Un algoritmo que puede detectar causa y efecto podría potenciar la IA médica

Una imagen de pastillas de colores brillantes Josué Coleman | Unsplash

Comprender cómo funciona el mundo significa comprender la causa y el efecto. ¿Por qué las cosas son así? ¿Qué pasará si hago eso? Las correlaciones te dicen que ciertos fenómenos van juntos. Solo los vínculos causales le dicen por qué un sistema es como es o cómo podría evolucionar. La correlación no es causalidad, como dice el eslogan.

Este es un gran problema para la medicina, donde se pueden interrelacionar un gran número de variables. El diagnóstico de enfermedades depende de saber qué condiciones causan qué síntomas; el tratamiento de enfermedades depende de conocer los efectos de diferentes medicamentos o cambios en el estilo de vida. Desenredar estas preguntas espinosas generalmente se realiza a través de estudios observacionales rigurosos o ensayos controlados aleatorios.

Estos crean una gran cantidad de datos médicos, pero se distribuyen en diferentes conjuntos de datos, lo que deja muchas preguntas sin respuesta. Si un conjunto de datos muestra una correlación entre la obesidad y las enfermedades cardíacas y otro muestra una correlación entre los niveles bajos de vitamina D y la obesidad, ¿cuál es el vínculo entre los niveles bajos de vitamina D y las enfermedades cardíacas? Averiguar normalmente requiere otro ensayo clínico.

¿Cómo hacemos un mejor uso de esta información fragmentada? Las computadoras son excelentes para detectar patrones, pero eso es solo correlación. En los últimos años, los científicos informáticos han inventado un puñado de algoritmos que pueden identificar relaciones causales dentro de conjuntos de datos únicos. Pero centrarse en conjuntos de datos únicos es como mirar a través del ojo de una cerradura. Lo que se necesita es una forma de abarcar la vista completa.

Los investigadores Anish Dhir y Ciarán Lee de Babylon Health, un proveedor de atención médica digital con sede en el Reino Unido, han ideado una técnica para encontrar relaciones causales entre diferentes conjuntos de datos . Esto podría permitir que se extraigan grandes bases de datos de datos médicos sin explotar en busca de causas y efectos, y posiblemente el descubrimiento de nuevos vínculos causales.

Babylon Health ofrece una aplicación basada en chatbot que le pide que enumere sus síntomas antes de responder con un diagnóstico tentativo y consejos sobre el tratamiento. El objetivo es filtrar a las personas que en realidad no necesitan ver a un médico. En principio, el servicio ahorra tiempo tanto a los pacientes como a los médicos, lo que permite que los profesionales de la salud con exceso de trabajo ayuden a los más necesitados.

Pero la aplicación tiene someterse a escrutinio . Los médicos han advertido que a veces pasa por alto signos de enfermedades graves, por ejemplo. Varias otras compañías, incluidas Ada y Your.MD, también ofrecen diagnóstico por chatbot, pero Babylon Health se ha destacado a sí misma por las críticas en parte debido a sus afirmaciones exageradas. Por ejemplo, en 2018, la empresa anunció que su IA podía diagnosticar condiciones médicas mejor que un médico humano. Un estudio en The Lancet unos meses después concluyó no solo que esto no era cierto sino que podría funcionar significativamente peor.

Aún así, el nuevo trabajo de Dhir y Lee sobre los vínculos causales merece ser tomado en serio. Ha sido revisado por pares y aparecerá en la respetada conferencia de la Asociación para el Avance de la Inteligencia Artificial en Nueva York esta semana. En principio, la técnica podría potenciar el servicio que ofrece Babylon Health.

La capacidad de identificar relaciones causales en datos médicos mejoraría la IA de diagnóstico detrás de su chatbot. Justificar las respuestas señalando la causa y el efecto subyacentes, en lugar de las correlaciones ocultas, también debería dar a las personas más confianza en la aplicación, dice Lee, quien también trabaja en aprendizaje automático y computación cuántica en el University College London. El cuidado de la salud es un dominio de alto riesgo. No queremos desplegar una caja negra, dice.

La pareja pronto se dio cuenta de que tendrían que empezar de cero. Cuando miramos, resultó que nadie había resuelto realmente este problema, dice Lee. El desafío es fusionar múltiples conjuntos de datos que comparten variables comunes y extraer tanta información sobre causa y efecto de los datos combinados como sea posible.

El método no utiliza el aprendizaje automático, sino que está inspirado en la criptografía cuántica, en la que se puede usar una fórmula matemática para demostrar que nadie está escuchando su conversación. Dhir y Lee tratan los conjuntos de datos como conversaciones y variables que influyen en esos conjuntos de datos de manera causal como espías. Usando las matemáticas de la criptografía cuántica, su algoritmo puede identificar si estos efectos existen o no.

Probaron el sistema en conjuntos de datos en los que ya se conocían las relaciones causales, como dos conjuntos que miden el tamaño y la textura de los tumores de mama. La IA encontró correctamente que el tamaño y la textura no tenían un vínculo causal entre sí, sino que ambos estaban determinados por si el tumor era maligno o benigno.

Si los datos sin procesar están disponibles, afirman los dos, su algoritmo puede identificar relaciones causales entre variables tan bien como lo haría un estudio clínico. En lugar de buscar las causas mediante la ejecución de un nuevo ensayo controlado aleatorio, el software puede hacer esto utilizando los datos existentes. Lee admite que será necesario convencer a la gente y espera que el algoritmo se utilice al menos inicialmente para complementar los ensayos, tal vez resaltando posibles vínculos causales para el estudio. Sin embargo, señala que los organismos oficiales como la Administración de Drogas y Alimentos de los EE. UU. ya aprueban nuevos medicamentos sobre la base de ensayos que solo muestran correlación. La forma en que los medicamentos pasan por ensayos controlados aleatorios es menos convincente que usar estos algoritmos, dice.

esconder