¿Qué pasaría si un algoritmo pudiera predecir la muerte?

A finales de 2016, Anand Avati, un estudiante graduado del Departamento de Ciencias Computacionales de Stanford, junto con su pequeño equipo de la Facultad de Medicina trataron de “enseñarle” a un algoritmo a identificar pacientes con altas probabilidades de fallecer dentro de un periodo determinado.

“El equipo de cuidados paliativos del hospital tenía un reto”, comentó Avati. “¿Cómo podríamos encontrar pacientes que se encontraran a tres o doce meses de morir?” Esta ventana era “el punto óptimo de los cuidados paliativos”.

Un tiempo que superara los 12 meses podría agotar los limitados recursos innecesariamente, al ofrecer demasiados cuidados, demasiado pronto; por el contrario, si la muerte ocurriera en menos de tres meses a partir de su predicción, no habría una preparación real para el fallecimiento: serían muy pocos cuidados, suministrados demasiado tarde.

Avati sabía que ubicar a los pacientes en el reducido periodo óptimo les permitiría a los médicos echar mano de sus recursos de una manera mucho más apropiada y humana. Y, si el algoritmo funcionaba, los equipos de cuidados paliativos se sentirían aliviados al no tener que buscar en los registros de forma manual a quienes podrían beneficiarse de ello.

El proceso

Avati y su equipo identificaron a 200 mil pacientes que podrían ser objeto de estudio. Los pacientes padecían todo tipo de enfermedades: cáncer, enfermedades neurológicas y deficiencias cardiacas o insuficiencia renal. La idea clave del equipo era utilizar los registros médicos del hospital como una especie de máquina del tiempo.

Un hombre falleció en enero de 2017, por ejemplo. ¿Qué pasaría si pudiéramos retroceder en el tiempo hasta el “punto óptimo de cuidados paliativos” (la ventana entre enero y octubre de 2016, cuando los cuidados habrían sido más efectivos)? Pero Avati sabía que para encontrar ese punto en el caso de un paciente determinado muy probablemente tendrías que reunir y analizar información anterior a ese periodo.

¿Sería posible reunir información acerca de este hombre durante el periodo previo a la ventana de tiempo que le permitiría a un médico predecir su fallecimiento en ese periodo de tres a doce meses? Y ¿qué clase de información podría enseñarle a dicho algoritmo a hacer las predicciones?

Avati obtuvo registros médicos que ya habían sido codificados por los médicos del hospital: el diagnóstico del paciente, la cantidad de tomografías realizadas, la cantidad de días de estancia en el hospital, los tipos de procedimientos realizados y las recetas médicas. La información era limitada (no había cuestionarios, conversaciones ni olfateo de químicos), pero era objetiva y estandarizada entre los pacientes.

Algoritmo de la muerte

Se introdujeron estos registros en la llamada red neural profunda, una especie de arquitectura de software llamada de esa forma debido a que se cree que puede imitar la forma en la que se organizan las neuronas en el cerebro. El objetivo del algoritmo era ajustar los pesos y fuerzas de cada segmento de información con el fin de generar un indicador de las probabilidades de que un paciente pudiera fallecer dentro de un periodo de tres a doce meses.

El “algoritmo de la muerte”, como decidieron llamarlo, digirió y absorbió la información de cerca de 160 mil pacientes a modo de entrenamiento. Una vez que ingirió toda la información, el equipo de Avati lo puso a prueba con los 40 mil pacientes restantes.

El algoritmo funcionó sorprendentemente bien. El índice de falsa alarma era muy bajo: nueve de cada diez pacientes que se había predicho que fallecerían entre tres y doce meses murieron en ese periodo.

El 95 por ciento de los pacientes a quienes el programa les había asignado pocas probabilidades de fallecer sobrevivieron más de doce meses. La información que utilizó este algoritmo podrá depurarse ampliamente en el futuro. Se podrán incluir los resultados de laboratorio, las tomografías, las anotaciones de un médico o la propia evaluación de un paciente, y así aumentar su poder predictivo.

¿Qué es exactamente lo que el algoritmo “aprendió” acerca del proceso de morir? Y, a su vez, ¿qué puede enseñarles a los oncólogos? Esa es la trampa de un sistema de aprendizaje tan avanzado: aprende, pero no puede decir cómo lo hizo; asigna probabilidades, pero no puede expresar el razonamiento que hay detrás de dicha asignación.

Con todo, al husmear en la caja para analizar casos particulares, es posible ver patrones esperados e inesperados. Un hombre al que se le asignó una puntuación de 0,946 falleció en unos cuantos meses, como se había predicho. Había padecido cáncer de vejiga y de próstata, se le habían practicado 21 tomografías y había estado hospitalizado 60 días. Toda esa información fue interpretada por el algoritmo como señal de muerte inminente.

Pero al parecer se dio gran relevancia al hecho de que las tomografías eran de su columna y de que se había colocado un catéter en su espina dorsal, características que los médicos no pudieron reconocer como predictores de muerte.

Redacción y fotografía: Agencias

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *