Podem crear un món sense malalties?

És possible tenir un món lliure de malalties? Malaltia és una paraula que la majoria (si no totes) de les persones se senten incòmodes per sentir quan ells o algú que coneixen en té una. Afortunadament, Max Welling, professor d'aprenentatge automàtic a la Universitat d'Amsterdam i membre de l'Institut Canadenc d'Investigació Avançada, i el seu equip d'emprenedors han creat un sistema d'anàlisi de dades per al diagnòstic de malalties dels pacients. Dada curiosa: dirigeix ​​AMLAB (Amsterdam Machine Learning LAB) i codirigeix ​​QUVA Lab (Qualcomm-UvA Lab). Aquí veurem com aquest meravellós home i el seu equip d'emprenedors (Cynthia Dwork, Geoffrey Hinton i Judea Pearl) van fer uns avenços increïbles per alliberar el món de les malalties.

Les preocupacions de Max Welling

Alguns dels fets que Welling assenyala durant la seva xerrada TEDx criden l'atenció sobre el fet que hi ha moments en què un metge pot perdre alguna cosa durant el diagnòstic d'un pacient. Per exemple, diu que "la meitat dels procediments mèdics no sol·liciten proves científiques". Aquest diagnòstic es fa principalment a través de la seva pròpia pràctica i coneixements adquirits a l'escola, mentre que Max diu que hi hauria d'haver algun tipus de pronòstic analític cap a altres possibles malalties. Continua explicant que alguns pacients poden ser diagnosticats erròniament i acaben de nou a l'hospital, en el qual especifica que tenen 8 vegades més probabilitats de morir. El més intrigant és que aquest és un tema que sempre ha existit. La raó és tan senzilla com segurament es cometen errors que, malauradament, podrien costar la vida a algú o a diverses persones. No només això, com diu Welling, hi ha 230 milions de procediments mèdics cada any que costen mig bilió de dòlars. Com qualsevol indústria que intenta oferir un servei per ajudar els altres, costa diners; a més, això significa que els hospitals i els encarregats de finançar els centres mèdics han d'escoltar els innovadors que intenten impulsar la indústria en una millor direcció. No obstant això, ser frugal sempre és beneficiós.

Preservant la privadesa

Welling va afirmar que ell i el seu equip han fet 3 avenços. Un dels quals és un ordinador que pot preservar la privadesa dins d'un hospital; a més, els ordinadors també poden analitzar una gran quantitat de dades per millorar encara més el diagnòstic dels pacients que estan força malalts. Aquest programari s'anomena Aprenent automàtic. Essencialment, l'ordinador envia una consulta a la base de dades de l'hospital, que respon a la consulta i després l'aprenent automàtic canviarà la resposta "afegin-hi una mica de soroll". Per a més detalls si us plau clica aquí (Max Welling ho explica més de prop entre els minuts 5:20 i 6:06). En altres paraules, tal com explica Max, l'ordinador vol "millorar-se" mitjançant el diagnòstic i "construir un millor model de dades". Tot això és gràcies a Cynthia Dwork, que és un científic distingit de Microsoft Research. Se centra a preservar la privadesa basant-se en una base matemàtica. Per obtenir més informació sobre ella i el que ha fet, clica aquí. En resum, aquest primer avenç no només demostra que Max vol ser respectuós amb la informació personal dels pacients, sinó que també vol oferir als hospitals una base més sòlida per al diagnòstic.

Aprenentatge profund

El segon avenç va sortir a la llum Geoffrey Hinton. Yann Lecun, Yoshua Bengio i Geoffrey han explicat que: "L'aprenentatge profund descobreix una estructura complexa en grans conjunts de dades mitjançant l'ús de l'algoritme de retropropagació per indicar com una màquina hauria de canviar els seus paràmetres interns que s'utilitzen per calcular la representació de cada capa a partir de la representació de la capa anterior". En termes simples, ajuda a una màquina a entendre's millor a través de les seves complexes capes mitjançant els seus paràmetres més profunds (per a més detalls, llegiu la resta de la revisió que van escriure els tres senyors).

Causalitat vs correlació

El tercer i últim avenç és més una idea col·laborativa per diferenciar encara més la causalitat de la correlació. Max creu que les eines de Judea Pearl poden ajudar a distingir aquests dos conceptes i organitzar-se. Bàsicament, el paper de Judea és ajudar a donar més estructura a les dades que es poden fer si els fitxers dels pacients es transfereixen digitalment a una base de dades. El treball de Pearl és força complex, així que si voleu entendre més quines són les seves "eines". clica aquí.

El desig de Max

Welling va resumir al final del seu Xerrada TEDX que vol preservar la privadesa mitjançant l'aprenent automàtic. En segon lloc, implicar menors de dades i científics per tal de millorar encara més el diagnòstic per estalviar diners i vides. Finalment, vol revolucionar l'atenció sanitària donant un millor servei als hospitals, metges i pacients mitjançant una tecnologia que pot ajudar a escurçar les visites a l'hospital i utilitzar els diners de manera més eficient. Aquesta és una bonica visió de l'assistència sanitària perquè no només vol ser respectuós amb la indústria mèdica, sinó que també vol ajudar a salvar vides pensant en els pressupostos dels hospitals i centres mèdics.