¿Podemos crear un mundo sin enfermedades?

¿Es posible tener un mundo libre de enfermedades? Enfermedad es una palabra que la mayoría de las personas (si no todas) se sienten incómodas al escuchar cuando ellos o alguien que conocen tiene una. Afortunadamente, Max Welling, profesor de aprendizaje automático en la Universidad de Ámsterdam y miembro del Instituto Canadiense de Investigación Avanzada, y su equipo de emprendedores han creado un sistema de análisis de datos para el diagnóstico de enfermedades de los pacientes. Dato curioso: dirige AMLAB (Amsterdam Machine Learning LAB) y codirige QUVA Lab (Qualcomm-UvA Lab). Aquí veremos cómo este hombre maravilloso y su equipo de empresarios (Cynthia Dwork, Geoffrey Hinton y Judea Pearl) lograron avances increíbles para librar al mundo de las enfermedades.

Las preocupaciones de Max Welling

Algunos de los hechos que señala Welling durante su charla TEDx llaman la atención sobre el hecho de que hay momentos en que un médico puede pasar por alto algo durante el diagnóstico de un paciente. Por ejemplo, dice que “la mitad de los procedimientos médicos no tienen evidencia científica solicitada”. Ese diagnóstico se realiza principalmente a través de su propia práctica y el conocimiento adquirido en la escuela, mientras que Max dice que debería haber alguna forma de pronóstico analítico hacia otras posibles enfermedades. Continúa explicando que algunos pacientes pueden ser mal diagnosticados y terminar nuevamente en el hospital, en lo que especifica que tienen 8 veces más probabilidades de morir. Lo más intrigante es que este es un problema que siempre ha existido. La razón es tan simple como que es probable que se cometan errores que, lamentablemente, podrían costarle la vida a una o varias personas. No solo eso, como dice Welling, hay 230 millones de procedimientos médicos cada año que cuestan medio billón de dólares. Como cualquier industria que intenta brindar un servicio para ayudar a otros, cuesta dinero; además, eso significa que los hospitales y los encargados de financiar los centros médicos deben escuchar a los innovadores que intentan impulsar la industria en una mejor dirección. Sin embargo, ser frugal siempre es beneficioso.

Preservando la privacidad

Welling declaró que él y su equipo han logrado 3 avances. Uno de los cuales es una computadora que puede preservar la privacidad dentro de un hospital; además, las computadoras también pueden analizar una gran cantidad de datos para mejorar aún más el diagnóstico de los pacientes que están muy enfermos. Este software se llama Aprendiz de máquina. Esencialmente, la computadora envía una consulta a la base de datos del hospital, que responde a la consulta y luego el aprendiz automático cambiará la respuesta "agregándole algo de ruido". Para más detalles por favor haga clic aquí (Max Welling lo explica más de cerca entre los minutos 5:20 y 6:06). En otras palabras, como lo explica Max, la computadora quiere "mejorarse a sí misma" a través del diagnóstico y "construir un mejor modelo de datos". Todo esto es gracias a Cynthia Dwork, quien es un distinguido científico de Microsoft Research. Ella se enfoca en preservar la privacidad basada en una base matemática. Para obtener más información sobre ella y lo que ha hecho, haga clic aquí. En resumen, este primer avance no solo muestra que Max quiere ser respetuoso con la información personal de los pacientes, sino que también quiere proporcionar a los hospitales una base más sólida para el diagnóstico.

Aprendizaje profundo

El segundo avance fue sacado a la luz por Geoffrey Hinton. Yann Lecun, Yoshua Bengio y Geoffrey han explicado que: "El aprendizaje profundo descubre estructuras intrincadas en grandes conjuntos de datos mediante el uso del algoritmo de retropropagación para indicar cómo una máquina debe cambiar sus parámetros internos que se utilizan para calcular la representación en cada capa a partir de la representación en la capa anterior". En términos simples, ayuda a que una máquina se comprenda mejor a sí misma a través de sus capas complejas a través de sus parámetros más profundos (para obtener más detalles, lea el resto de la revisión que escribieron los tres caballeros).

Causalidad vs Correlación

El tercer y último avance es más una idea colaborativa para diferenciar aún más la causalidad de la correlación. Max siente que las herramientas de Judea Pearl pueden ayudar a distinguir estos dos conceptos y organizarse. Esencialmente, el papel de Judea es ayudar a dar más estructura a los datos, lo que se puede hacer si los archivos de los pacientes se transfieren digitalmente a una base de datos. El trabajo de Pearl es bastante complejo, por lo que si desea comprender mejor cuáles son sus "herramientas" haga clic aquí.

el deseo de max

Welling resumió al final de su Charla TEDX que quiere preservar la privacidad a través del aprendizaje automático. En segundo lugar, involucrar a los menores de edad y a los científicos para mejorar aún más el diagnóstico y salvar vidas y dinero. Por último, quiere revolucionar la atención médica brindando un mejor servicio a hospitales, médicos y pacientes a través de tecnología que pueda ayudar a acortar las visitas al hospital y utilizar el dinero de manera más eficiente. Esta es una hermosa visión sobre el cuidado de la salud porque no solo quiere ser respetuoso con la industria médica, sino que también quiere ayudar a salvar vidas mientras piensa en los presupuestos de los hospitales y centros médicos.