PRESENTACIÓN
Permítanme una pequeña introducción al interesante trabajo de nuestro compañero, el doctor Enrique de Ramón, socio fundador y actualmente Presidente Saliente de nuestra Asociación. Trabajo que representa un preludio al Curso de Actualización en Patología Autoinmune, dedicado especialmente a Residentes, que él mismo dirigirá (como hace todos los años) los días 15 y 16 de diciembre de 2023, y estará dedicado íntegramente a "ACTIVIDAD CLÍNICA E INTELIGENCIA ARTIFICIAL".
El interés por todo lo referente a la Inteligencia artificial (IA) rebasa incluso los límites del ámbito de la ciencia para ocupar un lugar destacado en publicaciones dedicadas a lo que se ha dado en llamar “el gran público” y, como todo lo nuevo, no deja de plantear discusiones, a veces arduas, sobre sus bondades y posibles maldades. De hecho, muchos foros han emprendido la tarea de alertarnos acerca de los peligros que comporta la sustitución de la inteligencia humana por su sucedáneo artificial.
La historia no es nueva. Sócrates, en palabras de Platón en el diálogo Fedro, hacia 370 a. C., se alarma porque el empleo de la escritura sería altamente perjudicial para la inteligencia (esta vez natural) de los jóvenes, porque debilita el empleo de la memoria y del propio raciocinio.
Andando el tiempo encontramos opiniones coincidentes con las de Platón, como las del humanista e impresor veneciano Hieronimo Squarciafico, en su Memoria y libros, de 1477, (“La abundancia de libros hace a los hombres menos estudiosos, destruye la memoria y debilita el pensamiento porque le releva del trabajo excesivo” ) o las de Jean Jacques Rousseau, en Emilio o Sobre la Educación, de 1762. (“Yo odio los libros, porque enseñan a hablar de lo que no se sabe” o “Ningún otro libro que el mundo, ninguna otra instrucción que los hechos. El muchacho que lee no piensa, no hace más que leer: y no se instruye porque no aprende más que palabras”.)
Parecidos resquemores, por todo lo que representa innovación, surgieron ya en nuestra época hacia el empleo de ordenadores, calculadoras y acceso a internet. Recuerdo que, recién publicado, en 1998, El Péndulo de Foucault, de Umberto Eco, circuló la “alarmante” noticia de que el escritor había utilizado para elaborarlo, en aquellos tiempos de la balbuciente informática, ¡un ordenador! (Pero, bueno... ¿Quién ha escrito el libro? ¡Eco o la máquina!). A la pregunta, que hoy nos parece pueril, contestaba lacónicamente don Humberto: “El ordenador no es una máquina inteligente que ayuda a gente estúpida, de hecho, es una estúpida máquina que funciona sólo en manos de gente inteligente.”
Respuesta muy parecida a la del doctor de Ramón, en su artículo, en el que nos ilustra acerca de lo que es y lo que no es IA: “La IA promete una transformación significativa del cuidado de la salud en todas las áreas médicas, lo que podría representar un momento trascendental para la medicina, por lo que el futuro de las especialidades médicas dependerá en gran medida de la interacción humana y la creatividad, obligando a los médicos a evolucionar y emplear la IA como una herramienta en la atención del enfermo”.
Al fin y al cabo, como él nos aclara, inteligencia (intelijencia, que diría Juan Ramón Jiménez), natural o artificial, no es más que una herramienta, una más, de acceso al conocimiento que ha llegado para quedarse. Con su parte beneficiosa y sus peligros latentes (como un martillo o un tractor). Lo importante será potenciar la primera de esas dos facetas neutralizando sus riesgos potenciales.
¡Intelijencia, dame
el nombre exacto de las cosas!
… Que mi palabra sea
la cosa misma,
creada por mi alma nuevamente.
Que por mí vayan todos
los que no las conocen, a las cosas;
que por mí vayan todos
los que ya las olvidan, a las cosas;
que por mí vayan todos
los mismos que las aman, a las cosas…
¡Intelijencia, dame
el nombre exacto, y tuyo,
y suyo, y mío, de las cosas!
(Juan Ramón Jiménez; Eternidades)
Julio Sánchez Román
Secretario de AADEA
Desplegar a continuación (+) para leer el artículo
ARTICULO
Los macrodatos (MD), también llamados datos masivos, inteligencia de datos, datos a gran escala o “big data” (terminología en idioma inglés, utilizada comúnmente) es un término que hace referencia a conjuntos de datos tan grandes y complejos que precisan, para tratarlos adecuadamente, de aplicaciones informáticas de procesamiento de datos no tradicionales.
En este sentido, por su parte, la “European Alliance of Associations for Rheumatology (EULAR)”estableció en 2020 una serie de principios relacionados con el empleo de los MD (definidos como datos obtenidos de fuentes heterogéneas, de gran tamaño, complejas y/o multidimensionales) en las enfermedades reumáticas y músculo-esqueléticas. Plantean que cuando se utilizan estos MD, debe tenerse en cuenta la obligatoriedad de considerar los aspectos éticos y perseguir el objetivo de mejorar la vida de los pacientes. Los aspectos clave se enfocan hacia la necesidad de armonizar los estándares, seguir los principios FAIR (Findable [localizable], Accessible [accesible], Interoperable [interoperativo], and Reusable [reutilizable]), usar plataformas de datos abiertos que mantengan la privacidad, desarrolladas en colaboración interdisciplinar, explicando con claridad los métodos utilizados, usando sistemas computacionales con evaluación comparativa, sometidos a una validación independiente, junto con un entrenamiento interdisciplinar en “big data” para clínicos y científicos con diferentes bagajes de conocimiento1.
Por otra parte, el rápido crecimiento en el empleo de herramientas de inteligencia artificial (IA), motivó, hace ahora tres años, la publicación de una revisión literaria en The Journal of Rheumatology, dirigida a clínicos e investigadores, sobre la utilización de estos métodos analíticos en el conocimiento y manejo de las enfermedades autoinmunes (EEAA) sistémicas y músculo-esqueléticas en general2. Como en otras publicaciones3, se destacan las dificultades que los clínicos e investigadores, y también los pacientes, pueden tener para entender esta tecnología, basada en algoritmos complejos, que utilizan grandes bases de datos, equipos y programas informáticos sofisticados, así como pruebas estadísticas que no están normalmente a su alcance.
La IA es una disciplina que engloba diferentes “metodologías”, en especial “machine learning” (ML; aprendizaje automático) y “deep learning” (DL; aprendizaje profundo)2,4,5. Recientemente, una de las revistas más prestigiosas en medicina general ha considerado de interés publicar varios artículos relativos a la relación entre IA y medicina; en la presentación, indican la intención de iniciar una nueva publicación, NEJM AI (ai .nejm .org), con el objetivo de proporcionar un foro de evidencia de alta calidad y una fuente para compartir la IA médica, junto con discusiones informadas de sus potenciales limitaciones6.
En concreto, ML es una técnica analítica que se está empleando en medicina cada vez con más frecuencia7 y que puede suponer ventajas sobre la investigación con una hipótesis previa para el análisis multidimensional de relaciones de asociación entre los factores de estudio. Tanto el análisis estadístico como ML tienen como objetivo estudiar, en los sistemas biológicos, aspectos relativos a la inferencia y la predicción. La estadística lo hace, a través de la creación y ajuste de un modelo de probabilidad específico del proyecto, y se dirige más hacia la inferencia. Por el contrario, ML se concentra en la predicción, utilizando algoritmos de aprendizaje para encontrar patrones en bases de datos muy amplias y difíciles de abarcar en su totalidad. ML es particularmente útil cuando la investigación se centra en MD, donde el número de variables de entrada supera al de sujetosviii. No obstante, a pesar de la obtención de resultados de predicción convincentes con ML, la ausencia de un modelo explícito, hace difícil relacionarnos con el conocimiento biológico existente8. ML se puede utilizar para clasificar procesos patológicos en base a la información médica disponible, imágenes, biometría o expresión génica9, así como para establecer el pronóstico y el tratamiento de estas enfermedades10. En cualquier caso, ML no debe ser visto como un instrumento mágico que transforma los datos en oro, sino como una extensión natural del análisis estadístico más tradicional3.
La IA promete una transformación significativa del cuidado de la salud en todas las áreas médicas6, lo que podría representar un momento trascendental para la medicina, por lo que el futuro de las especialidades médicas dependerá en gran medida de la interacción humana y la creatividad, obligando a los médicos a evolucionar y emplear la IA como una herramienta en la atención del enfermo3.
Es de esperar que la IA ofrezca a los pacientes seguridad, autonomía y la posibilidad de una atención médica oportuna en zonas de difícil acceso, y a los médicos les ayude a disminuir su carga administrativa, el tiempo dedicado a la lectura de informes de los pacientes y el agotamiento profesional. También puede que la IA permita reducir la frecuencia de errores médicos y mejorar la precisión diagnóstica a través de la integración, el análisis y la interpretación de la información disponible3.
La automatización de actividades repetitivas liberará tiempo al personal de salud y potencialmente mejorará la relación médico-paciente, regresando a la atención personalizada y la interacción con el enfermo mediante el acompañamiento, la comunicación, la empatía y la confianza durante su enfermedad, actividades que nunca serán reemplazadas por la IA3. La atención del paciente, como la esencia de la medicina, continuará dependiendo de la interacción con él, y si las actividades repetitivas rutinarias son automatizadas por IA, entonces la relación médico-paciente se verá favorecida, aportando tiempo con calidad en los aspectos más relevantes del cuidado de los pacientes3.
Con vistas a mejorar la calidad de la evidencia científica, aún es necesario estandarizar la investigación en el área de la IA, conociendo sus ventajas y riesgos, y así poder acelerar su implementación en la práctica médica actual. No obstante, los resultados obtenidos pueden estar limitados por sus tamaños muestrales, la exactitud en la caracterización de las muestras utilizadas, y la ausencia de bases de datos externas para su validación. Existe, además, la posibilidad de sobreajuste o subajuste de los datos en los modelos de ML, de forma que estos modelos pueden producir resultados que no se puedan replicar en una base de datos no relacionada con la inicial. También es importante destacar la importancia de obtener similares resultados en el análisis de los datos de entrada (por ejemplo, registros médicos), con diferentes algoritmos, ilustrando la potencial plasticidad de esta aproximación analítica. Todo ello en conjunto, una mejor comprensión de la ML y la futura aplicación de técnicas analíticas avanzadas basadas en esta aproximación, junto con la creciente disponibilidad de datos biomédicos, puede facilitar el desarrollo de una medicina de precisión para pacientes con EEAA y osteo-articulares, entre otros procesos de enfermedad9.
1 Gossec L, Kedra J, Servy H, et al. EULAR points to consider for the use of big data in rheumatic and musculoskeletal diseases. Ann Rheum Dis 2020;79:69-76.
2 Nelson AE, Arbeeva L. Narrative review of machine learning in rheumatic and musculoskeletal diseases for clinicians and researchers: biases, goals, and future directions. J Rheumatol 2022;49:1191-1200.
3Lanzagorta-Ortega D, Carrillo-Pérez DL, Carrillo-Esper R. Inteligencia artificial en medicina: presente y futuro [Artificial intelligence in medicine: present and future]. Gac Med Mex 2022;158 (Suplement 1):17-21.
4 Beam AL, Kohane IS. Big data and machine learning in health care. JAMA 2018;319:1317-1318.
5 Gerussi A, Scaravaglio M, Cristoferi L, et al. Artificial intelligence for precision medicine in autoimmune liver disease. Front Immunol 2022;13:966329.
6 Beam AL, Drazen JM, Kohane IS, et al. Artificial Intelligence in Medicine. N Engl J Med 2023;388:1220-1221.
7 Amisha, Malik P, Pathania M, et al. Overview of artificial intelligence in medicine. J Family Med Prim Care 2019;8:2328-2331.
8 Bzdok D, Altman N, Krzywinski M. Points of significance: Statistics versus machine learning. Nat Methods 2018;15:233–234.
9 Kingsmore KM, Puglisi CE, Grammer AC, et al. An introduction to machine learning and analysis of its use in rheumatic diseases. Nat Rev Rheumatol 2021;17:710-730.
10 Jordan MI, Mitchell TM. Machine learning: trends, perspectives, and prospects. Science 2015;349:255–260.
Dr. Enrique de Ramón Garrido
(Presidente saliente de AADEA)