Ignacio H. Medrano, fundador y director médico de Savana, afirma que la inteligencia artificial permite a hospitales, centros de salud y profesionales utilizar la información clínica para la gestión, la prevención y la investigación. El departamento de respiratorio del Health Research Data UK (BREATHE) ha seleccionado a Savana para que estudie la COVID-19 en el Reino Unido
El emprendedor Ignacio Hernández Medrano (Alicante, 1983) es fundador y director médico de Savana, una plataforma de inteligencia artificial que acelera y expande la investigación médica, además de mejorar la calidad de la asistencia a los pacientes y de la gestión hospitalaria. Para ello, lee y analiza los datos de mil millones de documentos clínicos anonimizados, aprendiendo y generando modelos predictivos que anticipan la mejor actuación ante un paciente, y extrae un conocimiento clínico que estaba oculto. Ignacio Hernández también es fundador de Mendelian, una plataforma encaminada a democratizar la información genómica para el diagnóstico y tratamiento de enfermedades raras.
Fundada en 2014, Savana pone en manos de profesionales sanitarios el poder de desbloquear todo el valor clínico que existe en las historias clínicas electrónicas usando Inteligencia Artificial. La tecnología EHRead de Savana aplica Procesamiento del Lenguaje Natural clínico y multilingüe para la generación de evidencia en vida real (Real World Evidence). La Red de Investigación de Savana constituye un sistema formado por más de 150 hospitales en Europa y América.
Savana es una aplicación que combina inteligencia artificial con big data para proporcionar información médica a los profesionales de la salud. Maneja millones de datos de historias clínicas. ¿En qué consiste y cómo funciona?
Todos los días los médicos introducimos una gran cantidad de información en las historias clínicas y, hasta ahora, esa información no podía ser reutilizada. En primer lugar, porque cada hospital usa su sistema y, en segundo, porque los médicos escribimos de una manera muy desestructurada. Respetando la privacidad y la anonimización, así como la propiedad del dato, Savana es capaz de generar una base de datos armónica entre los centros, incluso en diferentes idiomas y diferentes países. Con esta base de datos. los médicos pueden llevar a cabo investigaciones tanto retrospectivas como prospectivas.
¿De qué manera va a transformar el sector sanitario la conversión de información clínica no estructurada en conocimiento colectivo?
Se calcula que en el dato desestructurado esta el 80% del valor. Solo el 20% está estructurado en forma de código CIE (Código Internacional de Enfermedades) o cualquier otro tipo de estructuración. Sin embargo, en la narrativa del médico está si un fármaco ha funcionado y la evolución natural de una enfermedad, etc. Si toda esa información la podemos convertir en 1 y 0, en modelos, es posible montar, monetizar matemáticamente, por ejemplo, un ajuste de riesgo: calcular la probabilidad de que un paciente con un cáncer determinado tenga un resultado frente a otro tipo de paciente. En resumen, acercar a la realidad la medicina individualizada, de precisión. Gracias al modelado matemático que hacemos se transforma el lenguaje en números.
¿Se puede decir que uno de los principales retos de la tecnología de Savana es construir un lenguaje que interprete la información clínica?
Es fácil de contar, pero difícil de hacer. El procesamiento del lenguaje natural es una disciplina de la inteligencia artificial que existía hace muchos años. Tampoco es exclusivo de Savana aplicar a historias clínicas. Lo que es difícil es hacerlo de una manera que equilibre y armonice datos que vienen de diferentes sistemas sanitarios y hospitales. Poder transformar el dato no en un dato sin más, sino en un dato que se corresponda con la investigación clínica –el Real World Evidence (evidencia del mundo real o de la práctica clínica)– requiere.
Es decir, un dato que responda a preguntas que un médico en realidad tiene en su cabeza, y que no tiene nada que ver con la simple transformación del lenguaje que haría una compañía tecnológica.
Los asistentes digitales utilizan lenguaje predictivo, ¿sería un proceso similar, pero mucho más complejo al tratarse de datos médicos?
Se trata de encontrar una interacción entre la inteligencia artificial que transforma el lenguaje y luego darle un sentido clínico. Por ejemplo, a una tasa de supervivencia en una enfermedad biológica o la respuesta de un fármaco. Ese cariz clínico solo lo puedes tener si interaccionan médicos con estadísticos, matemáticos y lingüistas, que es exactamente lo que realizan las 150 personas que trabajan en Savana.
¿Sustituirá la máquina al hombre para curar a los enfermos? ¿Cómo evitar que la tecnología deshumanice la medicina?
Nosotros no tenemos ningún tipo de riesgo ni de duda. Savana lo que hace es generar investigación que luego se pueden aplicar a la práctica clínica. Los que lo aplican son humanos, médicos. Incluso otros sistemas de inteligencia artificial más orientados al soporte de la decisión, diferentes de Savana, tampoco dejan de ser herramientas. El fonendo nos permite oír donde nosotros no oímos, la resonancia nos permite ver donde nosotros no vemos, la inteligencia artificial, el aprendizaje automático (machine learning) nos permite pensar en un numero de variables que la mente humana no abarca, pero no deja de ser una herramienta. Estas máquinas pueden servir para tomar decisiones, pero no para emitir juicios, algo del ámbito de los humanos.
¿Cómo salvaguardar la independencia y fiabilidad de esta herramienta para que no caiga en manos de especuladores sin escrúpulos como ocurre con la vacuna del COVID-19?
A diferencia de otras aproximaciones al big data en sanidad, nunca hemos creído en los monopolios de datos. Todo lo hacemos de manera federada. Los hospitales son los dueños de la información o, mejor dicho, los pacientes. Los hospitales custodian esos datos. Savana lo único que hace es proveer una tecnología con la que los hospitales y servicios sanitarios interactúan para realizar investigaciones conjuntas.
En cualquier caso, ellos son los dueños del proceso y del dato. Y los responsables, por ejemplo, de qué investigación se aprueba o no por parte de su comité de ética, y que la haga Savana no cambia nada. El control queda siempre en manos de los investigadores de los centros, que, además, desde el punto de vista de fiabilidad de la máquina, hacen siempre una evaluación externa por cada estudio, por cada área patológica y por cada hospital o centro de salud. La independencia no solo queda garantizada, sino científicamente garantizada.
¿Cuantos más datos se aporten, mejor funciona el proceso?
Las formas de decir las cosas en las historias clínicas son muy distintas. Cuanta más capacidad le demos a la máquina de aprender cómo se dicen esas diferentes formas, antes aprenderá y más rápido procesará casos nuevos, que es de lo que se trata. Al final, estamos haciendo modelos predictivos y, en consecuencia, cuanto más amplia sea la base poblacional sobre la que esos modelos se han montado, mejor será el ajuste matemático y la probabilidad de acertar.
¿Qué puede hacer esta aplicación frente a pandemias como la que estamos viviendo?
Tenemos en marcha un estudio internacional, que llamamos Big COVIData, promovido por Savana, dentro del marco del ecosistema de investigación colaborativa de esta empresa con cerca de 150 hospitales de Europa, Estados Unidos, Canadá y Latinoamérica, y al que se ha unido el Reino Unido, donde el departamento de respiratorio del Health Research Data UK, conocido como BREATHE, ha seleccionado a Savana para que oficialmente estudie la COVID-19 en este país.
Lejos de ser algo de futuro, los resultados saltan a la vista hoy. Cuando estábamos en plena primera ola, confinados en casa, con los hospitales saturados y sin tiempo alguno para poder contar con los médicos para hacer nada que no fuera atender a los pacientes, pudimos publicar hasta cuatro artículos gracias a esta automatización de la generación de ciencia, que es en lo que trabajamos precisamente. En uno de ellos analizamos más de dos millones de habitantes y miles de pacientes COVID, y lo hicimos en tres semanas desde que el médico atendió al paciente hasta que se publicó el artículo. En literatura científica esto es algo que nunca se ha visto.
A través de las historias clínicas se puede evaluar la gestión en los hospitales. ¿Se podría evitar así el colapso del sistema de salud ante emergencias sanitarias o incluso para evaluar la praxis médica en la práctica clínica?
A día de hoy, Savana no solo se centra en la investigación clínica, sino también en la evaluación de la gestión de la calidad asistencial. Tenemos un caso publicado en Castilla-La Mancha muy interesante en el cual se intentaba detectar variabilidad en la práctica clínica, qué prácticas en atención primaria se desviaban más de las propias guías del servicio castellanomanchego. Mediante este control pudimos optimizar la práctica clínica. Ha habido muchas aproximaciones en el COVID en la generación de modelos predictivos, por ejemplo, para ingreso en UVI.
Nosotros tenemos otra un poco peculiar: podemos leer al mismo tiempo, en el caso de una comunidad autónoma, la información de toda la atención primaria y de toda la especializada, con lo cual nuestro modelo puede incluir ambas cuestiones. Así, descubrimos cuál es el factor que tenía un paciente que acudía al médico de primaria varios días antes y posteriormente acababa en la UVI. Estamos conectando fuentes de información que hasta ahora estaban totalmente inconexas, y ninguno de los artículos que circulan en predicción de UVI y COVID tenía este enfoque puesto que no utiliza este tipo de aproximación ni esta tecnología.
Usted también ha fundado Mendelian, una plataforma que permite a los profesionales sanitarios agilizar el diagnóstico de las enfermedades raras. El sistema busca aglutinar la información sobre los genes implicados en las enfermedades raras y las pruebas necesarias para reducir casos no diagnosticados o diagnosticados de forma tardía. ¿La inteligencia artificial está más capacitada que la mente humana para identificar e interpretar patrones en estas enfermedades?
Lo que ha hecho la inteligencia artificial, el aprendizaje automático en estos últimos anos es aprender por patrones. Así funciona el traductor de Google: no traduce los idiomas correctamente porque sepa las reglas gramaticales, sino porque ha visto tantos ejemplos de cómo se dice algo que aprende a decirlo, aunque no sabe muy bien por qué. O sea, lo que hace un niño cuando aprende un idioma. Esto es lo que ha cambiado en el mundo de la inteligencia artificial. Hemos empezado a fabricar maquinas que aprenden a base de ver casos, y no a base de ver reglas. Esto es muy interesante porque supone que, cuando ves un caso nuevo puedes resolverlo, aunque sea la primera vez. Una autentica revolución en la computación en los últimos siete años.
Hay una estrategia ganadora, de país grande, que es entender que la tecnología te hace ir por delante
De tal manera que, en medicina, donde resolvemos los casos por patrones, diagnosticamos las enfermedades porque las conocemos y las hemos visto anteriormente, la inteligencia artificial puede ser tanto más útil cuanto más raro es un caso porque, cuanto más raro es un caso, menos veces lo ha visto un médico y tiene menos capacidad de reconocerlo. Sin embargo, una máquina, como puede conectar cosas que nosotros no vemos, es capaz de reconocer patrones, aunque haya entrenado con muy pocos casos, como ocurre con las enfermedades raras, que constituyen un caso especialmente favorable para que la inteligencia artificial ayude en la orientación del diagnóstico diferencial, y es a lo que se dedica Mendeliana.
Afirma que la inteligencia artificial puede ser la pieza que falta para hacer realidad la medicina de precisión. ¿Por qué?
La medicina de precisión es una medicina basada en matemáticas, capaz de aprender de históricos de datos del pasado para saber a cada individuo concreto que es probable que le ocurra en el futuro. No es muy diferente de lo que hacemos con el tráfico o la meteorología: aprendemos de sets de datos pasados para anticipar el futuro. La cantidad de datos que hay en el pasado es una masa tan grande que con la estadística clásica no podíamos segmentar tanto como para acertar a nivel individual, solo podíamos hacer aproximaciones poblacionales.
Pero con la estadística y la combinación, que es exactamente el aprendizaje automático, esa rama de la inteligencia artificial que ahora nos beneficia, si podemos abordar esos conjuntos de datos encontrando patrones que nos hagan anticipar que va a pasar a un paciente concreto o, al menos, a un conjunto pequeño de pacientes en un rango temporal. Por eso, la llegada de esta tecnología nos permite ser más precisos a la hora de anticiparnos y eso es precisamente lo que llamamos medicina de precisión.
No es partidario de las subvenciones, pero la financiación privada siempre quiere recuperar la inversión y alimenta una cuenta de resultados. ¿Es una ventaja o un obstáculo?
En realidad, lo que pienso es que son mundos complementarios. Me parece bien que los Estados apoyen la investigación o cualquier proyecto que consideren interesante para la sociedad a la que sirven. Desde el punto de vista de un emprendedor, una persona que como yo ha dejado una carrera muy segura de neurólogo en un buen hospital y ha arriesgado sus ahorros, su prestigio, su energía y ha puesto en riesgo a su familia para montar un proyecto tecnológico, al final lo que veo es que para este tipo de desarrollo tecnológico tan puntero los incentivos que se alinean necesitan el impulso de la competitividad.
Es muy difícil que estos proyectos se aceleren en ámbitos no competitivos. Ambos mundos pueden y deben convivir. Pero quiero resaltar lo que la competencia es capaz de hacer para agudizar el ingenio y para lanzar hacia adelante la innovación. El el escenario en el que vivo todos los días.
¿Se puede producir una brecha entre países que apoyen el desarrollo de la inteligencia artificial en medicina, como Estados Unidos, Reino Unido o China, y los que no, como puede ser el caso de España? ¿Cómo hacer entender a los gobiernos que la innovación es el futuro?
Solo hay que mirar lo que hacen los inversores. Invierten en 20 startups sabiendo que 18 se van a ir al traste y 2 van a funcionar. Las dos que van a funcionar les resultan tan rentables que al final ganan. Es similar a lo que ha ocurrido en el mundo occidental desde la Revolución Industrial. No hay ni una sola excepción. Todas las sociedades que han escogido el desarrollo tecnológico y la innovación han prosperado. Las que no se han quedado a la cola. Hay dos estrategias. Una ganadora y otra perdedora. La perdedora es el cortoplacismo, y la ganadora, de país grande, es entender que la tecnología te hace ir por delante.
ENFERMEDADES RARAS Mendelian es una herramienta online que puede ayudar a los profesionales sanitarios a investigar y consecuentemente agilizar el diagnóstico precoz de las enfermedades raras gracias a un mapeo global de estas patologías mediante técnicas de big data e inteligencia artificial. Se trata de un motor de búsqueda diseñado para introducir el fenotipo del usuario, es decir, los signos y los síntomas de su enfermedad, para poder extraer el genotipo, el responsable de los genes alterados. También se puede describir a Mendelian como una base de datos potente que facilita la investigación sobre las enfermedades.
Lea también en Cambio16.com: