¿Deberá un médico aprender a programar para seguir siendo médico?

Las nuevas generaciones de estudiantes de carreras de la salud navegan con soltura entre los nuevos desarrollos tecnológicos. La inteligencia artificial (IA) no es una excepción. Y para bien o para mal, esta nueva tecnología es muy probable que los transforme y que transforme el modo que tenemos de formarlos en las Facultades de Salud.

¿Qué es la IA, el aprendizaje automático y los algoritmos?

Se habla de IA cuando una máquina imita las funciones cognitivas del ser humano. El aprendizaje automático es un tipo de IA que proporciona a las computadoras la capacidad de aprender desde los datos, sin ser programadas explícitamente.

Más información

¿Se convertirán los datos en la panacea de la medicina del siglo XXI?

Un algoritmo de IA o de aprendizaje automático es una fórmula matemática que resume las propiedades de los datos utilizados en su entrenamiento, generalmente con un objetivo predictivo, aunque también puede ser diagnóstico (exploratorio) o prescriptivo (predicción tras intervención).

Estudiantes de ciencias de la salud y la IA

No es raro encontrar en las facultades de biotecnología o de medicina estudiantes con conocimientos de robótica, de programación en Python o en R, o con experiencia en bioinformática. El salto generacional tecnológico entre el profesorado clínico y los estudiantes es gigante. Es paradójico, por tanto, que la responsabilidad en el diseño y ejecución de esa formación de innovación recaiga sobre un profesor que mira con aprehensión, en el mejor de los casos, los cambios que están llegando a la práctica clínica. Es la diferencia de visualizar la IA como una amenaza o como una oportunidad. Especialmente cuando se extiende la idea de que en el nuevo mundo los profesionales clínicos no serán sustituidos por máquinas, sino por otro profesional con formación en el uso práctico de dichos algoritmos.

¿Necesitarán los estudiantes aprender programación para ejercer como sanitarios?

Entender cómo funciona la inteligencia artificial y los algoritmos predictivos es importante, especialmente cómo se realiza el entrenamiento de un algoritmo y cómo este determina la forma, fortalezas y debilidades del mismo. Sin embargo, aunque programar código es una habilidad maravillosa, los profesionales sanitarios no necesitarán aprender a programar, de igual modo que pueden interpretar una imagen de RNM sin programar el funcionamiento del aparato. Es indudable que cuantos más conocimientos tengan de los algoritmos, más valor sabrán sacar a su uso. Pero no será imprescindible.

¿Quién será responsable de la interpretación de los algoritmos de IA?

El profesional será responsable de los resultados de IA, de la misma manera que un piloto es responsable del avión, o el dueño de un perro es responsable de lo que este haga. La tendencia es a pensar en la IA como una ayuda a la práctica profesional del profesional sanitario, más que como una sustitución. Del mismo modo que los programas informáticos tradicional ayudan al médico a generar o gestionar diagnósticos diferenciales, la decisión y responsabilidad final recaerá sobre el profesional mismo.

De hecho, la IA sigue sufriendo de errores aparentemente simples o infantiles. Será misión del médico detectar esas situaciones donde el algoritmo falla en su predicción. Un ejemplo podría ser la presencia de una dextrocardia (corazón situado en el lado derecho del tórax) en una placa de tórax. Es probable que el algoritmo para diagnóstico en placa de tórax no haya sido entrenado en esta rara variante (1 de cada 10.000 personas, un 0,01% de la población), y que por tanto dé un resultado anómalo (p.e. masa tumoral en base pulmonar derecha, cuando en realidad lo que está ahí es el corazón). Dado que los algoritmos no utilizan lógica, no pueden llegar a conclusiones en base a datos que no han visto (que no han sido empleados en su entrenamiento). Y las excepciones en el ámbito sanitario son incontables.

La IA cumplirá una función de potenciación de las cualidades del profesional, del mismo modo que un perro de caza potencia la capacidad de olfato, oído o visión del cazador, pero sin sustituir su decisión y responsabilidad.

Formación profesional en IA

Las nuevas generaciones de profesionales sanitarios deberán entender cómo se construye la IA y cómo aplicarla en su práctica clínica, pero no necesariamente cómo programarla. Conocimientos de programación en Python, R, RapidMiner o las nubes tecnológicas ayudarán mucho, pero no serán necesarios para aplicar algoritmos en la práctica clínica.

Sin embargo, aquellos profesionales que quieran colaborar en equipos de desarrollo e investigación de nuevas aplicaciones clínicas basadas en IA sí requerirán dichos conocimientos. Ya existe una grandísima demanda de Científicos de Datos Sanitarios, esos unicornios con conocimientos y experiencia tanto del ámbito sanitario clínico, como del mundo de la programación y álgebra utilizado en el aprendizaje automático. Los salarios actuales rondan los 100.000 a 200.000 dólares brutos en EE UU. Cabe pensar que dicha demanda llegará en los próximos meses o años a España.

Por otra parte, independientemente de los conocimientos de programación, la colaboración entre especialistas tecnológicos y profesionales sanitarios es esencial para la obtención de datos clínicos (imprescindibles para el entrenamiento de un algoritmo), y para el diseño de la pregunta clave que se pretende responder.

Cuatro pasos en la incorporación de la IA a la docencia de estudiantes del ámbito de la salud

• 1. Aprender los aspectos básicos del trabajo de un científico de datos.
  
  La IA exige unos conocimientos básicos de la gestión de datos. Los datos son el punto de partida de la famosa evidencia científica, y también del entrenamiento de algoritmos de IA. Saber por tanto importar, limpiar, transformar, visualizar, modelizar y presentar resultados de datos es un requisito imprescindible en algunos casos, y muy conveniente en otros, para comenzar a trabajar en IA.
• 2. Conocer los ámbitos donde la IA ofrece mejores resultados.
  La IA funciona mejor con tareas muy específicas, como, por ejemplo, la clasificación de sujetos en una enfermedad. Sin embargo, no será capaz de diagnosticar una enfermedad si no ha sido entrenado para diagnosticarla.
  
  Por tanto, los algoritmos entrenados para realizar con precisión una sola misión muy precisa pueden ofrecer resultados increíbles, muy superiores a los valores clínicos actuales, con metodología tradicional (e.g. regresión). Por ejemplo, la clasificación de nódulos pulmonares detectados por TAC como tumores benignos o malignos. Es mucho menos probable que un algoritmo que diagnostique todas las patologías visibles en un TAC pulmonar sea realmente eficaz.
• 3. Entender el papel de los datos en desarrollar y entrenar algoritmos de IA.
• Los profesionales que usan los algoritmos de IA necesitan entender como la colección de datos de entrenamiento impacta profundamente en el funcionamiento del algoritmo y de cómo una modificación de dichos datos afectará a los resultados.
  
  Por tanto, será importante que un profesional sanitario que quiera emplear un algoritmo diagnóstico en su práctica clínica pregunte al comercial que se lo ofrece cómo se ha diseñado/estructurado el algoritmo, con qué tipo de datos se ha entrenado y con qué tecnología y procedimiento se han obtenido los datos (por ejemplo, qué equipo de radiología se ha empleado o con qué protocolo técnico se han obtenido las placas). Es posible que el algoritmo tenga una validez interna muy grande (capacidad predictiva en la población con la que se ha entrenado los datos) pero una validez externa cuestionable (capacidad predictiva en la población que de pacientes que acuden a su consulta). Dicha validez externa, en el mundo de la IA, se denomina generalization, que se puede traducir como generalización.
  
  Nuestro equipo ha encontrado que los algoritmos de diagnóstico de neumonía en placas de tórax entrenados con población predominantemente masculina ofrecen pobres resultados al aplicarlos a una población femenina, sencillamente por el impacto de la impronta del tejido mamario sobre el campo pulmonar (diagnosticado por el algoritmo como neumonía). Lo mismo aplica al distinto tamaño de mama entre poblaciones, o a la diferencia de edad en el diagnóstico por imagen de poblaciones pediátricas. Entrenar, o al menos reentrenar los algoritmos con los datos de tus propios pacientes es parte importante de la IA en salud.
• 4. Considera como la IA va a incorporarse en el flujo de trabajo del Departamento.
  
  Si lo único que aporta la IA es una mayor carga burocrática informática el rechazo de los profesionales será frontal. Y lógico. La IA necesita potenciar la eficiencia de los profesionales mejorando su calidad profesional y, si fuera posible, su calidad de vida. Es por tanto esencial diseñar bien su implantación para que sea una ayuda y no una carga. La IA tiene sentido en la medida en que es útil.
  
  La IA es una potente herramienta de innovación que puede convertir profesionales en superprofesionales, expandiendo su capacidad diagnóstica y predictiva y, por tanto, su valor de mercado como profesional. La IA es una metodología que permite comprimir millones de datos y experiencias en un algoritmo. Con la tecnología moderna, un algoritmo predictivo puede entrenarse con 100 millones de datos en horas, encontrando finos patrones invisibles para el ojo o la mente humana.
  
  Una nueva generación de estudiantes y profesionales sanitarios está naciendo. A los conocimientos, habilidades y competencias tradicionales añadirán un profundo conocimientos de los algoritmos propios de la IA que les permitirá ser más eficientes y potentes en su labor diagnóstica y predictiva en el cuidado de los pacientes. Ahora la pelota está en el campo de las Universidades e instituciones técnicas, para dar respuesta con agilidad a dicha demanda del mercado laboral.

Juan José Beunza es el director del Plan de formación de Inteligencia Artificial Aplicado a Salud de la Facultad de Ciencias Biomédicas y de la Salud de la Universidad Europea de Madrid

Nota: agradecimiento a Ayis Pyrros por muchas de las ideas presentes en este texto.