...... El magazine per saber de tot

Haurà un metge d'aprendre a programar per a continuar sent mèdic?


Per Juan José Beunza

La intel·ligència artificial transformarà la pràctica clínica de la mateixa manera que l'estadística ho va fer en el seguisc XX. Al concepte d'evidència científica, potser, caldrà afegir d'ací a poc el concepte d'evidència predictiva o diagnòstica.

Madrid  17 *JUL 2019 - 11.54 CEST Article original: https://retina.elpais.com/retina/2019/07/16/innovacion/1563279495_582335.html#?ref=rss&format=simple&link=guid

Les noves generacions d'estudiants de carreres de la salut naveguen amb soltesa entre els nous desenvolupaments tecnològics. La intel·ligència artificial (IA) no és una excepció. I per a bé o per a mal, aquesta nova tecnologia és molt probable que els transforme i que transforme la manera que tenim de formar-los en les Facultats de Salut.




Què és la IA, l'aprenentatge automàtic i els algorismes?

Es parla de IA quan una màquina imita les funcions cognitives de l'ésser humà. L'aprenentatge automàtic és un tipus de IA que proporciona a les computadores la capacitat d'aprendre des de les dades, sense ser programades explícitament.

Un algorisme de IA o d'aprenentatge automàtic és una fórmula matemàtica que resumeix les propietats de les dades utilitzades en el seu entrenament, generalment amb un objectiu predictiu, encara que també pot ser diagnòstic (exploratori) o prescriptiu (predicció rere intervenció).

No és estrany trobar en les facultats de biotecnologia o de medicina estudiants amb coneixements de robòtica, de programació en Python o en R, o amb experiència en bioinformática. El salt generacional tecnològic entre el professorat clínic i els estudiants és gegant. És paradoxal, per tant, que la responsabilitat en el disseny i execució d'aqueixa formació d'innovació recaiga sobre un professor que mira amb aprehensió, en el millor dels casos, els canvis que estan arribant a la pràctica clínica. És la diferència de visualitzar la IA com una amenaça o com una oportunitat. Especialment quan s'estén la idea que en el nou món els professionals clínics no seran substituïts per màquines, sinó per un altre professional amb formació en l'ús pràctic d'aquests algorismes.

Necessitaran els estudiants aprendre programació per a exercir com a sanitaris?

Entendre com funciona la intel·ligència artificial i els algorismes predictius és important, especialment com es realitza l'entrenament d'un algorisme i com aquest determina la forma, fortaleses i febleses d'aquest. No obstant això, encara que programar codi és una habilitat meravellosa, els professionals sanitaris no necessitaran aprendre a programar, d'igual manera que poden interpretar una imatge de RNM sense programar el funcionament de l'aparell. És indubtable que quants més coneixements tinguen dels algorismes, més valor sabran traure al seu ús. Però no serà imprescindible.

Qui serà responsable de la interpretació dels algorismes de IA?

El professional serà responsable dels resultats de IA, de la mateixa manera que un pilot és responsable de l'avió, o l'amo d'un gos és responsable del que aquest faça. La tendència és a pensar en la IA com una ajuda a la pràctica professional del professional sanitari, més que com una substitució. De la mateixa manera que els programes informàtics tradicional ajuden el metge a generar o gestionar diagnòstics diferencials, la decisió i responsabilitat final recaurà sobre el professional mateix.

De fet, la IA continua patint d'errors aparentment simples o infantils. Serà missió del metge detectar aqueixes situacions on l'algorisme falla en la seua predicció. Un exemple podria ser la presència d'una dextrocardia (cor situat en el costat dret del tòrax) en una placa de tòrax. És probable que l'algorisme per a diagnòstic en placa de tòrax no haja sigut entrenat en aquesta estranya variant (1 de cada 10.000 persones, un 0,01% de la població), i que per tant done un resultat anòmal (p.e. massa tumoral en base pulmonar dreta, quan en realitat el que està ací és el cor). Atés que els algorismes no utilitzen lògica, no poden arribar a conclusions sobre la base de dades que no han vist (que no han sigut emprats en el seu entrenament). I les excepcions en l'àmbit sanitari són incomptables.

La IA complirà una funció de potenciació de les qualitats del professional, de la mateixa manera que un gos de caça potencia la capacitat d'olfacte, oïda o visió del caçador, però sense substituir la seua decisió i responsabilitat.

Formació professional en IA

Les noves generacions de professionals sanitaris hauran d'entendre com es construeix la IA i com aplicar-la en la seua pràctica clínica, però no necessàriament com programar-la. Coneixements de programació en Python, R, RapidMiner o els núvols tecnològics ajudaran molt, però no seran necessaris per a aplicar algorismes en la pràctica clínica.

No obstant això, aquells professionals que vulguen col·laborar en equips de desenvolupament i investigació de noves aplicacions clíniques basades en IA sí que requeriran aquests coneixements. Ja existeix una grandíssima demanda de Científics de Dades Sanitàries, aqueixos unicorns amb coneixements i experiència tant de l'àmbit sanitari clínic, com del món de la programació i àlgebra utilitzat en l'aprenentatge automàtic. Els salaris actuals ronden els 100.000 a 200.000 dòlars bruts als EUA. Cal pensar que aquesta demanda arribarà en els pròxims mesos o anys a Espanya.

D'altra banda, independentment dels coneixements de programació, la col·laboració entre especialistes tecnològics i professionals sanitaris és essencial per a l'obtenció de dades clíniques (imprescindibles per a l'entrenament d'un algorisme), i per al disseny de la pregunta clau que es pretén respondre.

Quatre passos en la incorporació de la IA a la docència d'estudiants de l'àmbit de la salut

1. Aprendre els aspectes bàsics del treball d'un científic de dades.

La IA exigeix uns coneixements bàsics de la gestió de dades. Les dades són el punt de partida de la famosa evidència científica, i també de l'entrenament d'algorismes de IA. Saber per tant importar, netejar, transformar, visualitzar, modelizar i presentar resultats de dades és un requisit imprescindible en alguns casos, i molt convenient en uns altres, per a començar a treballar en IA.

2. Conéixer els àmbits on la IA ofereix millors resultats.

La IA funciona millor amb tasques molt específiques, com, per exemple, la classificació de subjectes en una malaltia. No obstant això, no serà capaç de diagnosticar una malaltia si no ha sigut entrenat per a diagnosticar-la.

Per tant, els algorismes entrenats per a realitzar amb precisió una sola missió molt precisa poden oferir resultats increïbles, molt superiors als valors clínics actuals, amb metodologia tradicional (e.g. regressió). Per exemple, la classificació de nòduls pulmonars detectats per TAC com a tumors benignes o malignes. És molt menys probable que un algorisme que diagnostique totes les patologies visibles en un TAC pulmonar siga realment eficaç.

3. Entendre el paper de les dades a desenvolupar i entrenar algorismes de IA.
Els professionals que usen els algorismes de IA necessiten entendre com la col·lecció de dades d'entrenament impacta profundament en el funcionament de l'algorisme i de com una modificació d'aquestes dades afectarà els resultats.

Per tant, serà important que un professional sanitari que vulga emprar un algorisme diagnòstic en la seua pràctica clínica pregunte al comercial que li ho ofereix com s'ha dissenyat/estructurat l'algorisme, amb quin tipus de dades s'ha entrenat i amb quina tecnologia i procediment s'han obtingut les dades (per exemple, quin equip de radiologia s'ha emprat o amb quin protocol tècnic s'han obtingut les plaques). És possible que l'algorisme tinga una validesa interna molt gran (capacitat predictiva en la població amb la qual s'ha entrenat les dades) però una validesa externa qüestionable (capacitat predictiva en la població que de pacients que acudeixen a la seua consulta). Aquesta validesa externa, en el món de la IA, es denomina generalization, que es pot traduir com a generalització.

El nostre equip ha trobat que els algorismes de diagnòstic de pneumònia en plaques de tòraxs entrenats amb població predominantment masculina ofereixen pobres resultats en aplicar-los a una població femenina, senzillament per l'impacte de l'empremta del teixit mamari sobre el camp pulmonar (diagnosticat per l'algorisme com a pneumònia). El mateix aplica a la diferent grandària de mama entre poblacions, o a la diferència d'edat en el diagnòstic per imatge de poblacions pediàtriques. Entrenar, o almenys reentrenar els algorismes amb les dades dels teus propis pacients és part important de la IA en salut.

4. Considera com la IA s'incorporarà en el flux de treball del Departament.

Si l'única cosa que aporta la IA és una major càrrega burocràtica informàtica el rebuig dels professionals serà frontal. I lògic. La IA necessita potenciar l'eficiència dels professionals millorant la seua qualitat professional i, si fora possible, la seua qualitat de vida. És per tant essencial dissenyar bé la seua implantació perquè siga una ajuda i no una càrrega. La IA té sentit en la mesura en què és útil.

La IA és una potent eina d'innovació que pot convertir professionals en superprofessionals, expandint la seua capacitat diagnòstica i predictiva i, per tant, el seu valor de mercat com a professional. La IA és una metodologia que permet comprimir milions de dades i experiències en un algorisme. Amb la tecnologia moderna, un algorisme predictiu pot entrenar-se amb 100 milions de dades en hores, trobant fins patrons invisibles per a l'ull o la ment humana.

Una nova generació d'estudiants i professionals sanitaris està naixent. Als coneixements, habilitats i competències tradicionals afegiran un profund coneixements dels algorismes propis de la IA que els permetrà ser més eficients i potents en la seua labor diagnòstica i predictiva en la cura dels pacients. Ara la pilota està en el camp de les Universitats i institucions tècniques, per a donar resposta amb agilitat a aquesta demanda del mercat laboral.

Comentaris

Potser també t'agrade

The English Game: la classe social en el futbol en una nova sèrie de Netflix

El coronavirus no matarà la globalització, però és inevitable una sacsejada

Els sorprenents avantatges de ser una persona introvertida

Autofàgia: quan menjar-nos a nosaltres mateixos allarga la vida

Com fer una perfecta Fake News?

Què és el Projecte Human Screenome? Què fem quan mirem les pantalles?

Què és la curiositat i per què és el més important l’èxit?

Hiperaules: així és l'escola que desbancarà el col·legi tradicional

La importància dels equips rojos: el teu alter ego que t'ajuda a escoltar coses que no t'agraden.

Per què no podem deixar de tocar-nos la cara, segons la ciència i la psicologia