Actualmente estamos viviendo un
cambio de paradigma en la Medicina, y es que se está produciendo un cambio desde
una medicina basada en síntomas (Medicina Intuitiva), que era la que se imponía
hasta hace pocas décadas, a una medicina basada en patrones (Medicina Basada en
la Evidencia), que es a la que pretendemos aspirar hoy en día dentro de
nuestras posibilidades, y que ya de por sí se está comenzando a convertir en
una medicina basada en algoritmos (Medicina de Precisión).
La Medicina Intutitiva se basaba en
definitiva en pautar el tratamiento que creemos que puede ser más apropiado
para un paciente según los síntomas que presenta.
La Medicina Basada en la
Evidencia se basaba en cambio en optimizar la toma de decisiones tras el
estudio de pruebas científicas provenientes de investigaciones correctamente
llevadas a cabo (basándose en metaanálisis, revisiones sistemáticas y ensayos clínicos
controlados aleatorizados).
La Medicina de Precisión, o
Medicina Personalizada, por otra parte, busca seleccionar el tratamiento de
forma personalizada atendiendo a las características de cada paciente
individual.
Así, el futuro ya está aquí, y
los llamados “Grandes Datos” (Big Data)
son la base de toda esta Medicina de Precisión. Conocemos por Big Data a una cantidad voluminosa de
datos que tienen el potencial de ser extraídos para obtener de ellos información.
Esta información -a nivel de la salud- puede venir de múltiples fuentes
diferentes, incluyendo historias clínicas, fotografías, pruebas analíticas,
radiológicas, o incluso desde sensores incluidos en nuestros móviles, portátiles,
relojes, etc. Actualmente se estima que
la información acerca de datos de la salud crece exponencialmente, a aproximadamente
un 50% al año.
Una vez tenemos todos estos
grandes volúmenes de datos, es cuando entra en juego el aprendizaje de las
máquinas (Machine Learning). Se trata
de que -mediante la integración de todos estas ingentes cantidades de datos que
se obtienen de los pacientes- se puedan obtener algoritmos que nos permitan conseguir
(por ejemplo) llegar a un diagnóstico o seleccionar un tratamiento, y esta
aplicación es lo que entendemos por Inteligencia Artificial (IA) aplicada a la
medicina.
Y precisamente donde a priori es
más sencillo que una máquina supere al ser humano -a nivel de la medicina- es
cuando la información se base en imágenes a ser analizadas, y esto es algo
fundamental en dermatología.
Ya en el año 2017 la prestigiosa
revista Nature publicó un estudio en que se comparaba la precisión diagnóstica
de un ordenador “entrenado” (Inteligencia Artificial) gracias al uso de
algoritmos de “Deep Learning” frente a 21 médicos especialistas en Dermatología
a la hora de diferenciar mediante imágenes entre lesiones cutáneas benignas y
malignas (concretamente entre queratosis seborreicas –lesiones benignas- y
carcinomas basocelulares o escamocelulares –lesiones malignas-, y entre lunares
–lesiones benignas- y melanomas –lesiones malignas-): los resultados en
precisión diagnóstica obtenidos fueron comparables entre ambos grupos (médicos
y IA).
Desde entonces, se han publicado
varios estudios, como otro estudio en que se comparó una IA con 95 médicos (la
mayoría dermatólogos) con mayor o menor experiencia en dermatoscopia en el
diagnóstico de cánceres de piel no pigmentados (que por lo general son de más
difícil diagnóstico) mediante el análisis de más de 2.000 imágenes clínicas y
dermatoscópicas. Como resultado, la IA obtuvo una capacidad de clasificar las
lesiones comparable a la de los médicos humanos, aunque fue algo menor a la del
subgrupo de médicos de mayor experiencia.
Pero igualmente, a día de hoy la
FDA (Agencia Reguladora del Medicamento para Estados Unidos) ya ha aprobado
(tras comprobarse su efectividad) diferentes softwares de Inteligencia
artificial aplicados a la salud, la mayoría de ellos basados en imágenes. Aquí
algunos ejemplos:
-La aplicación Arterys ayuda a los clínicos en el rastreo,
medición y seguimento de posibles tumores malignos mediante el análisis de
imágenes radiológicas.
-La aplicación Viz.AI es un software que usa algoritmos de IA
para analizar imágenes de tomografía computerizada (TAC) para indicar sobre un
posible ictus.
-La aplicación Aidoc es muy similar, y busca signos de
hemorragia intracraneal…
-La aplicación AliveCor se basa en un software que usa los
algoritmos de DA para detectar posible hiperkaliemia (elevación del potasio en
sangre) a partir de la valoración de un electrocardiograma, en pacientes con
insuficiencia renal u otros factores de riesgo.
IDx-DR es una aplicación de IA para el diagnóstico precoz de
retinopatía diabética mediante el análisis de imágenes de fondo de ojo en
pacientes con diabetes.
-La aplicación OsteoDetect es un software de IA cuyos
algoritmos permiten analizar las radiografías simples en dos planos de muñeca
para poder valorar posibles signos de fractura de radio distal.
Pero la IA no es solamente aplicable a las imágenes, sino que también se están desarrollando diversos
proyectos basados en la extracción de datos de las propias historias clínicas,
como ocurre con el proyecto español savana
liderado por el Dr. Ignacio Hernández Medrano.
En cualquier caso, la IA NO es
perfecta; es especialmente útil ante patrones que se repiten, pero no tanto
ante lo “raro”, lo “nuevo”… las “enfermedades raras”. Tampoco las máquinas tienen empatía, ni pueden
confortar o consolar.
Y aunque es evidente que aún
queda un largo camino por recorrer para la Inteligencia Artificial en la
medicina en general, y la dermatología en particular, no podemos negar la
evidencia de su utilidad, ni volverle la espalda, sino que los profesionales
sanitarios debemos considerarla un complemento, una herramienta más que puede
ayudarnos en nuestro trabajo para poder desarrollar a esta “medicina de
precisión” que iremos viendo en un futuro próximo.
Por otro lado, se estima que para
el año 2021 existan 6.3 billones de personas con acceso a un Smartphone, por lo
que el acceso desde el móvil a este tipo de tecnologías podría facilitar un
acceso más universal y con un coste más bajo a determinados diagnósticos y
seguimientos.
Más información:
- Esteva A, Kuprel B, Novoa RA,
Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin
cancer with deep neural networks. Nature. 2017;542:115-118.
- Mar VJ, Scolyer RA, Long GV.
Computer-assisted diagnosis for skin cancer: have we been outsmarted? Lancet.
2017;389:1962-1964.
- Tschandl P, Rosendahl C, Akay
BN, Argenziano G, Blum A, Braun RP, et al. Expert-Level Diagnosis of
Nonpigmented Skin Cancer by Combined Convolutional Neural Networks. JAMA
Dermatol. 2018 Nov 28. [Epub ahead of print]
- Haenssle HA, Fink C,
Schneiderbauer R, Toberer F, Buhl T, Blum A,et al. Man against machine:
diagnostic performance of a deep learning convolutional neural network for
dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol.
2018;29:1836-1842.
- Marchetti MA, Codella NCF,
Dusza SW, Gutman DA, Helba B, Kalloo A. Results of the 2016 International Skin
Imaging Collaboration International Symposium on Biomedical Imaging challenge:
Comparison of the accuracy of computer algorithms to dermatologists for the
diagnosis of melanoma from dermoscopic images. J Am Acad Dermatol.
2018;78:270-277.
- Brinker TJ, Hekler A, Utikal
JS, Grabe N, Schadendorf D, Klode J Skin Cancer Classification Using
Convolutional Neural Networks: Systematic Review. J Med Internet Res.
2018;20:e11936.