes personas de todos los grupos étnicos. Por todo ello, los investigadores insisten en que el modelo no está listo para el uso clínico. Eso sí, consideran que los resultantes ya pueden ayudar a entender cómo se desarrollan y progresan las enfermedades con el tiempo, explorar cómo el estilo de vida y las enfermedades previas afectan al riesgo a largo plazo de desarrollar otras y también a simular resultados de salud con datos artificiales de pacientes en situaciones en las que es difícil obtener datos reales.
"Este es el inicio de una nueva manera de entender la salud humana y la progresión de las enfermedades", sostiene Moritz Gerstung, jefe de la división de IA en Oncología en el DKFZ. El experto cree que modelos como éste podrán ayudar a "personalizar la atención y anticipar necesidades sanitarias a gran escala" en un futuro, por lo que defiende que es necesario entrenar estas herramientas con datos más representativos. Con poblaciones cada vez más envejecidas y un aumento de las enfermedades crónicas, Gerstung argumenta que anticipar las necesidades sanitarias de la ciudadanía ayudará a los sistemas de salud a planificar mejor ya asignar recursos con mayor eficiencia, pero antes hace falta más investigación y un marco normativo sólido para su uso clínico.
El profesor de Neuroimagen Genómica e inteligencia artificial en el King's College de Londres Gustavo Sudre –que no ha participado en el estudio– considera que esta investigación es un paso importante para que los modelos de IA en medicina sean escalables e interpretables. "Es alentador ver que la arquitectura del modelo se ha diseñado deliberadamente para dar cabida a tipos de datos más ricos, como biomarcadores, imágenes e incluso genómica", destaca en declaraciones a Science Media Center (SMC). Sin embargo, considera que este modelo está "bien posicionado para evolucionar hacia una herramienta de medicina de precisión verdaderamente multimodal".