La IA podría ayudar con la próxima pandemia, pero no con esta

Gente morada en una calle verde Ms Tech / Unsplash

Fue una IA la primera que lo vio venir, o eso dice la historia. El 30 de diciembre, una empresa de inteligencia artificial llamada BlueDot, que utiliza el aprendizaje automático para monitorear brotes de enfermedades infecciosas en todo el mundo, alertó a los clientes, incluidos varios gobiernos, hospitales y empresas, sobre un aumento inusual en los casos de neumonía en Wuhan, China. Pasarían otros nueve días antes de que la Organización Mundial de la Salud señalara oficialmente lo que todos conocemos como Covid-19.

BlueDot no estaba solo. Un servicio automatizado llamado HealthMap en el Boston Children's Hospital también detectó esos primeros signos. Al igual que un modelo dirigido por Metabiota, con sede en San Francisco. Que la IA pueda detectar un brote en el otro lado del mundo es bastante sorprendente, y las alertas tempranas salvan vidas.

Más sobre coronavirus

• Nuestra cobertura más esencial de covid-19 es gratuita, que incluye:

  ¿Qué es la inmunidad colectiva?

  
  
  

  ¿Qué son las pruebas serológicas?

  ¿Cómo funciona el coronavirus?

  ¿Cuáles son los tratamientos potenciales?

  
  
  

  ¿Qué medicamentos funcionan mejor?

  ¿Cuál es la forma correcta de hacer el distanciamiento social?

  Otras preguntas frecuentes sobre el coronavirus

  
  
  

  ---

  Boletín: Informe técnico sobre coronavirus

  Zoom show: Radio Corona

  
  
  

• Ver también:

  Toda nuestra cobertura covid-19

  El número especial de covid-19

• Haga clic aquí para suscribirse y apoyar nuestro periodismo sin fines de lucro.

Pero, ¿cuánto ha ayudado realmente la IA a abordar el brote actual? Esa es una pregunta difícil de responder. Las empresas como BlueDot suelen tener los labios apretados sobre a quién proporcionan información exactamente y cómo se utiliza. Y los equipos humanos dicen que detectaron el brote el mismo día que las IA. Otros proyectos en los que la IA se explora como herramienta de diagnóstico o se utiliza para ayudar a encontrar una vacuna aún se encuentran en sus primeras etapas. Incluso si tienen éxito, tomará tiempo, posiblemente meses, para que esas innovaciones lleguen a las manos de los trabajadores de la salud que las necesitan.

El bombo supera la realidad. De hecho, la narrativa que ha aparecido en muchos informes de noticias y comunicados de prensa sin aliento, que la IA es una nueva y poderosa arma contra las enfermedades, es solo parcialmente cierta y corre el riesgo de volverse contraproducente. Por ejemplo, demasiada confianza en las capacidades de la IA podría conducir a decisiones mal informadas que canalicen dinero público a empresas de IA no probadas a expensas de intervenciones comprobadas, como programas de drogas. También es malo para el campo en sí mismo: las expectativas exageradas pero decepcionadas han llevado a una caída del interés en la IA y la consiguiente pérdida de fondos, más de una vez en el pasado.

Así que aquí hay una verificación de la realidad: la IA no nos salvará del coronavirus, ciertamente no esta vez. Pero hay muchas posibilidades de que desempeñe un papel más importante en futuras epidemias, si hacemos algunos cambios importantes. La mayoría no será fácil. Algunos no nos gustarán.

Hay tres áreas principales en las que la IA podría ayudar: predicción, diagnóstico y tratamiento.

Predicción

Compañías como BlueDot y Metabiota utilizan una gama de algoritmos de procesamiento de lenguaje natural (NLP) para monitorear los medios de comunicación y los informes oficiales de atención médica en diferentes idiomas en todo el mundo, indicando si mencionan enfermedades de alta prioridad, como el coronavirus, o más endémicas. como el VIH o la tuberculosis. Sus herramientas predictivas también pueden basarse en datos de viajes aéreos para evaluar el riesgo de que los centros de tránsito puedan ver personas infectadas llegando o saliendo.

Los resultados son razonablemente precisos. Por ejemplo, el último informe público de Metabiota, del 25 de febrero, pronosticó que el 3 de marzo habría 127.000 casos acumulados en todo el mundo. Se sobrepasó por alrededor de 30,000, pero Mark Gallivan, director de ciencia de datos de la firma, dice que esto todavía está dentro del margen de error. También enumeró los países con mayor probabilidad de informar nuevos casos, incluidos China, Italia, Irán y los EE. UU. De nuevo: no está mal.

Otros también están atentos a las redes sociales. Stratifyd, una empresa de análisis de datos con sede en Charlotte, Carolina del Norte, está desarrollando una IA que escanea publicaciones en sitios como Facebook y Twitter y las compara con descripciones de enfermedades tomadas de fuentes como los Institutos Nacionales de Salud, la Organización Mundial de Animal Health y la base de datos global de identificadores microbianos, que almacena información de secuenciación del genoma.

El trabajo de estas empresas es ciertamente impresionante. Y demuestra cuánto ha avanzado el aprendizaje automático en los últimos años. Hace unos años, Google intentó predecir brotes con su desafortunado Flu Tracker, que se archivó en 2013 cuando no pudo predecir el pico de gripe de ese año. ¿Qué cambió? Se trata principalmente de la capacidad del último software para escuchar una gama mucho más amplia de fuentes.

El aprendizaje automático no supervisado también es clave. Permitir que una IA identifique sus propios patrones en el ruido, en lugar de entrenarla con ejemplos preseleccionados, resalta cosas que quizás no haya pensado buscar. Cuando haces predicciones, estás buscando un nuevo comportamiento, dice el CEO de Stratifyd, Derek Wang.

Pero, ¿qué haces con estas predicciones? La predicción inicial de BlueDot identificó correctamente un puñado de ciudades en el camino del virus. Esto podría haber permitido que las autoridades se prepararan, alertando a los hospitales e implementando medidas de contención. Pero a medida que crece la escala de la epidemia, las predicciones se vuelven menos específicas. La advertencia de Metabiota de que ciertos países se verían afectados en la semana siguiente podría haber sido correcta, pero es difícil saber qué hacer con esa información.

Además, todos estos enfoques se volverán menos precisos a medida que avance la epidemia, en gran parte porque ha sido difícil obtener datos confiables sobre el covid-19 del tipo que la IA necesita para alimentarse. Las fuentes de noticias y los informes oficiales ofrecen relatos inconsistentes. Ha habido confusión sobre los síntomas y cómo se transmite el virus entre las personas. Los medios pueden exagerar las cosas; las autoridades pueden minimizar las cosas. Y predecir dónde se puede propagar una enfermedad desde cientos de sitios en docenas de países es una tarea mucho más desalentadora que hacer una llamada sobre dónde se puede propagar un solo brote en sus primeros días. El ruido siempre es el enemigo de los algoritmos de aprendizaje automático, dice Wang. De hecho, Gallivan reconoce que las predicciones diarias de Metabiota fueron más fáciles de hacer en las primeras dos semanas más o menos.

Uno de los mayores obstáculos es la falta de pruebas de diagnóstico, dice Gallivan. Idealmente, tendríamos una prueba para detectar el nuevo coronavirus de inmediato y evaluar a todos al menos una vez al día, dice. Tampoco sabemos realmente qué comportamientos están adoptando las personas (quién está trabajando desde casa, quién está en cuarentena, quién se está lavando las manos o no) o qué efecto podría estar teniendo. Si desea predecir lo que sucederá a continuación, necesita una imagen precisa de lo que está sucediendo en este momento.

Tampoco está claro qué sucede dentro de los hospitales. Ahmer Inam de Pactera Edge, una consultora de datos e inteligencia artificial, dice que las herramientas de predicción serían mucho mejores si los datos de salud pública no estuvieran encerrados dentro de las agencias gubernamentales como lo están en muchos países, incluido EE. UU. Esto significa que una IA debe apoyarse más en los datos fácilmente disponibles, como las noticias en línea. Cuando los medios de comunicación se dan cuenta de una condición médica potencialmente nueva, ya es demasiado tarde, dice.

Pero si la IA necesita muchos más datos de fuentes confiables para ser útil en esta área, las estrategias para obtenerlos pueden ser controvertidas. Varias personas con las que hablé destacaron esta incómoda compensación: para obtener mejores predicciones del aprendizaje automático, necesitamos compartir más de nuestros datos personales con empresas y gobiernos.

Darren Schulte, médico y director ejecutivo de Apixio, que ha creado una IA para extraer información de los registros de los pacientes, cree que los registros médicos de todo EE. UU. deberían abrirse para el análisis de datos. Esto podría permitir que una IA identifique automáticamente a las personas que corren mayor riesgo de contraer covid-19 debido a una afección subyacente. Entonces, los recursos podrían concentrarse en aquellas personas que más los necesitan. La tecnología para leer registros de pacientes y extraer información vital existe, dice Schulte. El problema es que estos registros están divididos en múltiples bases de datos y son administrados por diferentes servicios de salud, lo que los hace más difíciles de analizar. Me gustaría dejar caer mi IA en este gran océano de datos, dice. Pero nuestros datos se encuentran en pequeños lagos, no en un gran océano.

Los datos de salud también deben compartirse entre países, dice Inam: los virus no operan dentro de los límites de las fronteras geopolíticas. Él cree que los países deberían verse obligados por un acuerdo internacional a publicar datos en tiempo real sobre diagnósticos y admisiones hospitalarias, que luego podrían incorporarse a modelos de aprendizaje automático a escala global de una pandemia.

Por supuesto, esto puede ser una ilusión. Diferentes partes del mundo tienen diferentes regulaciones de privacidad para datos médicos. Y muchos de nosotros ya nos resistimos a que nuestros datos sean accesibles a terceros. Las nuevas técnicas de procesamiento de datos, como la privacidad diferencial y el entrenamiento con datos sintéticos en lugar de datos reales, podrían ofrecer una forma de superar este debate. Pero esta tecnología aún se está perfeccionando. Llegar a un acuerdo sobre las normas internacionales llevará aún más tiempo.

Por ahora, debemos aprovechar al máximo los datos que tenemos. La respuesta de Wang es asegurarse de que los humanos estén cerca para interpretar lo que arrojan los modelos de aprendizaje automático, asegurándose de descartar las predicciones que no suenan verdaderas. Si uno es demasiado optimista o depende de un modelo predictivo completamente autónomo, resultará problemático, dice. Las IA pueden encontrar señales ocultas en los datos, pero los humanos deben conectar los puntos.

Diagnostico temprano

Además de predecir el curso de una epidemia, muchos esperan que la IA ayude a identificar a las personas que han sido infectadas. AI tiene un historial probado aquí. Los modelos de aprendizaje automático para examinar imágenes médicas pueden detectar signos tempranos de enfermedades que los médicos humanos pasan por alto, desde enfermedades oculares hasta afecciones cardíacas y cáncer. Pero estos modelos generalmente requieren una gran cantidad de datos para aprender.

Un puñado de artículos preliminares se han publicado en línea en las últimas semanas que sugieren que El aprendizaje automático puede diagnosticar Covid-19 de tomografías computarizadas de tejido pulmonar si está capacitado para detectar signos reveladores de la enfermedad en las imágenes. Alexander Selvikvåg Lundervold de la Universidad de Ciencias Aplicadas de Noruega Occidental en Bergen, Noruega, que es un experto en aprendizaje automático e imágenes médicas, dice que deberíamos esperar que la IA pueda detectar signos de Covid-19 en pacientes eventualmente. Pero no está claro si las imágenes son el camino a seguir. Por un lado, es posible que los signos físicos de la enfermedad no aparezcan en las exploraciones hasta algún tiempo después de la infección, por lo que no es muy útil como diagnóstico temprano.

El Dr. Fan Zhongjie, especialista respiratorio a cargo de pacientes críticos con COVID-19 en la provincia central china de Hubei, lee una imagen de tomografía computarizada. Imágenes AP

Además, dado que hasta ahora hay muy pocos datos de capacitación disponibles, es difícil evaluar la precisión de los enfoques publicados en línea. La mayoría de los sistemas de reconocimiento de imágenes, incluidos los capacitados en imágenes médicas, se adaptan a partir de modelos entrenados primero en ImageNet, un conjunto de datos ampliamente utilizado que abarca millones de imágenes cotidianas. Para clasificar algo simple que está cerca de los datos de ImageNet, como imágenes de perros y gatos, se puede hacer con muy pocos datos, dice Lundervold. Hallazgos sutiles en imágenes médicas, no tanto.

Eso no quiere decir que no sucederá, y las herramientas de inteligencia artificial podrían potencialmente construirse para detectar las primeras etapas de la enfermedad en futuros brotes. Pero deberíamos ser escépticos sobre muchas de las afirmaciones de los médicos de IA que diagnostican Covid-19 hoy. Nuevamente, compartir más datos de pacientes ayudará, al igual que las técnicas de aprendizaje automático que permiten entrenar modelos incluso cuando hay pocos datos disponibles. Por ejemplo, el aprendizaje de pocos disparos, donde una IA puede aprender patrones a partir de solo un puñado de resultados, y el aprendizaje de transferencia, donde una IA ya entrenada para hacer una cosa puede adaptarse rápidamente para hacer algo similar, son avances prometedores, pero aún funcionan. en curso.

panacea

Los datos también son esenciales para que la IA ayude a desarrollar tratamientos para la enfermedad. Una técnica para identificar posibles candidatos a fármacos es usar algoritmos de diseño generativo, que producen una gran cantidad de resultados potenciales y luego los analizan para resaltar aquellos que vale la pena observar más de cerca. Esta técnica se puede utilizar para buscar rápidamente entre millones de estructuras biológicas o moleculares, por ejemplo.

SRI International está colaborando en una herramienta de inteligencia artificial de este tipo, que utiliza el aprendizaje profundo para generar muchos candidatos a fármacos novedosos que los científicos pueden evaluar para determinar su eficacia. Este es un cambio de juego para el descubrimiento de fármacos, pero aún pueden pasar muchos meses antes de que un candidato prometedor se convierta en un tratamiento viable.

En teoría, la IA también podría usarse para predecir la evolución del coronavirus. Inam imagina ejecutar algoritmos de aprendizaje no supervisados ​​para simular todos los caminos de evolución posibles. Luego podría agregar vacunas potenciales a la mezcla y ver si los virus mutan para desarrollar resistencia. Esto permitirá a los virólogos estar unos pasos por delante de los virus y crear vacunas en caso de que ocurra alguna de estas mutaciones catastróficas, dice.

Es una posibilidad emocionante, pero lejana. Todavía no tenemos suficiente información sobre cómo muta el virus para poder simularlo esta vez.

Mientras tanto, la última barrera puede ser la gente a cargo. Lo que más me gustaría cambiar es la relación entre los formuladores de políticas y la IA, dice Wang. La IA no podrá predecir brotes de enfermedades por sí misma, sin importar la cantidad de datos que obtenga. Lograr que los líderes en el gobierno, las empresas y la atención médica confíen en estas herramientas cambiará fundamentalmente la rapidez con la que podemos reaccionar ante los brotes de enfermedades, dice. Pero esa confianza debe provenir de una visión realista de lo que la IA puede y no puede hacer ahora, y lo que podría mejorar la próxima vez.

Aprovechar al máximo la IA requerirá muchos datos, tiempo y una coordinación inteligente entre muchas personas diferentes. Todos los cuales son escasos en este momento.

esconder