Centro Público

¿Podremos lograr que las computadoras presientan nuestra muerte?

Ilustración fotográfica por Cristiana Couceiro. Gato: Iakov Filimonov/Shutterstock

De las muchas pequeñas humillaciones que se le acumularon a un joven oncólogo durante su último año de beca, quizá esta haya sido la más extraña: al parecer, un gato blanco con negro, de 2 años, llamado Oscar tenía una mayor capacidad que muchos médicos para predecir el momento en que fallecerían los pacientes con enfermedades terminales. La historia, sorprendentemente, se publicó en The New England Journal of Medicine en el verano de 2007. El equipo médico adoptó a Oscar cuando aún era una cría y este se volvió el rey de uno de los pisos del geriátrico Steere House en Rhode Island. Cuando el gato olfateaba el aire, estiraba el cuello y se acurrucaba junto a un hombre o una mujer, era señal inequívoca de una muerte inminente. Los médicos entonces llamaban a los familiares para que hicieran una última visita. En el transcurso de los años, el gato se acurrucó junto a cincuenta pacientes. Cada uno de ellos falleció al cabo de un corto tiempo.

Nadie sabe cómo fue que el gato adquirió estas extraordinarias capacidades para oler la muerte. Quizá la nariz de Oscar aprendió a detectar un olorcillo especial a muerte: por ejemplo, los químicos que liberan las células al morir. Quizá había otras señales indescifrables. En un principio yo no lo creía por completo, pero la perspicacia de Oscar fue corroborada por otros médicos que vieron al gato profético en acción. Tal como escribió el autor del artículo: “Nadie se muere en el tercer piso a menos que Oscar le haya hecho una visita y se haya quedado un rato”.

La historia cobró mayor interés para mí el verano pasado, pues había estado tratando a S., un fontanero de 32 años que padecía cáncer de esófago. Había respondido bien a la quimioterapia y la radiación y habíamos extirpado su esófago quirúrgicamente sin dejar rastro detectable de células malignas en su cuerpo. Una tarde, a pocas semanas de haber finalizado su tratamiento, mencioné con sumo cuidado el tema de los cuidados durante los últimos días de vida. Por supuesto, le dije a S., nuestro objetivo era la cura, pero cabía una pequeña posibilidad de que hubiera una recaída. Tenía esposa, dos hijos y una madre que lo había llevado cada semana a la sala de quimioterapia. Tal vez, sugerí, podría sostener una conversación sincera con su familia respecto a sus objetivos.

Pero S. objetó. Se volvía más fuerte cada semana. La conversación estaba destinada a ser una molestia, como él la describió con su marcado acento bostoniano. Tenía esperanzas y ya no había cáncer. ¿Para qué echar a perder la celebración? Acepté a regañadientes; era poco probable que regresara el cáncer.

Cuando se presentó la recaída fue una avalancha implacable. A los dos meses de haber sido dado de alta del hospital, S. regresó a verme con dos brotes de metástasis en el hígado, los pulmones y, lo que no era nada común, en los huesos. El dolor causado por dichas lesiones era tan fuerte que solo dosis muy elevadas de analgésicos podían calmarlo y S. pasó sus últimas semanas de vida en un estado casi comatoso, incapaz de reconocer la presencia de su familia alrededor de su cama. Al principio, su madre me rogaba que le aplicara quimioterapia y luego me acusó de haber engañado a la familia respecto al diagnóstico. Yo permanecí en silencio por la vergüenza: yo sabía que los médicos tenemos un pésimo registro en cuanto a nuestra capacidad para predecir cuáles de nuestros pacientes morirán. La muerte es nuestra principal caja negra.

En un estudio dirigido por investigadores del University College de Londres y practicado en más de 12.000 pronósticos de vida de pacientes con enfermedades terminales, los aciertos y los fallos eran muy variados. Algunos médicos hacían predicciones muy precisas. Otros calculaban los fallecimientos con diferencias de hasta tres meses menos; pero había quienes calculaban la misma cantidad de meses de más. Incluso en la oncología, había subculturas de los peores errores: en una historia, muy probablemente apócrifa, un médico tratante de leucemia fue descubierto administrando quimioterapia intravenosa a un hombre cuyo monitor de la unidad de cuidados intensivos indicaba que ya tenía tiempo de haber fallecido.

Ilustración fotográfica por Cristiana Couceiro. Mano: Westend61/Getty Images

Pero ¿qué pasaría si un algoritmo pudiera predecir la muerte? A finales de 2016, Anand Avati, un estudiante graduado del Departamento de Ciencias Computacionales de Stanford, junto con su pequeño equipo de la Facultad de Medicina trataron de “enseñarle” a un algoritmo a identificar pacientes con altas probabilidades de fallecer dentro de un periodo determinado. “El equipo de cuidados paliativos del hospital tenía un reto”, me comentó Avati. “¿Cómo podríamos encontrar pacientes que se encontraran a tres o doce meses de morir?” Esta ventana era “el punto óptimo de los cuidados paliativos”. Un tiempo que superara los doce meses podría agotar los limitados recursos innecesariamente, al ofrecer demasiados cuidados, demasiado pronto; por el contrario, si la muerte ocurriera en menos de tres meses a partir de su predicción, no habría una preparación real para el fallecimiento: serían muy pocos cuidados, suministrados demasiado tarde. Avati sabía que ubicar a los pacientes en el reducido periodo óptimo les permitiría a los médicos echar mano de sus recursos de una manera mucho más apropiada y humana. Y, si el algoritmo funcionaba, los equipos de cuidados paliativos se sentirían aliviados al no tener que buscar en los registros de forma manual a quienes podrían beneficiarse de ello.

Avati y su equipo identificaron a 200.000 pacientes que podrían ser objeto de estudio. Los pacientes padecían todo tipo de enfermedades: cáncer, enfermedades neurológicas y deficiencias cardiacas o insuficiencia renal. La idea clave del equipo era utilizar los registros médicos del hospital como una especie de máquina del tiempo. Un hombre falleció en enero de 2017, por ejemplo. ¿Qué pasaría si pudiéramos retroceder en el tiempo hasta el “punto óptimo de cuidados paliativos” (la ventana entre enero y octubre de 2016, cuando los cuidados habrían sido más efectivos)? Pero Avati sabía que para encontrar ese punto en el caso de un paciente determinado muy probablemente tendrías que reunir y analizar información anterior a ese periodo. ¿Sería posible reunir información acerca de este hombre durante el periodo previo a la ventana de tiempo que le permitiría a un médico predecir su fallecimiento en ese periodo de tres a doce meses? Y ¿qué clase de información podría enseñarle a dicho algoritmo a hacer las predicciones?

Avati obtuvo registros médicos que ya habían sido codificados por los médicos del hospital: el diagnóstico del paciente, la cantidad de tomografías realizadas, la cantidad de días de estancia en el hospital, los tipos de procedimientos realizados y las recetas médicas. La información era limitada (no había cuestionarios, conversaciones ni olfateo de químicos), pero era objetiva y estandarizada entre los pacientes.

Se introdujeron estos registros en la llamada red neural profunda, una especie de arquitectura de software llamada de esa forma debido a que se cree que puede imitar la forma en la que se organizan las neuronas en el cerebro. El objetivo del algoritmo era ajustar los pesos y fuerzas de cada segmento de información con el fin de generar un indicador de las probabilidades de que un paciente pudiera fallecer dentro de un periodo de tres a doce meses.

El “algoritmo de la muerte”, como podríamos llamarlo, digirió y absorbió la información de cerca de 160.000 pacientes a modo de entrenamiento. Una vez que ingirió toda la información, el equipo de Avati lo puso a prueba con los 40.000 pacientes restantes. El algoritmo funcionó sorprendentemente bien. El índice de falsa alarma era muy bajo: nueve de cada diez pacientes que se había predicho que fallecerían entre tres y doce meses murieron en ese periodo. El 95 por ciento de los pacientes a quienes el programa les había asignado pocas probabilidades de fallecer sobrevivieron más de doce meses. (La información que utilizó este algoritmo podrá depurarse ampliamente en el futuro. Se podrán incluir los resultados de laboratorio, las tomografías, las anotaciones de un médico o la propia evaluación de un paciente, y así aumentar su poder predictivo).

¿Qué es exactamente lo que el algoritmo “aprendió” acerca del proceso de morir? Y, a su vez, ¿qué puede enseñarles a los oncólogos? Esa es la trampa de un sistema de aprendizaje tan avanzado: aprende, pero no puede decirnos cómo lo hizo; asigna probabilidades, pero no puede expresar el razonamiento que hay detrás de dicha asignación. Al igual que un niño que ha aprendido a andar en bicicleta por ensayo y error se encogerá de hombros y se marchará al pedirle que exprese las reglas que le permitieron hacerlo, el algoritmo nos mirará impávido al preguntarle el porqué. Al igual que la muerte, es otra caja negra.

Con todo, al husmear en la caja para analizar casos particulares, es posible ver patrones esperados e inesperados. Un hombre al que se le asignó una puntuación de 0,946 falleció en unos cuantos meses, como se había predicho. Había padecido cáncer de vejiga y de próstata, se le habían practicado veintiuna tomografías y había estado hospitalizado sesenta días (toda esa información fue interpretada por el algoritmo como señal de muerte inminente). Pero al parecer se dio gran relevancia al hecho de que las tomografías eran de su columna y de que se había colocado un catéter en su espina dorsal, características que mis colegas y yo no habríamos sabido reconocer como predictores de muerte (más tarde supe que una tomografía de la médula espinal tenía más probabilidades de identificar cáncer en el sistema nervioso, una ubicación mortal para la metástasis).

Para mí es muy difícil leer acerca del “algoritmo de la muerte” sin pensar en mi paciente S. De haber estado disponible una versión más sofisticada del algoritmo, ¿lo habría utilizado en ese caso? Por supuesto. ¿Habría sido posible que ello hubiese dado pie a la conversación de los últimos días de vida que S. jamás sostuvo con su familia? Sí, pero no puedo sacudirme cierta incomodidad inherente al pensamiento de que un algoritmo pueda comprender los patrones de mortalidad mejor que los humanos. ¿Y por qué un programa como ese ─sigo preguntándome─ parece mucho más aceptable cuando viene dentro de una caja de pelo blanco y negro que en lugar de emitir resultados de probabilidades se acurruca junto a nosotros con las patas retraídas?

 


Fuente: NYTimes / Siddhartha Mukherjee 

Centro Público

Centro Público

Add comment

Este sitio usa Akismet para reducir el spam. Conoce cómo se procesan los datos de tus comentarios.

Algo mas para visitar

CP en Twitter

CentroPublicoMX Excelente iniciativa propuesta por @diegoluna_ @eldiadespuesmx La suscribimos y recapacitemos sobre el futuro de… https://t.co/NbCPrb8nS8
CentroPublicoMX RT @F_Carabajal: Gracias @CentroPublicoMX por recomendar texto y exposición. Les mando un abrazo. https://t.co/4zb3K1LqFg
CentroPublicoMX Texto obligado de ⁦@AldonzaS⁩ sobre Fernando Carabajal - ⁦@F_Carabajal⁩ - y sus #CaballoCebras. Tampoco se pueden… https://t.co/L0PRMSC4hx
CentroPublicoMX RT @WorIdCupFC: Mexico fans have invaded Russia 🙌🏼🇲🇽🔥 https://t.co/c1kmPaLnQw
CentroPublicoMX RT @elpais_america: El 'no mames' más famoso en #Rusia2018. @vernemexico habló con ella. Aquí la historia https://t.co/dnXvrwcvIi https://t…