"Para transferir la investigación a la práctica clínica hace falta la complicidad de muchas personas"

 

Si bien es cierto que vivimos en un momento de hype de la inteligencia artificial, el grupo ADaS Lab (Applied Data Science Lab), de la Universitat Oberta de Catalunya, trabaja en proyectos que pronto serán útiles a los pacientes y que ayudarán a los profesionales de la medicina a ser más precisos y eficientes en su trabajo. Ferran Prados y Jordi Casas Roma, líderes de este grupo adscrito al eHealth Center y también vinculados a los Estudios de Informática, Multimedia y Telecomunicación, nos explican cómo impactará en el sistema sanitario la investigación que están llevando a cabo, además de los retos con los que se encuentran en su día a día.

 

¿Qué es lo que más os motiva de vuestra investigación?

Hay dos factores principales que influyen en nuestra motivación. Por un lado, nos gusta la parte técnica, que incluye procesamiento de imágenes, captura e integración de datos médicos y de salud, diseño de pipelines de preprocesamiento de datos y de aprendizaje automático, integración de modelos de inteligencia artificial (IA) y valoración y validación de los resultados. Por el otro, nos motiva poder aportar "un granito de arena" para mejorar el sistema de salud y, en consecuencia, la vida de las personas. Por lo tanto, la transferencia de nuestra investigación al sector médico supone un retorno personal gratificante.

¿Cuáles son los retos que os encontráis en vuestro trabajo?

Hay varios. Uno de los grandes problemas es la falta de datos, dado que en el ámbito médico las instituciones no suelen compartirlos por sus implicaciones legales y de privacidad. Es especialmente complicado obtener datos del grupo de control, es decir, de las personas sanas, que deberemos contrastar con datos de los pacientes.

La transferencia de la investigación a la práctica clínica también es complicada, porque hace falta la complicidad de una gran comunidad de personas, lo que complica mucho poder desplegar algunos de los resultados de los proyectos de investigación.

Finalmente, no es una tarea fácil trabajar con equipos y proyectos multidisciplinarios en los que participan roles tan diferentes como informáticos, físicos, matemáticos, estadísticos, médicos, biólogos, etc. Para hacer avanzar el proyecto es imprescindible que todos trabajen conjuntamente desde el principio hasta el final, definiendo los objetivos y los planes de trabajo, y evaluando los resultados.

¿Dónde conseguís los datos que utilizáis?

La mayoría de los datos que usamos en las investigaciones que estamos llevando a cabo provienen de convenios con instituciones y hospitales, como, por ejemplo, el Hospital Clínic de Barcelona o la Agencia de Calidad y Evaluación Sanitarias de Cataluña (AQuAS, por las siglas en catalán), entre otros.

También usamos, cuando es necesario y tenemos disponibilidad, datos abiertos, que son datos a los que es relativamente fácil acceder para hacer investigación. A pesar de que todavía estamos lejos del escenario ideal, cada vez hay más iniciativas para compartir este tipo de datos, como los biobancos de diferentes países o regiones, por ejemplo, el Biobank del Reino Unido, que fue uno de los pioneros.

Un gran número de instituciones y empresas afirman hoy que trabajan con inteligencia artificial. ¿Creéis que el término está sobreexplotado?

Estamos viviendo un boom similar al que se vivió, hace ahora unos años, con el big data (datos masivos). Por un lado, hay un interés muy importante por parte de empresas e instituciones en el uso y aplicación de la IA en muchos ámbitos; desde la salud hasta la agricultura, pasando por la conducción autónoma, las redes de transporte, la logística, etc. Y, por otro lado, hay las necesidades de la sociedad de resolver retos importantes, como el diagnóstico o el pronóstico de enfermedades de forma robusta y eficaz, o automatizar tareas complejas en las que pueden intervenir diferentes niveles de toma de decisiones.

Está implementándose un buen número de modelos y algoritmos para resolver varios problemas en todos los sectores. Pero, como pasa siempre cuando hay un boom, se sobreexplota el término IA y se tiende, en algunos casos, a querer aplicar la tecnología sin que haya una necesidad real de aplicarla. La IA tendría que servir siempre para resolver de manera satisfactoria un problema de las personas o la sociedad; no debería utilizarse solo por el hecho de utilizarla.

¿Cuál de los proyectos en los que trabaja el ADaS Lab está más cerca de llegar al mundo clínico y beneficiar a los pacientes?

La detección y la cuantificación automática de nuevas lesiones de esclerosis múltiple a través de nuestra herramienta de inteligencia artificial podrán emplearse pronto en la práctica clínica y serán de gran utilidad para los neurólogos y neurorradiólogos para medir la evolución de las personas con esta enfermedad y decidir los siguientes pasos sobre el tratamiento. Actualmente, esta tarea ocupa mucho tiempo y no siempre se hace en las mejores condiciones, con el perjuicio que comporta para las personas con esclerosis múltiple. La solución diseñada por ADaS Lab reducirá el tiempo y homogeneizará los criterios de esta tarea, además de beneficiar a las personas con esta enfermedad y el sistema sanitario en general.

¿Pensáis que la investigación sobre enfermedades neurodegenerativas con herramientas de inteligencia artificial puede cambiar su abordaje e impactar positivamente en los pacientes?

Efectivamente. La inteligencia artificial está ayudando —y lo hará mucho más a corto y medio plazo— en el diagnóstico precoz y los tratamientos individualizados de los pacientes. Hay muchos grupos de investigación en todo el mundo que trabajan para mejorar el diagnóstico y el tratamiento de personas con enfermedades neurodegenerativas. Poco a poco se va avanzando, pero la complejidad y el desconocimiento del cerebro humano, junto con la falta de patrones comunes y datos en abierto, dificulta el conseguir resultados.

Desgraciadamente, todavía tardaremos unos años en ver en la práctica clínica algunas de las cosas que ya podemos ver en las publicaciones científicas. 

¿Cuáles han sido los resultados del proyecto para diagnosticar COVID-19 con técnicas de IA?

Después de testar muchos modelos de inteligencia artificial que se han desarrollado y entrenado para detectar la COVID-19 a partir de imágenes de rayos X de tórax, nos hemos encontrado con un resultado decepcionante e inesperado: todos los modelos presentan una baja robustez en relación con los datos que se han empleado para entrenarla. Es decir, un modelo entrenado con unos datos de un mismo centro médico y con una determinada máquina de rayos X funciona bien con datos del mismo centro, pero el rendimiento decae de forma abrupta cuando tiene que trabajar con datos de otro centro.

Esto implica que, actualmente, no hay un modelo que funcione bien para un conjunto heterogéneo de datos de diferentes centros. Este problema representa un gran reto científico para la comunidad de investigadores de IA. Nuestro objetivo ahora es diseñar un metamodelo que combine los resultados y la interpretación de diferentes modelos para conseguir aumentar la robustez y el rendimiento final.