Imagina a un médico que ha estudiado en silencio las historias médicas de casi un millón de personas, no para memorizar datos, sino para detectar los patrones sutiles y ocultos que conectan síntomas, pruebas y diagnósticos a lo largo de años de atención. Ahora imagina que ese médico pudiera mirar tu historial y decir: “Basado en patrones que he visto miles de veces antes, esta persona tiene un riesgo inusualmente alto de desarrollar diabetes o cierto tipo de cáncer en el próximo año”.
Ese es aproximadamente el concepto detrás de un estudio de 2016 de la Escuela de Medicina Icahn en el Monte Sinaí, publicado en Scientific Reports. Los investigadores Riccardo Miotto, Li Li, Brian Kidd y Joel Dudley construyeron un sistema de IA al que llamaron “Deep Patient” — y resultó ser notablemente bueno para predecir qué enfermedades era probable que las personas desarrollaran a continuación, a veces años antes de que esas enfermedades realmente aparecieran.
El Problema: Los Historias Médicas Son un Desastre
Los registros electrónicos de salud (EHRs) contienen una mina de oro de información — diagnósticos, recetas, resultados de laboratorio, notas de los médicos — pero son notoriamente difíciles de entender para las computadoras. La misma condición puede aparecer de una docena de maneras diferentes: un valor de laboratorio, un código de facturación, una frase enterrada en una nota escrita por un médico. Los registros son escasos, inconsistentes y están llenos de peculiaridades específicas de cada hospital o médico que ingresó los datos.
Tradicionalmente, obtener predicciones útiles de este desastre significaba que un experto médico humano seleccionara manualmente qué detalles eran importantes, un enfoque lento y limitado que no escala y tiende a perder patrones que nadie pensó en buscar.
El equipo del Monte Sinaí quería algo diferente: dejar que la computadora descubriera por sí misma qué es importante, encontrando patrones enterrados en el propio dato.
La Idea: Dejar Que una Red Neuronal Encuentre su Propio Resumen
El equipo recurrió a una técnica de aprendizaje profundo llamada autoencoder apilado de denoiseo. Es un término complicado, así que aquí está la versión simplificada.
Imagina un juego donde te muestran una foto con trozos al azar en negro, y tienes que adivinar cómo era la imagen completa originalmente. Para volverte bueno en ese juego, tienes que aprender la estructura subyacente de las fotos en general: qué suele ir con qué. Un autoencoder hace exactamente esto, pero con datos en lugar de imágenes: se le proporciona el historial de un paciente con piezas eliminadas aleatoriamente, y debe aprender a reconstruir las piezas faltantes. Al hacerlo, se ve forzado a aprender un resumen comprimido y más significativo de cómo se ve el registro de un paciente “típico”.
Apila tres de estos autoencoders uno encima del otro, cada uno aprendiendo una abstracción de nivel levemente superior del que está debajo, y obtienes una red neuronal profunda que destila gradualmente el desordenado y extenso registro de un paciente en un conjunto compacto de solo 500 números — la representación de “Deep Patient”. Piénsalo como una huella dactilar generada por IA del historial de salud general de alguien, construida sin que ningún humano le diga al sistema qué buscar.
Entrenamiento en Casi un Millón de Pacientes
Para construir este sistema, los investigadores utilizaron datos de aproximadamente 700,000 pacientes en el almacén de datos del Monte Sinaí, basándose en diagnósticos, medicamentos, procedimientos, pruebas de laboratorio y notas. Introdujeron todo lo registrado antes de finales de 2013, luego probaron si la IA podría predecir nuevos diagnósticos que los pacientes realmente recibieron durante 2014 —enfermedades que el modelo nunca había visto venir, usando solo la “sombra” dejada por sus registros anteriores.
No solo probaron su enfoque de aprendizaje profundo. Para ser justos, lo enfrentaron contra varias técnicas estadísticas más antiguas y establecidas (cosas como análisis de componentes principales y agrupamiento k-medias), así como contra simplemente usar los datos del registro en bruto y sin procesar.
Los Resultados: Una Bola de Cristal Significativamente Mejor
A lo largo de 78 enfermedades diferentes y más de 76,000 pacientes de prueba, “Deep Patient” superó consistentemente a todos los demás métodos. Utilizando una medida estándar de la calidad de predicción (AUC, donde 0.5 es un lanzamiento de moneda y 1.0 es perfecto), “Deep Patient” obtuvo un promedio de 0.77, en comparación con solo 0.66 para los datos en bruto y sin procesar, un salto significativo en precisión.
Algunas de las mejoras más notables fueron para condiciones como:
- Formas severas de diabetes
- Esquizofrenia
Curiosamente, algunas condiciones muy comunes — como la hipertensión y la diabetes leve — permanecieron difíciles de predecir para todos los métodos probados. Los investigadores sospechan que esto se debe en parte a que esas condiciones generalmente se detectan temprano a través de exámenes rutinarios en lugar de por patrones sutiles enterrados en años de registros, por lo que hay menos señal oculta para detectar de antemano.
El sistema también fue probado a nivel de pacientes individuales en lugar de enfermedades individuales, esencialmente preguntando, “Si te diera el historial de alguien, ¿podrías adivinar cuáles dos o tres nuevos diagnósticos están a punto de recibir?” Aquí también, “Deep Patient” superó a la competencia por un amplio margen.
Por Qué Esto Es Importante
El atractivo de este enfoque no es solo la precisión — es que la IA no necesitó orientación humana sobre qué detalles clínicos eran médicamente importantes. Encontró los patrones completamente por sí mismo, “leyendo” el equivalente a un millón de historias de pacientes y notando silenciosamente regularidades que reflejan la biología real de las enfermedades.
Esto abre algunas posibilidades intrigantes que los investigadores señalan:
- Sistemas de alerta temprana que señalan a los pacientes con alto riesgo de una condición mucho antes de que los síntomas sean obvios, dando a los doctores la oportunidad de intervenir antes.
- Resúmenes de pacientes más compactos y compartibles que podrían facilitar el intercambio de información útil entre hospitales sin exponer datos sensibles en bruto.
- Una base para otras tareas, como recomendar tratamientos personalizados o identificar buenos candidatos para ensayos clínicos — ya que la misma “huella” de 500 números no está diseñada para ninguna enfermedad en particular y podría, en principio, reutilizarse para muchos propósitos diferentes.
Las letras pequeñas
Los autores son francos sobre los límites de su trabajo. El modelo no utilizó los resultados reales de las pruebas de laboratorio, solo si una prueba se realizó en absoluto, lo que probablemente explica por qué tuvo dificultades con condiciones que suelen detectarse a través de exámenes de rutina. También comprimió toda la historia de un paciente en una sola instantánea en lugar de rastrear cómo cambió su salud con el tiempo, y aún no incluyó cosas como detalles de seguros o historial familiar. Debido a que los modelos de aprendizaje profundo son notoriamente opacos, los autores también enfatizan que cualquier uso clínico real necesitaría estar acompañado de herramientas que ayuden a los médicos a entender por qué la IA está haciendo una predicción dada — una caja negra no es de mucha utilidad para un médico que necesita explicar un diagnóstico a un paciente.
Aun así, como prueba de concepto inicial, “Deep Patient” ofreció una visión convincente de algo genuinamente nuevo: no un sistema entrenado para detectar una enfermedad específica, sino una manera de propósito general de resumir la historia de salud de una persona para que se vuelvan posibles muchas predicciones diferentes — un pequeño pero importante paso hacia sistemas de IA que pueden ayudar a los clínicos a ver los riesgos antes de que lleguen.
Basado en: Miotto, R., Li, L., Kidd, B.A. et al. “Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records.” Scientific Reports.
Leave a Reply