Los psiquiatras andan pregonando que la esquizofrenia no tiene cura, tal vez porque la psiquiatría convencional no ha podido explicar las verdaderas causas de este intrincado síndrome. Asimismo, tanto ellos como los magnates farmacéuticos viven soñando con una fórmula universal que beneficiará a todos por igual, cuando lo que en realidad se necesita es una terapia para un cuadro clínico muy particular (atributos). Como los atributos entre un paciente y otro son diferentes, uno esperaría que la fórmula casi nunca fuera la misma; pero el sistema dominante de salud mental no funciona así. Los psiquiatras recetan prácticamente lo mismo a todos sus pacientes, y de esa manera jamás podrán curar a uno solo de ellos.

Psiquiatría de precisión: experimentando con datos, no con personas

Nadie se va a curar de esquizofrenia con haloperidol, olanzapina, aripiprazol, clozapina o cualesquier otro antipsicótico que haya sido concebido para lidiar con las causas de este trastorno, por la sencilla razón de que la etiología de la esquizofrenia sigue siendo un misterio incluso para los mismos laboratorios farmacéuticos. Consulte las fichas técnicas de los antipsicóticos y fíjese como en la mayoría de ellas a la letra dice: «se desconoce el mecanismo de acción exacto«. Si los mismos creadores del fármaco no saben con exactitud cómo trabaja su psicotrópico, qué se puede esperar del psiquiatra que lo está recetando. Y cuando no se conoce el mecanismo de acción de un medicamento, la única forma de saber si una determinada sustancia le va a funcionar a un enfermo, es experimentando con él. Así que no le extrañe que su psiquiatra le cambie un fármaco tras otro hasta que alguno le de resultado. El problema de estar experimentando con personas, es que usted tendrá que estar soportando los efectos secundarios de cada uno de los medicamentos prescritos hasta ese momento, en tanto el psiquiatra no de con el antipsicótico apropiado. Afortunadamente ya existe una alternativa que permite no solo personalizar las terapias, sino generar recetas compuestas de sustancias naturales como las vitaminas, los minerales, los aminoácidos, los ácidos grasos esenciales y las plantas medicinales.

Esa alternativa se conoce como psiquiatría de precisión. La ventaja de esta nueva tecnología es que la experimentación no se lleva a cabo ni con animales ni con personas, sino con los datos de las personas, que no es lo mismo. A continuación expongo un caso de estudio que ilustra muy bien cómo es que aun obviando la etiología de la esquizofrenia, este tipo de psiquiatría alternativa promete curar a un paciente en particular.

El caso de Esperanza

Lo que aquí le voy a contar corresponde a un caso real de una paciente que habiendo probado ya un buen número de terapias basadas en psicotrópicos, decidió recurrir a la psiquiatría de precisión. Se trata de una mujer mexicana de 37 años a quien llamaré Esperanza para estar a tono con el título de la presente publicación (ese no es su verdadero nombre y cualquier semejanza con alguna persona en especial, es mera coincidencia).
Al término de su primera consulta, Esperanza salió de nuestro consultorio con una receta que de acuerdo con Pfeiffer y Walsh [1]-[2], correspondería a un diagnóstico de histapenia. Y aunque sus síntomas mejoraron mucho por tratarse efectivamente de un caso de hipermetilación, durante la segunda consulta manifestó estar experimentando un cansancio muy severo, por lo que decidimos realizar ajustes a su terapia inicial.

Si usted revisa los malestares asociados a los fenotipos definidos en las fuentes citadas, va a tener dificultades para encasillar al cansancio crónico en alguno de los síndromes que suelen asociarse a una histapenia, una histadelia o una piroluria. El cansancio es un malestar que acaso podría deberse a una deficiencia tiroidea, tal y como lo apuntamos tanto en nuestra publicación del 7 de noviembre de 2017 («Identificando el fenotipo de esquizofrenia: un paso más hacia la curación«), como en la del 23 de julio de 2018: «Hipotiroidismo: el fenotipo de la esquizofrenia ignorado por la psiquiatría«.

Pero los análisis de Esperanza y sus demás síntomas no revelaron la existencia de un hipotiroidismo, y como la fatiga podía deberse a múltiples causas, decidimos recurrir a la psiquiatría de precisión.
Cuando no se conoce con exactitud el origen de uno o más síntomas, es preferible estudiar los casos de éxito que tuvieron lugar en el pasado, a fin de encontrar similitudes entre éstos y el caso por resolver.
Entender el síndrome propio de una esquizofrenia es una tarea harto difícil, porque las teorías que intentan explicarla no están suficientemente probadas. No obstante, disponiendo de un laboratorio virtual, se pueden realizar varios experimentos hasta encontrar la terapia ideal.

El descubrimiento de una terapia inteligente no surge de la experimentación con personas o animales de laboratorio, sino de una serie de ensayos sobre los datos de los pacientes. El científico de datos captura la sintomatología, los resultados de las pruebas de laboratorio y demás rasgos de un paciente, para que posteriormente una máquina compare toda esa información con las características de cada uno de los casos de éxito registrados hasta ese momento.

Mediante un aprendizaje de máquina, la computadora divide a toda la población de pacientes en varios grupos (clusters), de acuerdo con las similitudes que encuentra en las características de los casos. En la imagen adjunta por ejemplo (pulse sobre ésta para agrandarla), estoy mostrando los tres grupos que desplegó nuestra herramienta de minería de datos, al segmentar (clustering) los casos de éxito registrados hasta el momento.  Note cómo en el renglón que corresponde al cansancio, la mayoría de los pacientes del grupo cero (cluster #0) declaró no estar experimentando ese síntoma (una N en éste y otros campos significa la ausencia del malestar. Una S implica la presencia del mismo).

A continuación explico cómo obtuve una terapia inteligente a partir de los datos que me proporcionó la paciente durante su segunda consulta.

¿Una falsa esperanza? No, una verdadera terapia para Esperanza

Al integrar el cuadro clínico de Esperanza al conjunto de datos mostrados en la captura de pantalla anterior, la máquina clasificó su caso en el grupo 0, según se infiere de la imagen que aparece a la derecha. Y es en esta parte del proceso de extracción de conocimiento (KDD) en donde el dominio de la especialidad, la experiencia y el criterio del analista juegan un papel crucial en la selección de la mejor terapia para éste o cualquier otro paciente. Aunque la edad, el sexo y el diagnóstico en el grupo cero eran muy parecidos a los de la lista de atributos de Esperanza, los síntomas cansancio y escucha_voces no coincidían con los de nuestra paciente, pues ambos estaban presentes en su lista pero no en la del grupo cero (pulse sobre la imagen que sigue y agrándela para ver las diferencias).

Es por eso que segmenté aun más los casos para ver si la máquina era capaz de encontrar un grupo de pacientes que experimentaran cansancio, escucharan voces y cuyos demás atributos coincidieran en su mayor parte con los de la protagonista de nuestro caso de estudio.
El objetivo aquí era identificar el grupo con los casos más parecidos al de ella, dándole la debida importancia al cansancio y la escucha de voces. Una máquina no sabe nada de diagnósticos médicos y no está enterada de lo preocupada que está Esperanza por su sensación de cansancio crónico. Como especialista en informática biomédica, consideré muy pertinente realizar un número suficiente de experimentos hasta encontrar un grupo de pacientes que además de tener atributos muy parecidos a los de Esperanza, hubieran escuchado voces y experimentado cansancio  (cansancio=S y escucha_voces=S).
Después de experimentar con varios números de segmentos, la máquina finalmente me mostró un grupo de pacientes que en el pasado habían presentado esos dos síntomas a la vez. Ese grupo resultó ser el número 8 (pulse sobre la imagen de la derecha para ver los detalles).
Lo mejor de todo fue que el caso de Esperanza había sido clasificado por la máquina dentro de ese mismo grupo, y aunque las edades en ambos vectores de atributos no eran iguales, la importancia de los demás atributos superó de tal manera mis expectativas, que eso bastó para que me declinara yo por esa terapia que en algún momento sirvió para que el grupo de pacientes #8 se aliviara. No hay que olvidar que cada grupo de atributos constituye un centroide.

El centroide es un vector (lista) de atributos que refleja la tendencia central de cada uno de sus valores. Así por ejemplo, el centroide correspondiente a la columna 8 en la imagen inmediata anterior, contiene un atributo denominado edad, cuyo valor es 28.3333. Aunque esta cifra no coincide con la edad de Esperanza (37), es el valor promedio de las edades de los pacientes del grupo 8. Los valores más próximos a esa edad, los calculó la herramienta de software considerando la distancia euclidiana entre todas las edades (incluida la de Esperanza) y ese valor promedio. Dado que la proximidad entre casos la determina dicha distancia euclidiana, era seguro que el caso de Esperanza tenía una gran similitud con los casos que fueron clasificados dentro de su grupo, a pesar de no coincidir en todos sus atributos (si lo hicieran, serían idénticos).

En la imagen adjunta muestro lo que el software de minería de datos desplegó, después de recorrer en orden descendente, tanto el vector de atributos de Esperanza como el del centroide asociado al grupo 8. Note cómo la máquina aprendió lo que se les administró a los pacientes del grupo 8 para que se aliviaran. En su momento, cada uno de esos casos se convirtió en uno de éxito, una vez que los médicos a cargo pudieron descubrir las causas que ocasionaron el trastorno.
A sabiendas de que todos los cuadros clínicos pertenecientes a ese grupo son muy similares, no nos cabe la menor duda de que Esperanza se puede aliviar con la terapia que la máquina sugirió en este desplegado.

La inteligencia artificial implícita en los casos resueltos

La terapia así obtenida no es producto de una superchería, como podrían argumentar los detractores de la medicina alternativa. Lo que hasta ahora hemos hecho, no ha sido otra cosa que extraer el conocimiento implícito en ese conjunto de casos que alguna vez fueron resueltos por un buen número de médicos expertos. Y como lo que aquí estamos proponiendo tiene muy poco que ver con el por qué se alivió cierto grupo de pacientes, y mucho que ver con lo que se empleó para conseguir su alivio, es por eso que hemos de terminar analizando las tendencias de los datos asociados a esos casos de éxito.

El análisis de tendencias en los datos es a la inteligencia artificial, como la contemplación es a la inteligencia del ser humano. La contemplación la podemos concebir como la observación atenta y detenida de una realidad, y si por realidad entendemos un conjunto de hechos y no de conjeturas, teorías o hipótesis, entonces todo lo que haya sucedido en el pasado es un hecho, y por lo tanto una realidad. Los casos de éxito pertenecen al pasado, y es en ese pasado en donde encontramos evidencias de que las cosas sucedieron de una u otra manera, toda vez que los datos no hayan sido manipulados de conformidad con los intereses de un grupo de poder.

Las evidencias se pueden registrar y guardar en un archivo que a la postre se podrá utilizar para compararlas con los casos que en un futuro se tendrán que resolver. En el caso concreto de la medicina, pudo haber sucedido que un paciente P con los rasgos r1, r2, r3… rm y los síntomas x1, x2, x3 … xn, se curó de la enfermedad E por haber recibido una dosis D de cierta sustancia S durante un tiempo T. Ese conjunto de datos almacenados en un registro dentro de un archivo electrónico constituye una evidencia, que en el contexto de esta publicación viene a ser un caso de éxito. A la lista de atributos (P, r1, r2, r3… rm, x1, x2, x3… xn, E, D, S, T) se le llama formalmente vector de atributos.

Ahora bien, una realidad puede estar representada por un número menor de atributos, dependiendo de qué tan relevantes sean los mismos, en términos de su correlación con las variables que se desea estimar. La minería de datos nos permite encontrar un conjunto reducido de atributos que se sabe representan mejor una realidad, por ser los más relevantes. En el caso de nuestro paciente P por ejemplo, ese vector de atributos relevantes podría ser (P, r2, r6, x3, xn). A ese subconjunto de atributos se le llama proxy y suele usarse para estimar los valores de las variables que dependen de él y que reciben el nombre de variables de salida.

Las variables de salida (llamadas también variables dependientes) corresponden a las dosis de todos los suplementos a recetar, así como a los meses que se estima durará la terapia, que en este caso de estudio se espera que sean cinco.
La máquina usa su inteligencia artificial para estimar las variables de salida, en función de las tendencias que encuentra en el registro histórico de evidencias. Como dijimos anteriormente, hay una medida que se usa para calcular la tendencia de cada uno de los atributos.

Así, la tendencia central de la variable de salida niacina fue estimada en el caso de Esperanza en 3,148.2639 mg (esta dosis desde luego podría no ser la más apropiada para usted). Asimismo, la tendencia del folato fue de 3,902.6157 mcg, la de la vitamina D3 resultó ser de 3,031.7708 UI y la del cromo de 523.1481 mcg, tan solo para ilustrar el proceso con otros tres ejemplos. Una vez homologadas las dosis diarias, la vitamina B6 se estableció en 150 mg, la B12 en 2,000 mcg, el ácido ascórbico en 4,000 mg, el zinc en 40 mg y los omega 3 quedaron en 1,500 mg (EPA+DHA). ¿Puede usted intuir por qué se le ha llamado a esta tecnología psiquiatría de precisión, y por qué se dice que es una medicina alternativa basada en evidencias?

La tendencia de Esperanza a la diabetes: extrayendo conocimiento a partir de los datos

¿Y cómo supo la máquina que Esperanza es propensa a la diabetes?
Eso es algo que la máquina no puede inferir por sí sola, y es aquí donde el capital humano marca la diferencia a la hora de confeccionar la versión final de la receta inteligente. De manera análoga a como la máquina calcula sus tendencias, el ser humano debe contemplar esas tendencias para inferir conocimiento a partir de los datos de los pacientes.

La máquina únicamente está detectando una deficiencia de cromo en el organismo de Esperanza, basándose en la tendencia central de ese suplemento; pero es el ser humano quien debe interpretar correctamente esa deficiencia. Y lo que pude interpretar en relación al valor que la máquina estaba recomendando para el cromo, se debió a que tiempo atrás, mucho antes de realizar un estudio para otra paciente a quien llamé Estelita para no revelar su verdadera identidad, ya había yo aprendido todo lo relacionado con la resistencia a la insulina y las complicaciones que trae consigo la diabetes.

En el informe de dicho estudio apunté que «el cromo es el mineral que está más implicado en la producción de insulina» y por ende, en cualquiera de las morbilidades que a menudo acompañan a la diabetes.
Durante la que fue su primera consulta, Esperanza me facilitó los resultados de una química sanguínea que revelaba una insulinorresistencia (el resultado de dividir el nivel de sus triglicéridos entre su colesterol HDL fue mayor a 3. Si lo desea puede pulsar sobre la imagen adjunta para ver los detalles y calcular el cociente que resulta de esa división). Y si la máquina había sugerido alrededor de 500 mcg de cromo, era porque tenía evidencia de que algunos de los pacientes en el grupo de Esperanza, presentaban niveles altos de glucosa.

Y una vez más, desde la óptica de la psiquiatría de precisión, poco importa si las voces que escucha Esperanza son consecuencia de su hiperglucemia. Lo que sí creo es que esos altos niveles de triglicéridos y de glucosa, son los culpables de su cansancio crónico. Como sea, lo importante es que existe evidencia (casos de éxito) de que el cromo ha beneficiado a varios pacientes con vectores de atributos muy similares a los de ella, en los cuales la insulinorresistenia y/o la diabetes aparecen como comorbilidades en varios casos de esquizofrenia.

¿Y la taurina para qué es?

Este aminoácido también es parte de la terapia inteligente que sugirió la máquina. Curiosamente, hace unos años yo mismo recomendé taurina a una paciente cuyo vector de atributos se encuentra registrado en el archivo de casos de éxito, como evidencia de que la taurina beneficia a algunos pacientes con ansiedad e insomnio. Y si usted revisa nuevamente la imagen en donde aparecen los atributos de Esperanza, va a advertir que ella también declaró estar experimentando ambos malestares. Por otra parte, si bien la tirosina contribuye a aliviar la ansiedad, el insomnio, el cansancio y el sobrepeso (que es el caso de Esperanza),  no conviene prescribirla en casos de esquizofrenia, debido a que tiende a aumentar la dopamina. De todas maneras, 338 mg de tirosina no son propiamente terapéuticos.

Conclusión

No hay una panacea ni para la esquizofrenia ni para cualquier otra enfermedad. Las sustancias o los medicamentos que se receten, deberán adaptarse a los rasgos de cada persona, y no a la inversa. Un ser humano es único e irrepetible, y para curarlo se requiere de una terapia inteligente basada en evidencias, en hechos, en una realidad contemplada tanto por una máquina como por otro ser humano; una realidad plagada de historia y de tendencias que no gusta de conjeturas o de hipótesis que aun habiendo alcanzado el nivel de teorías, todavía no consiguen explicar el por qué de los fenómenos psíquicos.

«La mejor forma de destruir la fe o la esperanza es dejar que se haga realidad«… Roger Zelazny
© Sergio López González. Fundación MicroMédix. 17 de noviembre de 2018

---

¿Quieres que confeccionemos una receta inteligente para ti o tu familiar? Puedes concertar una cita para que registremos los síntomas y los demás datos que necesitamos.

---

RERERENCIAS

[1] Carl C. Pfeiffer, Richard Mailloux and Linda Forsythe. The Schizophrenias: ours to conquer. Bio-Communications Press, 1970.
[2] William J. Walsh. Nutrient Power. Heal your biochemistry and heal your brain. Skyhorse Publishing, 2012.

---