Connect

¿Qué es el 'machine learning'?

22 de agosto de 2018

Por Elsevier Connect

Cómo la Inteligencia Artificial acelera y mejora el desarrollo de la I+D y de nuevos fármacos
Cómo ayuda el análisis de la información a investigadores y clínicos
Blockchain, la revolución en la gestión de nuestros datos de salud

Uno de los efectos colaterales de la era digital en la que estamos inmersos es la “sobredosis” de información que de forma casi instantánea llega a través de los dispositivos y sistemas informáticos. De ahí la necesidad cada vez mayor de agrupar y estandarizar aquellos datos que sean más relevantes para determinados ámbitos y/o profesionales y convertirlos en una herramienta “concreta” y manejable de forma que se les pueda sacar más partido. Tal y como explicó Dan Olley, director de Sistemas y Vicepresidente Ejecutivo de Desarrollo de Productos de Elsevier, en una entrevista publicada en la edición del pasado 29 de mayo de la revista Forbes, “la gente ya no quiere artículos para leer, quiere conocimiento. Desea disponer de la dosis exacta de información en el momento correcto”.

La respuesta a esta demanda viene de la mano de los nuevos conceptos asociados al “universo Big Data”, esto es, el conjunto de tecnologías, técnicas y herramientas que hacen posible la recogida, procesamiento y análisis de volúmenes masivos de datos; concretamente de dos: el de Inteligencia Artificial (IA) y el de machine learning o “aprendizaje artificial”. Este último es, de hecho, una “subdisciplina” de la IA que está demostrando tener un papel cada vez más relevante en todos los sectores. Básicamente se podría definir como la capacidad que tienen las máquinas (los ordenadores) para aprender y llegar a conclusiones o lo que es lo mismo, aportar soluciones a problemas concretos y generar conocimiento a partir de la información proporcionada por el Big Data.

El “cerebro” de estos software de aprendizaje artificial o machine learning es el algoritmo, la secuencia o serie de instrucciones que dan las pautas para estructurar los datos en forma de modelos que permitan al sistema “pensar” y aportar soluciones o emitir un diagnóstico o previsión. Como señala Dan Olley en la entrevista se trata de “hacer que los ordenadores piensen y se comporten de forma cognitiva”.

Hay distintos tipos y clasificaciones del machine learning, que pueden variar según el ámbito en que se aplique, pero en su funcionamiento siempre están presentes dos tecnologías: el aprendizaje automático y el reconocimiento de patrones e imágenes.

Herramienta de gestión y formación

Concretamente en el ámbito de la salud, el objetivo del machine learning es dotar a las herramientas informáticas de un sistema que les permita procesar los datos de información sanitaria (procedentes sobre todos de la Historia Clínica) de tal forma que puedan realizar una serie de acciones relacionadas con la atención y gestión de la salud: desde emitir diagnósticos hasta arrojar datos predictivos sobre determinadas enfermedades o la efectividad que un tratamiento tendrá en un perfil de paciente, por ejemplo. Asimismo, esta tecnología desempeña un rol muy importante en la formación y actualización de todos los profesionales de la salud, ya que les permite disponer del conocimiento preciso en el momento concreto en que lo necesitan: “Estamos usando el machine learning para comprender mejor en qué y cómo están trabajando los investigadores con el objetivo de proporcionarles la información más relevante para ellos. Manejamos una cantidad enorme de datos no estructurados como imágenes médicas, material audiovisual procedente de estudios académicos, artículos de revistas, libros, etc. El objetivo es extraer toda esa información, seleccionarla según el contexto y ofrecer los resultados”, comenta Dan Olley.

El abanico de aplicaciones y utilidades que las técnicas de machine learning tienen en el ámbito de la salud es cada vez más amplio. Estas son algunas de las más destacables:

Ofrecer a los profesionales y usuarios del sistema sanitario herramientas avanzadas de soporte al proceso de toma de decisiones.
Proporcionar tanto a los estudiantes como a los profesionales de la rama sanitaria información puntual, actualizada y a tiempo real sobre procedimientos o temas concretos, así como ofrecer la resolución de dudas o problemas que puedan surgir en la práctica diaria.
Potenciar y agilizar procesos clave en la gestión sanitaria tanto en temas de logística como en los relacionados con la atención al paciente.
Favorecer el diagnóstico de precoz de un buen número de patologías (el campo de la oncología es uno de los que más se pueden beneficiar de estas técnicas, según los expertos).
Permitir la detección no invasiva de algunos problemas de salud.
Predecir de forma precisa el riesgo que existe de desarrollar una determinada enfermedad, facilitando el camino hacia la obtención de biomarcadores, por ejemplo.
Valorar anticipadamente los efectos que el tratamiento va a tener en cada paciente.
Hacer posible una atención médica y una medicina cada vez más personalizada.
Ahorrar costes y aumentar la productividad de los profesionales.
Facilitar la innovación y el desarrollo de nuevos productos y servicios.

En tándem con la inteligencia "humana"

Muchas instituciones y empresas relacionadas con el ámbito de la salud ya han puesto en marcha estudios y/o proyectos en los que aplican el machine learning. Así, un equipo de la Universidad Carnegie Mellon(se abre en una nueva pestaña/ventana) en Pensilvania (EEUU) aplicó esta técnica para, a través de resonancias magnéticas, observar el cerebro de 34 personas y detectar cuáles de ellas padecían autismo.

Otro ejemplo: investigadores de la Universidad de Standford(se abre en una nueva pestaña/ventana), en California (EEUU) han aplicado un sistema de machine learning para la detección de complicaciones derivadas de la Diabetes Tipo 2, especialmente la ceguera.

En cuanto a las perspectivas o retos de futuro que presenta la aplicación del machine learning en el sector salud, es imprescindible un training en el manejo de estas nuevas herramientas para conseguir que aporten realmente valor a la práctica clínica, y esto pasa tanto por la formación de los profesionales como por potenciar la interacción de éstos con las “máquinas” a través de equipos cada vez más multidisciplinares. Como señala Dan Olley en la entrevista de Forbes, el siguiente paso en el desarrollo del machine learning es ir más allá de la inteligencia artificial para adentrarse en el campo de la “inteligencia aumentada”, lo que hará posible que los sanitarios utilicen esta tecnología a modo de una “segunda opinión” en tiempo real, pero no como herramienta única sino en combinación con otras soluciones digitales: “Estamos en un momento clave en lo que a nuevas tecnologías se refiere, y los avances en el campo del machine learning actúan como un catalizador, pero en convergencia con otras nuevas soluciones tecnológicas que van a contribuir a desdibujar el límite entre el mundo digital y el mundo humano”, afirma Olley.