Si pudiéramos destilar los objetivos universales de las ciencias médicas, podríamos concluir en que son tres: diagnosticar, establecer un pronóstico y tratar.

El peso relativo de cada una de ellos es distinto para el paciente y para el médico. Probablemente la pregunta con la que titulé esta carta sea la más importante para el paciente. Sin embargo, es la que menos desarrollo técnico científico ha tenido.

En la práctica cotidiana utilizamos herramientas pronósticas de forma asidua y hasta dogmática; incluso, muchas veces, tratamos de utilizar scores generados para predecir un evento X en una población y extrapolarlos para un evento Y en otra. (1) La mayoría de estas herramientas tienen áreas bajo la curva ROC de entre 0,60 y 0,85. (2,3) Si ofreciéramos a alguien estas herramientas para detectar transacciones bancarias fraudulentas, rápidamente nos daría la mano en saludo y nos mostraría la salida.

Este bajo rendimiento en la capacidad predictiva actual no solo se debe a múltiples limitantes y dificultades relacionadas con el manejo de datos en el campo de la salud, sino también a las herramientas hasta ahora utilizadas. En el trabajo titulado Capacidad predictiva de eventos en pacientes con hipertensión arterial mediante el análisis de redes neuronales artificiales del monitoreo ambulatorio de presión arterial en comparación con la estratificación de riesgo clínica, Di Gennaro y cols. desarrollaron un modelo de red neuronal sencillo que tiene la capacidad de predecir qué le pasará a nuestro paciente con mayor precisión. (4)

Más allá de las limitaciones reconocidas por los autores, hay que destacar lo que este trabajo representa, la introducción de herramientas de inteligencia artificial (IA) al ejercicio clínico. La integración de la IA en medicina cambiará nuestra práctica en formas que no podemos vislumbrar todavía. Integrando múltiples variables, creando algunas que no conocíamos o relacionando hechos que se escapan al análisis humano, podremos ofrecer una medicina de precisión. (5)

Pero no todo lo que brilla es oro. Por ejemplo, las redes neuronales tienden al overfitting (sobreajuste), es decir que tienen una gran validez interna, pero a la hora de ser validados en cohortes externas su capacidad puede caer significativamente.

En conclusión, este trabajo representa una de las primeras instancias de uso de herramientas de IA en medicina a nivel nacional y, salvando sus limitaciones de diseño, nos da una pequeñísima muestra de lo que esta integración podría representar y nos insta a seguir investigando en este campo.