Este post no va a ser técnico ni os va a dar las claves para que ser expertos en Machine Learning, de hecho, si lo escribo es porque tuve la oportunidad de escuchar a Cristóbal Esteban en una charla organizada en el CIBIR de Fundación Rioja Salud y me acerqué para “ponerme al día” sobre inteligencia artificial (IA), machine learning (ML) o cloud computing.
El título de la charla era “¿Qué aporta la inteligencia artificial a la medicina?” y la verdad es que en ocasiones anteriores estas charlas relacionadas con la eSalud/eHealth me habían resultado interesantes e incluso generadoras de ideas y contactos posteriores para escribir en el blog o poder ahondar en un mayor conocimiento.
Pues bueno, la verdad es que el inicio de la charla para un lego en la materia fue algo árido. Y eso que el encargado de la exposición lo hizo apoyándose en una presentación con diapositivas cuyas imágenes, y el discurso con el que las acompañaba, lo hacía mas sencillo de entender.
Ni siquiera me voy a atrever a explicaros conceptos como las redes neuronales, el deep learning, el cluster de computación o términos como perceptron, series convolucionales, diferencias entre CPU o GPU o que es un Petabyte.
Os invito a navegar por internet buscando información sobre esos términos o usar el hashtag #MachineLearning en twitter para llegar a esas fuentes de referencia que os den mejor información.
Me limitaré a decir que el Machine Learning trata de como “hacer aprender” a los ordenadores para conseguir predicciones válidas sobre series de datos o sucesos.
Dicho aprendizaje posibilita que puedan manejar bases de datos amplísimas que a un humano le costaría mucho manejar. De ese manejo extraen conclusiones o predicciones válidas para casos a analizar posteriormente.
Y además al haber “aprendido” sobre como manejar una serie de datos, su conocimiento es extrapolable a otras situaciones o casos parecidos y no necesitan aprender desde cero de nuevo.
¿Pero y que pinta aquí la enfermería?
Hasta aquí el trabajo es muy técnico e implica a ingenieros o informáticos.
¿Que aplicaciones tendrá el machine learning en las ciencias de la salud?
El quid de toda esta cuestión se basa en la recogida sistemática y estructurada de datos.
Y en este apartado Cristobal citó a las enfermeras. Resulta que en la recogida de datos en unidades de cuidados intensivos para poder predecir complicaciones posteriores de los pacientes, importa mucho que los sensores, aparatos y sondas de medición estén bien colocadas y no den datos erróneos. Resulta que las acciones de cuidados de enfermería pueden hacer variar datos de constantes vitales, presión sanguínea, por ejemplo.
Cuando escuchas nombrar a tu profesión por primera vez en una hora y ves que es porque podemos interferir en el aprendizaje correcto de una máquina, pues te quedas de piedra.
Pero lejos de polemizar o interrumpir la exposición para aclarar cuitas, todo ello me llevó a unas reflexiones muy en positivo sobre el futuro de la relación entre la enfermería y el machine learning, que compartiré al final de este texto.
Aterrizando en las aplicaciones concretas del machine learning en medicina se puso el ejemplo del ADN tumoral circulante en sangre.
El manejo masivo de los datos recogidos daría la posibilidad de detectar “las fuentes” y localizaciones del tumor, tanto de manera inicial como en las metástasis.
Para los interesados en poner en marcha un proyecto machine learning hay tres pasos a seguir:
- Valoración inicial de la base de datos a usar
- Prototipo ML a usar.
- Implementación final
Como reflexiones finales a futuro.
El conferenciante estima que el ML llegará a la práctica clínica en un plazo de 5 a 15 años, dependiendo del interés y esfuerzo se realicen en este campo.
Es importante descubrir ya las deficiencias en recogida de los datos.
Se deben guardar todos los datos de forma estructurada, evitando en lo posible el uso de texto libre (aquí se produjo un debate en si debíamos hablar para las máquinas o ellas aprender a interpretar nuestras palabra y observaciones).
Ahora mismo se trabaja con modelos independientes, en el futuro se tiende a un modelo global que ahorre esfuerzos y optimice los resultados a conseguir.
Llegados a este punto, vistas las conclusiones y expectativas, y retomando la parte en la que se mencionó a la enfermería, os pregunto de nuevo ¿Que pinta la enfermería en el machine learning?
Pues teniendo en cuenta que una de las bases de un proyecto bien hecho es la recogida de datos válidos y de manera estructurada, ¿que mejores profesionales que nosotros?
Estamos mas que acostumbrados a hacerlo, además somos los responsables de la buena colocación de muchos sensores y de reflejar con exactitud los datos que se recogen del paciente.
Somos profesionales eficientes que debiéramos formar parte desde la base de los proyectos de machine learning que se pusieran en marcha en nuestros centros, eso si no somos incluso promotores de alguno de ellos.
Seguro que a alguno/a ya se le están ocurriendo ideas, pues nada, ocasión tenéis de comentarlas en este blog y abrir el debate.