Por qué la medicina necesita una IA neurosimbólica

En marzo, una mujer de 63 años acude a su médico para una revisión rutinaria. Un análisis de sangre muestra que lleva un tiempo con el azúcar alto, y le dicen que tiene diabetes tipo 2. Empieza a tomar un medicamento habitual para tratarla y le piden que vuelva en tres meses.

En junio se hace el análisis en un laboratorio cerca de su oficina, porque le resulta más cómodo que ir en coche hasta la consulta. El azúcar le ha subido respecto a marzo. En la visita de control, la enfermera la pesa y ve que ha perdido unos cuatro kilos, y en la nota queda escrito que responde bien a los cambios en su estilo de vida. Tanto ella como su médico están contentos.

En agosto acude a un centro de urgencias por un dolor en mitad de la espalda que arrastra desde hace unas semanas. No se ha caído ni ha levantado nada pesado. Le dan un antiinflamatorio y la derivan a fisioterapia.

Cada uno de los tres médicos atendió lo que tenía delante, y cada historia clínica, leída por separado, parece razonable. Leídas juntas, apuntan a algo que ninguna muestra por sí sola, y un médico que hubiera visto las tres querría una prueba de imagen de su páncreas.

Por qué las tres consultas van juntas

El páncreas es un órgano pequeño, situado en lo hondo del abdomen, detrás del estómago y pegado a su pared posterior. Una de sus funciones es fabricar insulina, la hormona que mantiene a raya el azúcar en sangre.

Eso es lo que une las tres consultas. Un tumor de páncreas puede alterar la producción de insulina, y entonces el azúcar sube, a veces antes de que aparezca cualquier otra señal. El cáncer también puede hacer perder peso sin que la persona se lo haya propuesto. Y como el páncreas está muy cerca de la columna y de sus nervios, un tumor en esa zona puede provocar un dolor sordo en mitad de la espalda.

La mayoría de las personas con una diabetes recién diagnosticada no tienen cáncer. Sin embargo, cuando la diabetes aparece por primera vez después de los 50 años, alrededor de una de cada cien recibe un diagnóstico de cáncer de páncreas en los tres años siguientes, unas ocho veces lo esperable a esa edad. Investigadores de la Mayo Clinic crearon una puntuación para identificar a estos pacientes a partir de la edad a la que empezó la diabetes, la variación del peso y la variación del azúcar. Lo que más puntúa es que el peso baje mientras el azúcar sube.

El momento importa porque el cáncer de páncreas suele detectarse tarde. Cerca de la mitad de los casos se diagnostican cuando el cáncer ya se ha extendido, y el tratamiento puede hacer mucho menos. Encontrarlo meses antes puede cambiar lo que es posible hacer.

En el caso de esta mujer, la información necesaria ya estaba registrada. Estaba repartida en tres sitios, y nadie la estaba mirando entera.

El mismo vacío actúa también en sentido contrario. He visto a pacientes pasar por estudios cardiológicos cuando la causa era la ansiedad, y el latido irregular, su síntoma, y yo mismo he tratado a pacientes así. Les revisaron el corazón con todo cuidado, pero la respuesta estaba en otra parte de su historia. Cuando las piezas de la salud de una persona están dispersas, la medicina pasa por alto lo grave y persigue lo que no lo es.

Por qué las máquinas no lo han resuelto

Las máquinas leen muchísimo más deprisa que las personas, así que es lógico preguntarse por qué no detectan ya casos como este. La razón es que la mayor parte de la IA que se usa en medicina pertenece a uno de dos tipos, y cada uno ve solo una parte del cuadro.

El primer tipo aprende de ejemplos. A partir de millones de pacientes anteriores, aprende qué patrones solían preceder a una enfermedad. Los chatbots que hoy usa tanta gente están hechos así, entrenados con cantidades enormes de texto. Este tipo de IA tiene buen ojo, pero no puede mostrar por qué ha llegado a una conclusión, y suena igual de seguro cuando se equivoca que cuando acierta. Una médica no puede actuar sin riesgo a partir de una conclusión que no tiene forma de comprobar.

El segundo tipo sigue reglas que alguien ha escrito, de la forma «si pasa esto, entonces aquello». Una regla deja claro qué comprueba y por qué. Pero solo detecta lo que a alguien se le ocurrió de antemano, y solo cuando la información llega exactamente en la forma que la regla espera. No aprende.

Cada enfoque es parcial, y ninguno de los dos es una mala idea.

Hay un problema más profundo, y está en los registros de los que aprenden estos sistemas. Buena parte de una historia clínica son notas, y cada nota es el relato que una persona hace de una consulta, escrito deprisa y marcado por cómo vio esa persona al paciente. Gran parte del resto se diseñó para facturar, con los diagnósticos guardados como códigos de pago. Un sistema que aprende solo de este material aprende también sus puntos ciegos. En 2019, un grupo de investigadores descubrió que un algoritmo con el que los sistemas de salud estadounidenses elegían a qué pacientes ofrecer atención adicional consideraba a los pacientes negros más sanos de lo que estaban. Había aprendido del gasto pasado, y en su atención se había gastado menos.

Aprendizaje y lógica, juntos

Los buenos médicos usan las dos formas de pensar. Los años de práctica les enseñan a notar cuándo algo no encaja, y después contrastan esa impresión con la evidencia antes de actuar. La IA neurosimbólica está construida de la misma manera. La parte «neuro» aprende y se da cuenta, como la experiencia. La parte «simbólica» razona con reglas, como hace un médico cuando contrasta lo que ve con la evidencia.

En Chroneme, las reglas proceden de la investigación publicada y de las guías clínicas, y funcionan como una lente. Para cada pregunta clínica establecen qué información importa y cuánto fiarse de su fuente, de modo que un peso medido en una báscula cuenta más que una palabra en una nota. Dentro de ese marco, la parte que aprende puede seguir detectando patrones que a nadie se le ocurrió poner por escrito. Después, la parte lógica pone a prueba cada uno frente a la evidencia, y un patrón que no se sostiene nunca llega al médico como recomendación.

Pensemos en la misma mujer, esta vez con Chroneme leyendo su historial. Sus análisis, las mediciones de peso y las notas se reúnen en un solo registro, desde todos los lugares donde la atendieron y en el orden en que ocurrieron los hechos. En junio, cuando el azúcar le sube mientras el peso le baja, el patrón coincide con lo que busca la puntuación publicada, y su médico ve el hallazgo esa misma semana, dos meses antes de que empiece el dolor de espalda. El hallazgo está redactado en lenguaje sencillo y muestra cada resultado en que se basa, dónde y cuándo se registró cada uno, y el estudio del que procede la regla. Ya hay preparada una solicitud de prueba de imagen, junto con un mensaje para la paciente que le explica el motivo sin alarmarla. Su médico lo revisa, está de acuerdo o no, y firma.

Como las reglas están escritas, los mismos datos llevan a la misma conclusión con cualquier paciente, esté quien esté de guardia. Cuando la evidencia cambia, la regla se actualiza una sola vez y se aplica a todos. Cuando algo falla, se puede localizar dónde falló.

Lo que estamos construyendo

Un método mejor no basta por sí solo. Necesita un sistema en el que apoyarse, que mantenga completa la historia de cada persona y rinda igual con el paciente número un millón que con el primero. Ese es el sistema que estamos construyendo.

También hace posibles hallazgos de un tipo nuevo. Una prueba de imagen muestra cómo es el cuerpo por dentro, la historia clínica cuenta cómo llegó hasta ahí y la genética dice qué tenía más probabilidades de hacer. Normalmente se han leído por separado, cada una en manos de un especialista distinto. Leídas juntas y en orden, revelan combinaciones que ningún registro contiene por sí solo.

La medicina sabe desde hace décadas cómo es una buena atención basada en la evidencia. Lo que le ha faltado es tiempo para aplicar toda esa evidencia a cada paciente, cada día, porque ningún médico puede revisar cada historia frente a cada guía antes de cada consulta. Los agentes de Chroneme, programas que ejecutan los pasos de una tarea, se encargan de esa preparación. Redactan las solicitudes, los mensajes y las notas, cada uno con sus fuentes, para que un clínico los revise y los firme. El juicio sigue en manos de las personas, y el tiempo que se ahorra vuelve a la atención del paciente.

Somos prudentes con lo que afirmamos. Que cada conclusión pueda rastrearse y comprobarse ya es cierto hoy, porque así está diseñado el sistema. Si acierta con la frecuencia suficiente para ayudar a los pacientes es una pregunta que debe responder la evidencia. Lo estamos evaluando con un protocolo redactado antes de ver ningún resultado, y publicaremos lo que encontremos, también aquello en lo que se quede corto.