Fue una IA la que lo vio venir por primera vez, o eso dice la historia. El 30 de diciembre, una compañía de inteligencia artificial llamada BlueDot, que utiliza el aprendizaje automático para monitorear brotes de enfermedades infecciosas en todo el mundo, alertó a los clientes, incluidos varios gobiernos, hospitales y empresas, sobre un aumento inusual en los casos de neumonía en Wuhan, China. Pasarían otros nueve días antes de que la Organización Mundial de la Salud señalara oficialmente lo que todos conocemos como Covid-19.
BlueDot no estaba solo. Un servicio automatizado llamado HealthMap en el Boston Children's Hospital también detectó esos primeros signos. Al igual que un modelo dirigido por Metabiota, con sede en San Francisco. Que la IA pueda detectar un brote en el otro lado del mundo es bastante sorprendente, y las advertencias tempranas salvan vidas.
Puedes leer todos nuestros cobertura del brote de coronavirus / Covid-19 gratis, y también regístrate en nuestro boletín de coronavirus. Pero por favor considera suscribirte para apoyar nuestro periodismo sin fines de lucro.
Pero, ¿cuánto ha ayudado realmente la IA para abordar el brote actual? Esa es una pregunta difícil de responder. Las empresas como BlueDot suelen tener dudas acerca de a quién proporcionan información y cómo se utiliza. Y equipos humanos dicen que vieron el brote el mismo día que las IA. Otros proyectos en los que la IA se está explorando como una herramienta de diagnóstico o se utiliza para ayudar a encontrar una vacuna todavía están en sus etapas iniciales. Incluso si tienen éxito, llevará tiempo, posiblemente meses, poner esas innovaciones en manos de los trabajadores de la salud que las necesitan.
El bombo supera a la realidad. De hecho, la narrativa que ha aparecido en muchos informes de noticias y comunicados de prensa sin aliento (que la IA es una nueva arma poderosa contra las enfermedades) es solo en parte cierta y corre el riesgo de volverse contraproducente. Por ejemplo, demasiada confianza en las capacidades de AI podría conducir a decisiones mal informadas que canalizan dinero público a compañías de IA no probadas a expensas de intervenciones comprobadas como programas de drogas. También es malo para el campo en sí: las expectativas exageradas pero decepcionadas han provocado un colapso del interés en la inteligencia artificial y la consiguiente pérdida de fondos, más de una vez en el pasado.
Así que aquí hay una comprobación de la realidad: la IA no nos salvará del coronavirus, ciertamente esta vez no. Pero hay muchas posibilidades de que juegue un papel más importante en futuras epidemias, si hacemos algunos cambios importantes. La mayoría no será fácil. Algunos no nos van a gustar.
Hay tres áreas principales en las que la IA podría ayudar: predicción, diagnóstico y tratamiento.
Predicción
Empresas como BlueDot y Metabiota utilizan una variedad de algoritmos de procesamiento de lenguaje natural (PNL) para monitorear los medios de comunicación e informes oficiales de atención médica en diferentes idiomas en todo el mundo, señalando si mencionan enfermedades de alta prioridad, como el coronavirus o más endémicas. unos, como el VIH o la tuberculosis. Sus herramientas predictivas también pueden recurrir a datos de viajes aéreos para evaluar el riesgo de que los centros de tránsito puedan ver a personas infectadas llegando o saliendo.
Los resultados son razonablemente precisos. Por ejemplo, el último informe público de Metabiota, el 25 de febrero, predijo que el 3 de marzo habría 127,000 casos acumulativos en todo el mundo. Superó en alrededor de 30,000, pero Mark Gallivan, director de ciencia de datos de la empresa, dice que esto todavía está dentro del margen de error. También enumeró los países con mayor probabilidad de reportar nuevos casos, incluidos China, Italia, Irán y los EE. UU. De nuevo: no está mal.
El trabajo de estas empresas es ciertamente impresionante. Y muestra hasta qué punto el aprendizaje automático ha avanzado en los últimos años. Hace unos años, Google trató de predecir brotes con su desafortunado rastreador de gripe, que se archivó en 2013 cuando no pudo predecir el pico de gripe de ese año. ¿Qué cambió? Se trata principalmente de la capacidad del último software para escuchar en una gama mucho más amplia de fuentes.
El aprendizaje automático no supervisado también es clave. Permitir que una IA identifique sus propios patrones en el ruido, en lugar de entrenarla en ejemplos preseleccionados, resalta cosas que quizás no haya pensado buscar. "Cuando haces predicciones, estás buscando un nuevo comportamiento", dice el CEO de Stratifyd, Derek Wang.
¿Pero qué haces con estas predicciones? La predicción inicial de BlueDot identificó correctamente un puñado de ciudades en el camino del virus. Esto podría haber permitido a las autoridades prepararse, alertar a los hospitales y establecer medidas de contención. Pero a medida que crece la escala de la epidemia, las predicciones se vuelven menos específicas. La advertencia de Metabiota de que ciertos países se verían afectados la semana siguiente podría haber sido correcta, pero es difícil saber qué hacer con esa información.
Lo que es más, todos estos enfoques serán menos precisos a medida que avance la epidemia, en gran parte porque los datos confiables del tipo que necesita la IA para alimentarse han sido difíciles de obtener sobre Covid-19. Fuentes de noticias e informes oficiales ofrecen cuentas inconsistentes. Ha habido confusión sobre los síntomas y la forma en que el virus pasa entre las personas. Los medios pueden jugar cosas; las autoridades pueden minimizar las cosas. Y predecir dónde se puede propagar una enfermedad desde cientos de sitios en docenas de países es una tarea mucho más desalentadora que hacer una llamada sobre dónde podría propagarse un brote en sus primeros días. "El ruido siempre es enemigo de los algoritmos de aprendizaje automático", dice Wang. De hecho, Gallivan reconoce que las predicciones diarias de Metabiota fueron más fáciles de hacer en las primeras dos semanas más o menos.
Uno de los mayores obstáculos es la falta de pruebas de diagnóstico, dice Gallivan. "Idealmente, tendríamos una prueba para detectar el nuevo coronavirus de inmediato y evaluar a todos al menos una vez al día", dice. Tampoco sabemos realmente qué comportamientos están adoptando las personas, quién está trabajando desde casa, quién está en cuarentena, quién se lava las manos o no, o qué efecto podría tener. Si desea predecir lo que sucederá después, necesita una imagen precisa de lo que está sucediendo en este momento.
Tampoco está claro qué sucede dentro de los hospitales. Ahmer Inam en Pactera Edge, una consultora de datos e inteligencia artificial, dice que las herramientas de predicción serían mucho mejores si los datos de salud pública no estuvieran encerrados dentro de las agencias gubernamentales como lo están en muchos países, incluido Estados Unidos. Esto significa que una IA debe apoyarse más en los datos fácilmente disponibles, como las noticias en línea. "Para cuando los medios de comunicación se den cuenta de una condición médica potencialmente nueva, ya es demasiado tarde", dice.
Pero si la IA necesita muchos más datos de fuentes confiables para ser útiles en esta área, las estrategias para obtenerla pueden ser controvertidas. Varias personas con las que hablé destacaron esta incómoda compensación: para obtener mejores predicciones del aprendizaje automático, necesitamos compartir más datos personales con empresas y gobiernos.
Darren Schulte, MD y CEO de Apixio, que ha creado una IA para extraer información de los registros de los pacientes, cree que los registros médicos de todo Estados Unidos deberían abrirse para el análisis de datos. Esto podría permitir que una IA identifique automáticamente a las personas con mayor riesgo de Covid-19 debido a una afección subyacente. Los recursos podrían centrarse en aquellas personas que más los necesitan. La tecnología para leer registros de pacientes y extraer información que salva vidas existe, dice Schulte. El problema es que estos registros se dividen en múltiples bases de datos y son administrados por diferentes servicios de salud, lo que los hace más difíciles de analizar. "Me gustaría colocar mi IA en este gran océano de datos", dice. "Pero nuestros datos se encuentran en pequeños lagos, no en un gran océano".
Los datos de salud también deben compartirse entre los países, dice Inam: "Los virus no operan dentro de los límites de las fronteras geopolíticas". Cree que los países deberían verse obligados por acuerdo internacional a publicar datos en tiempo real sobre diagnósticos y admisiones hospitalarias, que luego podrían incorporarse a modelos de pandemia de aprendizaje automático a escala global.
Por supuesto, esto puede ser una ilusión. Diferentes partes del mundo tienen diferentes regulaciones de privacidad para los datos médicos. Y muchos de nosotros ya no queremos que nuestros datos sean accesibles a terceros. Las nuevas técnicas de procesamiento de datos, como la privacidad diferencial y la capacitación sobre datos sintéticos en lugar de datos reales, podrían ofrecer una solución a este debate. Pero esta tecnología aún se está perfeccionando. Encontrar un acuerdo sobre las normas internacionales llevará aún más tiempo.
Por ahora, debemos aprovechar al máximo los datos que tenemos. La respuesta de Wang es asegurarse de que los humanos estén cerca para interpretar qué modelos de aprendizaje automático escupen, asegurándose de descartar las predicciones que no suenan verdaderas. "Si uno es demasiado optimista o depende de un modelo predictivo totalmente autónomo, resultará problemático", dice. Las IA pueden encontrar señales ocultas en los datos, pero los humanos deben conectar los puntos.
Diagnostico temprano
Además de predecir el curso de una epidemia, muchos esperan que la IA ayude a identificar a las personas infectadas. AI tiene un historial probado aquí. Los modelos de aprendizaje automático para examinar imágenes médicas pueden detectar signos tempranos de enfermedades que los médicos humanos pasan por alto, desde enfermedades oculares hasta afecciones cardíacas o cáncer. Pero estos modelos generalmente requieren muchos datos para aprender.
Un puñado de documentos de preimpresión se han publicado en línea en las últimas semanas, lo que sugiere que el aprendizaje automático puede diagnosticar Covid-19 de tomografías computarizadas de tejido pulmonar si está entrenado para detectar signos reveladores de la enfermedad en las imágenes. Alexander Selvikvåg Lundervold, de la Universidad de Ciencias Aplicadas de Noruega Occidental en Bergen, Noruega, experto en aprendizaje automático e imágenes médicas, dice que debemos esperar que la IA pueda detectar signos de Covid-19 en pacientes eventualmente. Pero no está claro si la imagen es el camino a seguir. Por un lado, los signos físicos de la enfermedad pueden no aparecer en las exploraciones hasta algún tiempo después de la infección, por lo que no es muy útil como diagnóstico temprano.
Además, dado que hasta el momento hay pocos datos de capacitación disponibles, es difícil evaluar la precisión de los enfoques publicados en línea. La mayoría de los sistemas de reconocimiento de imágenes, incluidos los capacitados en imágenes médicas, están adaptados de los modelos capacitados por primera vez en ImageNet, un conjunto de datos ampliamente utilizado que abarca millones de imágenes cotidianas. "Para clasificar algo simple que está cerca de los datos de ImageNet, como las imágenes de perros y gatos, se puede hacer con muy poca información", dice Lundervold. "Hallazgos sutiles en imágenes médicas, no tanto".
Eso no quiere decir que no sucederá, y las herramientas de IA podrían construirse potencialmente para detectar las primeras etapas de la enfermedad en brotes futuros. Pero deberíamos ser escépticos sobre muchas de las afirmaciones de los médicos de IA que diagnostican Covid-19 hoy. Nuevamente, compartir más datos del paciente ayudará, y también lo harán las técnicas de aprendizaje automático que permiten entrenar modelos incluso cuando hay pocos datos disponibles. Por ejemplo, el aprendizaje de pocos disparos, donde una IA puede aprender patrones de solo unos pocos resultados, y el aprendizaje de transferencia, donde una IA ya entrenada para hacer una cosa puede adaptarse rápidamente para hacer algo similar, son avances prometedores, pero aún funcionan en progreso.
Cura todo
Los datos también son esenciales para que la IA ayude a desarrollar tratamientos para la enfermedad. Una técnica para identificar posibles candidatos a fármacos es utilizar algoritmos de diseño generativo, que producen una gran cantidad de resultados potenciales y luego examinarlos para resaltar aquellos que vale la pena observar más de cerca. Esta técnica se puede utilizar para buscar rápidamente a través de millones de estructuras biológicas o moleculares, por ejemplo.
SRI International está colaborando en una herramienta de IA de este tipo, que utiliza el aprendizaje profundo para generar muchos nuevos fármacos candidatos que los científicos pueden evaluar para determinar su eficacia. Esto cambia las reglas del juego para el descubrimiento de drogas, pero aún pueden pasar muchos meses antes de que un candidato prometedor se convierta en un tratamiento viable.
En teoría, las IA también podrían usarse para predecir la evolución del coronavirus. Inam imagina ejecutar algoritmos de aprendizaje sin supervisión para simular todas las posibles rutas de evolución. Luego, podría agregar posibles vacunas a la mezcla y ver si los virus mutan para desarrollar resistencia. "Esto permitirá a los virólogos estar unos pasos por delante de los virus y crear vacunas en caso de que ocurra alguna de estas mutaciones del fin del mundo", dice.
Es una posibilidad emocionante, pero remota. Todavía no tenemos suficiente información sobre cómo muta el virus para poder simularlo esta vez.
Mientras tanto, la barrera final puede ser la gente a cargo. "Lo que más me gustaría cambiar es la relación entre los encargados de formular políticas y la IA", dice Wang. La IA no podrá predecir brotes de enfermedades por sí misma, sin importar la cantidad de datos que obtenga. Hacer que los líderes del gobierno, las empresas y la atención médica confíen en estas herramientas cambiará fundamentalmente la rapidez con la que podemos reaccionar ante los brotes de enfermedades, dice. Pero esa confianza debe provenir de una visión realista de lo que la IA puede y no puede hacer ahora, y lo que podría mejorarla la próxima vez.
Aprovechar al máximo la IA requerirá muchos datos, tiempo y coordinación inteligente entre muchas personas diferentes. Todos los cuales son escasos en este momento.
