Salud Alternativa

Recetas con Medicina Ortomolecular de Precisión

Biomedicina personalizada: las tendencias de los cuadros clínicos como alternativa al desconocimiento de la etiología

Deja un comentario

Poco después de que Chris Anderson publicara el artículo que marcaría mi vida y la de muchos otros estudiosos del aprendizaje automático y los datos masivos (Big Data), la respuesta de la comunidad científica a las ideas de Anderson no se hizo esperar, dado que la mayoría de los investigadores no estuvieron muy de acuerdo en que el método científico fuera un recurso del que se pudiera prescindir, con motivo del análisis de un gran volumen de datos. Pero lo que esos críticos no advirtieron, es que a falta de una teoría o del conocimiento de la etiología (la causa) del problema, la mejor solución la podemos encontrar no en las correlaciones, sino en las tendencias de ese diluvio de datos.

La obsesión por la causalidad

Uno de los principales objetivos del método científico es conocer de la manera más completa posible, las causas de un fenómeno, es decir, su etiología. Sin embargo, uno de los mayores obstáculos para el avance de la ciencia y la aplicación de la tecnología a nuestros problemas cotidianos, ha sido la obsesión por la causalidad. Quien se empeña en encontrar conexiones causa-efecto en toda situación y a cualquier precio, parecería que está desaprovechando la oportunidad de descubrir tendencias aparentemente inexistentes en los datos históricos registrados (evidencias). El obsesionarse en encontrar la causa de todo efecto observado limita hasta cierto punto, la comprensión inmediata de nuestra realidad, porque la mayoría de las veces un efecto puede deberse a múltiples causas, y no siempre es posible determinar cuál de todas ellas es la responsable del fenómeno observado. Esa es una de las principales razones por las cuales las correlaciones no son capaces de explicar qué causa qué, y mucho menos por qué lo causa. Para que una variable pueda ser considerada la causante de otra, se precisa que exista una diferencia de tiempo al menos infinitesimal, entre la aparición de la primera y la segunda. Pero las correlaciones entre variables acontecen de manera simultánea, de manera que no podemos usar correlaciones para explicar la etiología de las cosas.

La clave entonces está en analizar las tendencias de las variables representativas de esos datos a lo largo del tiempo. Específicamente, nos interesa conocer cómo han sido las cosas en el pasado, para aprovechar esa experiencia y extraer conclusiones útiles en el momento presente, sin importar el origen de todo ello. El obsesionado con la causalidad intenta responder a la pregunta: ¿por qué sucede lo que sucede?

Bob Dylan encontró la respuesta en el viento. La biomedicina personalizada la ha encontrado en el tiempo. Y más que una sola respuesta, lo que demanda esta medicina basada en evidencias, son las respuestas a dos preguntas muy sencillas:
1) ¿Qué es lo que ha sucedido en el pasado? y
2) ¿Qué es lo que ha funcionado en ese pasado?
En el pasado encontramos evidencias de que ciertas personas, con un cuadro clínico muy específico, se aliviaron con un determinado conjunto de nutrientes en dosis terapéuticas.

Esos son los hechos, y como tales, conforman una realidad irrefutable; una realidad que garantiza una buena solución para los casos que ahora, a nosotros, nos toca atender.

¿Tiene que ser necesariamente un torrente de datos (Big Data)?

Si quisiéramos personalizar tratamientos basándonos en el análisis del genoma humano, cosa que ya están haciendo muchos entusiastas de la medicina de precisión en otras partes del mundo, entonces sí que estaríamos hablando de un torrente de datos. Pero nuestra propuesta más bien está encaminada hacia una biomedicina basada en evidencias, no en el genoma humano. Como quiera, la precisión de un tratamiento mejorará a medida que los datos aumenten, tanto en cantidad como en calidad. Así, para que los tratamientos funcionen, las evidencias tendrán que estar representadas por casos de éxito, para los que un determinado conjunto de nutrientes ya demostró beneficiar a un grupo específico de pacientes. Nótese sin embargo que habrá enfermedades para las cuales los casos de éxito no abundarán, y aunque éstos no constituyan precisamente un diluvio, eso no significará que no podamos personalizar tratamientos. No necesitamos contar nuestros datos en petabytes (Big Data) o incluso en megabytes para saber qué puede beneficiar a un paciente, sin preguntarnos por qué lo beneficiará. Hemos personalizado tratamientos con menos de un centenar de casos de éxito con resultados muy satisfactorios.

Si alguna teoría le funciona, aplíquela; si no, explore las evidencias para descubrir sus tendencias

Aunque estoy de acuerdo en que no se puede explicar el origen de una enfermedad (y para el caso, de cualquier otra cosa) a partir de una o más correlaciones, coincido con Anderson en que para resolver un problema en particular, no necesitamos de una teoría que explique a carta cabal el fenómeno objeto de estudio. Quiero pensar que lo que él propone, no es resolver un problema en general, pues ese no es el propósito del aprendizaje de máquina aplicado a los datos masivos. El aprendizaje automático sin supervisión nos puede ayudar a resolver casos muy particulares, uno por uno, y creo que eso es lo que Anderson considera como suficiente [1].

Desde esta óptica, si usted es un partidario del método científico y no ha podido resolver el problema que se planteó, podría contemplar la posibilidad de analizar lo que le dicen las evidencias, los hechos, aun cuando no disponga de una enorme cantidad de datos (Big Data). Así, usted podría dar con una solución práctica, rápida y muy satisfactoria de un problema en particular y abandonar la idea de la solución universal (que le funciona a todos por igual).
Para descubrir no las correlaciones, sino las tendencias que los hechos le van a develar, lo único que necesita es aprender a usar una herramienta como WEKA, o sea, un software de minería de datos para implementar el aprendizaje automático.

La inteligencia artificial aplicada a la biomedicina

En el caso de los trastornos de la personalidad por ejemplo, el hecho de que no conozcamos a ciencia cierta qué es lo que pudo haber originado que un paciente esté experimentando uno de esos males, eso no significa que debamos abandonar el caso. Y suponiendo que llegáramos a conocer la causa de una enfermedad, eso no nos estaría garantizando el haber dado con la solución. Eso fue lo que nos sucedió con Emilio, un paciente con acúfenos a quien tuvimos que decirle “¿Y ahora que ya conocemos lo que ocasionó el problema, qué hacemos?”.
Aun cuando supusimos (teníamos una teoría) que los zumbidos en sus oídos era un efecto secundario causado por los fármacos que su psiquiatra le había recetado, tuvimos de todas maneras que recurrir a la psiquiatría de precisión, porque no teníamos idea de cómo revertir esos efectos farmacológicos. Con decirle que ni los psiquiatras saben cómo hacer eso. Sería espléndido que los que emplearon el “método científico” para desarrollar esas drogas, tuvieran una solución para ello. Ahora bien, tratándose de un cáncer, el desconocimiento de la etiología de esta enfermedad tampoco debería suponer la renuncia a cualquier otra alternativa de sanación. Fue así como encontramos una receta inteligente tanto para un cáncer gástrico como para uno de vejiga, aun cuando no contábamos con registros de casos de éxito para esos dos tipos de cáncer en particular. Bastó con permitirle a una máquina encontrar similitudes entre los casos que estábamos tratando de resolver, y los casos de éxito que avalaban la eficacia de los tratamientos para otros tipos de cáncer. ¿Qué cómo una máquina es capaz de hacer eso? En seguida se lo explico.

De cómo un algoritmo inteligente encuentra la similitud entre pacientes

En cada consultorio MIcroMédix, utilizamos varios métodos de aprendizaje de máquina para identificar, cuándo existe una similitud entre el caso que deseamos resolver, y un grupo de casos de pacientes que en el pasado se aliviaron tomando varios nutrientes en dosis terapéuticas. Ya he ilustrado con varios ejemplos (puse sobre la imagen adjunta y agrándela para ver uno de ellos), la bondad de un algoritmo que calcula la distancia euclidiana entre el vector de atributos de un paciente, y los diferentes centroides que la máquina ha asociado a los grupos en los que ha dividido la totalidad de las evidencias (ese Big Data al que hace referencia Anderson en su polémico artículo).

A partir de aquí, asumiré que usted ha leído el artículo en donde explico los conceptos de vector de atributos, tendencia central y centroide, pues considero que estar familiarizado con dicha terminología le ayudará a comprender mejor el tema que estoy a punto de abordar. Otras dos opciones para comprender a fondo los aspectos clave de la inteligencia artificial aplicada a la medicina, es que tome usted el curso “Solución de Problemas Multidisciplinarios con Minería de Datos“, o bien que eche andar su propio consultorio MicroMédix, para que a través de una transferencia de tecnología, aprenda todo lo relacionado con esta fascinante área del conocimiento (el teje y maneje de la biomedicina personalizada, llamada también medicina alternativa de precisión).

Lo que Euclides y Pitágoras han aportado a la inteligencia artificial

Se dice que un caso es similar a otros, cuando la distancia entre uno de los centroides y el vector de atributos del caso por resolver, es mínima.
Existen varias formas de medir la distancia entre dos vectores cualesquiera. Para los efectos de la confección de recetas, utilizamos la distancia euclidiana. En WEKA (y en cualquier otra plataforma de minería de datos), la distancia euclidiana entre dos instancias numéricas cualesquiera, se obtiene extendiendo el teorema de Pitágoras, a un par de vectores de n dimensiones (pulse sobre la imagen de la derecha para ver un ejemplo de 2 dimensiones). Por si no lo recuerda, el teorema de Pitágoras establece que “en todo triángulo rectángulo, la suma de los cuadrados de los catetos, es igual al cuadrado de la hipotenusa“.
Tratándose de variables nominales (categóricas), WEKA calcula la distancia basándose en la comparación del valor del atributo en ambos vectores. De acuerdo con esto:
Distancia euclidina = 0 siempre que el valor del atributo del vector del caso por resolver = valor del atributo del centroide. Asimismo:
Distancia euclidiana=1 siempre que el valor del atributo del vector del caso por resolver >< valor del atributo del centroide.
Para obtener la distancia total se normalizan las distancias entre variables numéricas para que asuman valores entre 0 y 1, pues como bien dicen muchos maestros, no podemos sumar “peras con manzanas”.

Una vez que la máquina obtiene la suma de las distancias euclidianas numéricas normalizadas y nominales, identifica el centroide que más se parece al cuadro clínico del paciente, como aquel que resultó tener la menor de todas las distancias. El paciente queda así clasificado en ese centroide. Algunos atributos de este vector, corresponden a los nutrientes que deben ser administrados al enfermo, en las dosis indicadas por las tendencias centrales que ahí aparecen. Tan solo para ilustrar con dos ejemplos, las dosis para las vitaminas C intravenosa y D3 que tendrían que ser administradas al paciente con el cuadro clínico que aparece a su derecha, serían de 59.8 grs. por semana y de 5,036.7 UI al día, respectivamente (pulse sobre la imagen para agrandarla).

Conclusiones

1) Aun cuando no se sepa con exactitud cuál ha sido la etiología de la enfermedad, si las evidencias son suficientes en calidad y en cantidad, el paciente se curará con las mismas sustancias que se les administró a los pacientes del grupo en el que él (ella) quedó clasificado(a), debido a la gran similitud de sus cuadros clínicos.
2) La respuesta está en el tiempo, no en el viento.
3) La biomedicina personalizada pretende descubrir terapias que funcionan en casos específicos, no en todo ser humano.
4) Para algunas enfermedades, las evidencias podrían no ser del orden de varias centenas; pero no se precisa de un torrente de casos de éxito para poder personalizar un tratamiento confiable y eficiente.

“En toda ciencia que esté en camino de organizarse, una teoría sólo tiene derecho de ciudadanía cuando se apoya en hechos admitidos”… Alfred Binet

© Sergio López González. Fundación MicroMédix. 1 de Abril de 2019


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


REFERENCIAS

[1] Chris Anderson. The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. Wired, June 2008.


 

Autor: micromedix

Sergio López González. Ing. en Informática Biomédica

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s