Medicina Natural

Medicina Alternativa Personalizada. Consultorio


Deja un comentario

Medicina alternativa de precisión para poner tu propio consultorio

La medicina alternativa de precisión es la tecnología que hemos desarrollado para que ahora tú pongas en marcha tu propio consultorio, o para que transformes el que ya tienes en uno nuevo, empleando el mismo modelo de servicio de la Fundación MicroMédix.
No se trata de una franquicia, sino de una transferencia de tecnología que te permitirá conocer todo el teje y maneje de una medicina alternativa muy particular, en la que tuvimos que combinar las técnicas de la inteligencia artificial con las de la medicina ortomolecular y la fitoterapia, para ofrecer tratamientos más limpios (libres de efectos secundarios) y totalmente personalizados.

El modelo de servicio

No necesitas ser naturópata o haber estudiado una carrera en nutrición para echar a andar tu consultorio, porque todo el conocimiento que vas a requerir para manejarlo, lo vas a adquirir a través de la capacitación técnica y la información que nosotros te vamos a proporcionar. Ese conocimiento y el que contienen los archivos que te estaremos entregando como parte de esa transferencia de tecnología, es lo que va a marcar la diferencia entre saber cómo (know how) hacer las cosas para que un tratamiento funcione, y desempeñarse como lo están haciendo los demás consultorios de medicina alternativa.

Para asegurarnos de que tus tratamientos se personalicen y funcionen bien, el conjunto de servicios, archivos de texto y hojas de datos (Excel) que te vamos a entregar comprende lo siguiente:

  1. Asesoría durante la etapa inicial de operaciones
  2. Asesoría para la instalación de la herramienta de minería de datos a emplear en el consultorio
  3. Programa de capacitación intensiva, con los siguientes módulos:
    3.1 Elaboración de Microdosis de Medicamentos Alopáticos
    3.2 Microdosis de Plantas Medicinales
    3.3 Autocuración con Medicina Ortomolecular
    3.4 La extracción de conocimiento y el LBD
    3.5 Informática Biomédica Aplicada
    3.6 Extracción de texto con Arrowsmith (text mining)
    3.7 Aspectos clave de la minería de datos (data mining)
    3.8 El proceso KDD y el estándard CRISP-DM
    3.9 Minería de datos clínicos como apoyo al diagnóstico médico
    3.10 Cómo aplicar la psiquiatría de precisión en tu consultorio
    3.11 Medicina alternativa de precisión para tratar el cáncer
  4. Entregables:
    4.1 Presentaciones en formato Power-Point de los cursos de medicina ortomolecular, informática biomédica y minería de datos (incisos 3.3 al 3.11). Puedes pulsar en la imagen de la izquierda para descargar sin ningún costo, una demo interactiva de la primera sesión.
    4.2 Archivo de casos de éxito para la generación automática de recetas personalizadas con psiquiatría de precisión
    4.3 Archivo de casos de éxito para la generación automática de recetas personalizadas con medicina alternativa de precisión, para el cáncer de páncreas
    4.4 Manual para suprimir los efectos secundarios de los medicamentos alopáticos
    4.5 Guía completa para la elaboración de microdosis de plantas medicinales (incluye dosificación de tinturas)
    4.6 Recetario de nutrientes ortomoleculares (ver cursos)
    4.7 Texto de medicina ortomolecular (676 páginas)
    4.8 Receta inteligente para prevenir y revertir los efectos de la osteoporosis (descargable)
    4.9 Receta inteligente para la autocuración del acné (descargable)
    4.10 Recetas genéricas para el tratamiento de las enfermedades que aparecen en nuestro recetario (descarga sobre demanda)
    4.11 Archivo del logotipo de los consultorios MicroMédix
    4.12 Tarjetas de presentación en formato electrónico, con los datos de contacto del propietario (pulsa en la imagen para ver muestra)
    4.13 Etiquetas para los frascos de microdosis en Publisher Pro®

La información sobre el costo de la asesoría y la capacitación se ha especificado en la descripción de cada curso. Al afiliarte a nuestra comunidad, recibirás automáticamente descuentos hasta de un 35% en tus horas de consulta y capacitación. Integrarte a la cadena de consultorios MicroMédix te permitirá desarrollar nuevas habilidades y encontrar en el autoempleo, un proyecto de vida más próspero. El que otras personas hagan lo mismo que tú con la misma imagen y eficiencia, es un concepto que ha funcionado muy bien en el mundo empresarial y no tiene por qué no ser así en el ámbito de la salud. A diferencia de las franquicias, el modelo de servicio que aquí te estamos proponiendo no implica el pago indefinido de regalías por el derecho de utilizar una imagen y una marca de prestigio nacional o internacional (puedes estar en cualquier país y poner tu consultorio sin estar obligado a nada).

¿Qué hace que un consultorio MicroMédix sea mejor que los demás?

Los psiquiatras todavía tienen trabajo porque sus pacientes no conocen una mejor alternativa que los medicamentos cargados de efectos secundarios (un psiquiatra ya ni siquiera escucha los problemas de sus pacientes). Pero con las tecnologías que estamos usando actualmente, todo parece indicar que estos singulares personajes podrían quedarse sin clientes, por la sencilla razón de que sus recetas son genéricas y cada vez son menos los pacientes que toleran sus efectos secundarios. Y a pesar de las grandes sumas de dinero que los laboratorios farmacéuticos destinan a sus campañas mercadotécnicas, los consumidores de hoy están decantándose por tratamientos más limpios.

Lo que ha detenido el avance de la medicina alternativa, aparte de la insistente campaña de nuestros detractores en contra de todo lo natural, es que la mayoría de los investigadores en ciencias biomédicas, conocen muy poco o casi nada de inteligencia artificial. Pero los científicos de datos y los ingenieros en informática biomédica que ya estamos trabajando en las aplicaciones interdisciplinarias de la minería de datos y de texto, hemos explotado el aprendizaje de máquina para mejorar nuestros diagnósticos y personalizar nuestros tratamientos, con una precisión que los psiquiatras no podrán igualar jamás con su “Manual Diagnóstico y Estadístico de los Trastornos Mentales (DSM)”, razón de más para que tu nuevo consultorio sea todo un éxito.

Y ya que has encontrado un medio para autoemplearte y ganarte el sustento desempeñando una labor tan loable, conviene que sepas que tu consultorio funcionaría de una manera muy parecida a como lo hace una franquicia, empleando los métodos que ya hemos comprobado funcionan a la perfección.
Pero para replicar las características de cada consultorio como si éste fuera una franquicia, es indispensable apoyarse en una medicina alternativa de precisión que simplifique al máximo y normalice los procedimientos (no los tratamientos) en cada una de las unidades de consulta.

Asimismo, la normalización de los procedimientos requiere de una estrategia para organizarse y ponerse de acuerdo con la imagen que se ha de proyectar. Esa estrategia fue la que adoptaron algunos pequeños comerciantes cuando se dieron cuenta que no crecían mientras operaban con lo que emanaba de su libre albedrío. Nombres como “La Tuerca de Oro”, “El Rincón de los Sabores” o “La Farmacia de la Esquina”, difícilmente tenían éxito si cada propietario actuaba por separado y abría su “changarro” como Dios le había dado a entender.

Pero con un nombre más apropiado, una imagen más atractiva y un grupo de pequeños emprendedores dispuestos a organizarse, su situación mejoró radicalmente. Y si no pregúntale a los dueños de las FarmaPronto qué fue lo que hicieron para transformar sus modestos e impopulares establecimientos, en una reconocida cadena de farmacias mexicanas. Algo similar ocurrió con las tiendas Oxxo y algo muy parecido sucederá también con tu consultorio Micromédix (sin duda, el antiguo propietario de la  “Farmacia de la Esquina”, puede ser que haya abierto ya otras tres FarmaPronto).

Casos de estudio que ilustran cómo se generan las recetas en el consultorio

En el ensayo que publiqué con fecha 19 de septiembre de 2018 y que lleva por título “Psiquiatría de precisión: aprendizaje automático para personalizar tu tratamiento“, prometí complementar lo que escribí ahí con al menos un caso real que mostrara cómo estamos personalizando actualmente nuestras recetas.
En el presente ensayo la idea es dejar bien claro que la herramienta de minería de datos debe usarse como apoyo en la confección final de una receta, pues puede ser que aunque existieran casos de éxito muy parecidos a los del paciente en turno, todavía quedara por ahí algún síntoma que pudiera no ceder con el tratamiento sugerido por la máquina. Esto viene a colación para desmentir a los escépticos que pensaron que un consultorio concebido de esta manera, propiciaría una confianza ciega en la recomendación de una máquina.

Hecha esta aclaración, quisiera insistir en que lo que estamos ofreciendo no son franquicias. Además de la exención del pago de regalías, nuestro modelo de servicio no estandariza los tratamientos, sino los procedimientos, y hay que ser muy cuidadosos al interpretar los conceptos. Cada consultorio estará empleando efectivamente el mismo procedimiento (la medicina alternativa de precisión); pero generando un producto diferente (una receta personalizada). Como yo lo veo, eso no es un franquicia ni un sistema de producción en serie, sino más bien una plataforma para la producción acelerada de productos diferenciados.

Emilio y sus acúfenos: complementando la inteligencia de la máquina con capital humano capacitado

Un aspecto clave del aprendizaje de máquina es el que se refiere al dominio del campo de estudio, que es en esencia el conocimiento que posee el capital humano sobre un tema (pulsa sobre el mapa mental adjunto y localiza la leyenda “comprender los datos”). Para interpretar correctamente el significado de los grupos de casos desplegados por la computadora, el consejero a cargo del consultorio tendrá que comprender bien los principios de la medicina ortomolecular, tanto para homologar las recetas como para optimizar los tratamientos (la  homologación de recetas la explico con detalle en “Medicina alternativa de precisión: inteligencia artificial para curar hasta un cáncer“).

En el caso de Emilio por ejemplo, una vez que obtuve los datos de los suplementos y las dosis terapéuticas (ortomoleculares) de su receta, tuve que optimizarla con melatonina, cisteína y Coenzima Q10, porque los acúfenos era un síntoma que estaba presente únicamente en cuatro instancias del archivo de casos de éxito; pero que según el algoritmo de aprendizaje empleado (ver curso), no eran suficientemente similares a los de Emilio (los métodos para encontrar la similitud entre pacientes los especifiqué en “Psiquiatría de precisión: aprendizaje automático para personalizar tu tratamiento“).

La receta que generó la máquina después de experimentar con los datos de Emilio y no con Emilio (que es como lo haría un psiquiatra), aparece en la captura de pantalla adjunta (pulsa sobre la misma para agrandarla). Es curioso como la máquina ha recomendado aquí una receta que combina niacina con niacinamida. No teniendo un consultorio con un laboratorio virtual como el que aquí estoy presentando, a mí la verdad nunca se me hubiera ocurrido recomendar un tratamiento con ambos nutrientes, porque no es algo muy común entre los referentes de la medicina ortomolecular. Sin embargo, no hay manual o texto de medicina alternativa que diga que eso no se pueda hacer.

Y es aquí donde se produce la gran sinergia entre la inteligencia artificial de una máquina y el capital humano. De hecho, esa mezcla ha estado dando excelentes resultados, porque evita los efectos secundarios de ambos tipos de vitamina B3. ¿No te parece increíble lo que uno puede descubrir con la instrumentación apropiada? Observa también las similitudes que encontró la máquina entre los síntomas de Emilio y los casos que ésta agrupó en el cluster#9 (puedes pulsar sobre la imagen que sigue para ver los detalles).

Aunque la edad no es exactamente la misma en ambos vectores de atributos, tanto  el sexo, el diagnóstico, la escucha de voces, la angustia, la ansiedad, la depresión, los miedos y la confusión, son todos ellos atributos que coincidieron en ambas listas (S=síntoma presente). Hay otros síntomas más en donde hubo coincidencias negativas (N=síntoma ausente) y solo cinco en los que ambos vectores difirieron. ¿Y cómo supimos que la máquina clasificó a Emilio como miembro del grupo #9?
Ella nos los hizo saber mediante una visualización de datos (véase el inciso 4.5 del curso “Solución de Problemas Multidisciplinarios con Minería de Datos“.

El caso de Julia: la importancia de prevenir trastornos de personalidad en la adolescencia

Los síntomas de Julia no han mejorado como quisiéramos, debido a que sigue presentando comportamientos hasta cierto punto anormales, según nos informó su señor padre durante nuestra última consulta.
La primera vez que di a conocer este caso fue cuando publiqué el ensayo “Identificando el fenotipo de la esquizofrenia: un paso más hacia la curación“.
Si nos has estado siguiendo desde entonces, es posible que te hayas dado cuenta que Gustavo, el padre de Julia, es con quien he estado haciendo equipo para poder resolver este caso que a ambos nos mantiene preocupados.

Y aunque ella por el momento solo manifiesta fobias, irritabilidad, cierto aislamiento social y algunos malestares propios de un síndrome premenstrual, nuestra preocupación radica en que existen antecedentes de trastorno bipolar y depresión en dos parientes cercanos a la familia.
Y atención aquí querido lector: si tienes familiares que hayan padecido o estén padeciendo de algún trastorno psicogénico, es importante que le des la debida importancia a aquello de que “más vale prevenir que lamentar“. Hablo en serio. En el caso de Julia por ejemplo, además de haber probado las teorías de Pfeiffer y de Walsh, hoy estamos aplicando la psiquiatría de precisión para encontrar un tratamiento que tome en consideración su edad, su género, sus antecedentes genéticos y los síntomas que presentó en su última consulta.

Y mientras ajustaba los parámetros de mi herramienta para encontrar un grupo de mujeres con una edad similar a la suya, un hecho llamó mi atención al estar experimentando con este dato: noté que las mujeres mayores con problemas de depresión y otros trastornos psiquiátricos, tienden a presentar grandes deficiencias de vitamina D3. Hay una paciente en nuestro archivo de casos de éxito que llegó a consumir hasta 300,000 UI de vitamina D3, aunque usted no lo crea.
No estoy insinuando que Julia deba tomar esa cantidad de vitamina D3; pero sí  las 2,000 UI que sugirió nuestra herramienta durante el análisis (pulsa sobre la captura de pantalla adjunta para agrandarla).

Por qué una cadena de consultorios de medicina alternativa

Porque no habiendo un gobierno capaz de generar fuentes de trabajo, uno debe crearlas y generar oportunidades a través del autoempleo.
Porque nos hacía falta una herramienta de precisión que pudiera estimar cuánto iba a durar el tratamiento de cada paciente.
Porque era necesario que alguien como tú y como yo pusiera un alto a la farmacodependencia que la misma industria farmacéutica ha propiciado en nuestras familias y en nuestra sociedad. ¿O es que vas a permitir que tus hijos sean medicados con Ritalin, nada más porque un señor de bata blanca con aires de CuasiDios así lo dispuso?

El Trastorno de Déficit de Atención por Hiperactividad (TDAH) como pretexto para medicar a los niños

Desde la perspectiva de unos padres como los de Julia, creo que no hay mejor opción que la medicina alternativa de precisión. Y aunque ella fue diagnosticada por nuestro programa como una paciente con TDHA (por parecerse más a los pacientes con este tipo de trastorno), afortunadamente no ha sido medicada por ningún psiquiatra. Viviendo en España sin embargo, podría quedar vulnerable al sistema tradicional de salud mental.
Estando en contubernio con ese sistema y en caso de ratificar un TDAH, un psiquiatra no vacilaría en recetar Ritalin a esta señorita de escasos 13 años. Y eso es precisamente lo que pretendemos evitar con la psiquiatría de precisión.

El  metilfenidato (Ritalin) es un fármaco que la Administración de Control de Drogas de los Estados Unidos ha clasificado como narcótico de Clase II, al igual que la cocaína, la morfina y las anfetaminas.
Está indicado para mejorar la concentración de algunos niños que a juicio de algunos mercenarios de bata blanca, son más inquietos de “lo normal”.
Conviene que los padres que tengan un hijo o una hija que haya sido etiquetado(a) por algún psiquiatra como “pacientito” con TDAH, conozcan la “paradoja del Ritalin” y lo que apuntó Richard Malter en un artículo que publicó en su página web y que después de traducido al español dice así:

“El uso prolongado de fármacos estimulantes normalmente da como resultado la pérdida del magnesio y el zinc que se encuentran almacenados en células y tejidos, de tal manera que se induce una deficiencia crónica de magnesio en los niños que toman este tipo de estimulantes”.

De ahí que cualquier infante que haya estado tomando por un tiempo prolongado fármacos estimulantes, muy probablemente ya ha desarrollado farmacodependencia, debido a la alteración temporal de la relación sodio/potasio (NA/K) y al agotamiento de las reservas de zinc que le han ocasionado deliberadamente quienes producen el Ritalin. A diferencia de los llamados efectos secundarios (involuntarios), el conjunto de síntomas que un niño puede experimentar al suspender abruptamente el Ritalin, es un efecto calculado (intencional) que en este caso se traduce en un síndrome de abstinencia. La buena noticia es que esa reacción puede ser compensada con sal de mar y una administración exógena de magnesio y de zinc. Un suplemento quelatado como el que aparece a su derecha, no solo le ayudaría a superar una iatrogenia causada por fármacos estimulantes, sino que sería lo más adecuado para producir el efecto calmante que un niño inquieto podría necesitar, en caso de presentar hiperactividad por exceso de azúcares y comida chatarra repleta de colorantes y saborizantes artificiales.

La iatrogenia calculada, que es como se conoce también al efecto calculado por un laboratorio, debería estar penada; pero a nosotros solo nos toca poner al descubierto las prácticas deshonestas de un sistema de salud que no funciona. En el caso del metilfenidato la iatrogenia se hace todavía más evidente cuando uno termina de analizar el total de síntomas causados por una deficiencia nutricional de zinc. Y aquí es donde cualquiera se indigna ante lo inaudito: la falta de zinc deteriora la capacidad de concentración. Y uno se pregunta: ¿Pues que no es para eso que los psiquiatras recomiendan el Ritalin? En eso radica la paradoja del Ritalin y el gran secreto de la mayoría de los efectos calculados: el metilfenidato está diseñado para imitar las propiedades del zinc, con la diferencia de que este último no produce farmacodependencia.

Por algo algunos expertos recomiendan potenciar el metilfenidato con zinc. Y muchos padres me preguntan: ¿Y por qué entonces los laboratorios no producen zinc, en lugar de drogas?
La verdad es que los minerales, las vitaminas, los ácidos grasos esenciales y los aminoácidos no se pueden patentar, y lo que no se puede patentar no deja dinero. Esos son los fines de la industria farmacéutica, esos son sus medios y ese es el modelo maquiavélico que los príncipes de la salud han estado usando por años para enriquecerse. Para ellos, ese fin justifica los medios, cualesquiera que sean éstos.

Conclusiones

Como nosotros no comulgamos con ese modelo, tuvimos que crear otro que mejorara de verdad la calidad de vida de nuestros pacientes, con tratamientos más inteligentes y libres de iatrogenias y efectos secundarios.
De manera que si usted ya tiene una tienda naturista o desea echar a andar un consultorio como el que aquí he descrito, ya tiene suficientes elementos de juicio para decidir lo que puede hacer con toda esa instrumentación que tendrá a su disposición, una vez que su capital humano conozca los secretos de una tecnología que está ofreciendo mejores soluciones a las enfermedades crónicas, que lo que hasta ahora le hemos visto a la alopatía.

© Sergio López González. Fundación MicroMédix. 18 de octure de 2018


¿No encontraste aquí lo que buscabas? En el índice temático hay más artículos que te pueden interesar


Anuncios


Deja un comentario

Psiquiatría de precisión: aprendizaje automático para personalizar tu tratamiento

No importa qué tan avanzadas estén las ciencias biológicas y de la salud, todavía no hay quien pueda explicar con precisión cómo funciona el cerebro y lo que pasa por la mente de una persona aquejada de un trastorno de personalidad. Existen por supuesto hipótesis que desde hace muchos años han intentado descubrir las causas de la esquizofrenia y otros trastornos psicogénicos; pero aun para los científicos más prominentes, sigue siendo un misterio el por qué ciertas personas se comportan de una manera tan peculiar. Y no se prevé que esa falta de conocimiento pueda ser superada en los próximos años.

Es por eso que algunos científicos de datos en varios lugares del mundo, están proponiendo alternativas para abordar el problema de la salud mental. Tanto ellos como el que suscribe, estamos dejando a un lado las viejas formas de pensar y los descubrimientos farmacéuticos más recientes, para dar paso a una estrategia que en lugar de enfocarse en el paciente promedio, determina con precisión, cuál de las opciones de tratamiento existentes le funcionará mejor a un paciente en particular [1]. En eso consiste la psiquiatría de precisión: una medicina especializada en trastornos mentales, que hace posible el descubrimiento acelerado de tratamientos, con dosis terapéuticas de medicamentos y nutrientes específicos para cada persona.

Una medicina basada en evidencias

La idea de buscar sistemáticamente “pacientes como el mío” en un registro histórico de casos durante la práctica clínica, data desde la década de los 70´s [2]. Con el paso de los años, esa tendencia que a la postre se transformó en costumbre, se ha convertido hoy en una medicina basada en evidencias.
Como resultado de lo anterior, la psiquiatría de precisión viene a ser un tipo de medicina basada en evidencias, porque cada caso de éxito constituye una prueba más de que cierta combinación de sustancias, beneficia a un grupo de pacientes en particular. Es por ello que en otro de mis ensayos apuntaba yo que no hay planta medicinal, fármaco o nutriente que merezca el título de “curalotodo”.
En vista de que una olanzapina, una lurasidona, una risperidona o un haloperidol solo le sienta bien a unos cuantos, la psiquiatría de precisión va a requerir de una herramienta que le ayude a identificar quiénes con esos cuantos. Y lo mismo sucede en el caso de las plantas medicinales y los suplementos en general. Un tratamiento complementario compuesto por ejemplo de un antipsicótico, un anticonvulsivo, un par de vitaminas, uno que otro mineral y un extracto de planta medicinal, podría beneficiar a un paciente diagnosticado con esquizofrenia crónica; pero resultar contraproducente para quien esté experimentando su primer brote y nunca haya tomado psicotrópicos (los fármacos que acostumbran recetar los psiquiatras).

Análisis de similitud entre pacientes (patient similarity analytics)

En este orden de ideas, parece muy atinado concentrarse en comparar casos de pacientes que fueron tratados con éxito en el pasado, con el de cualquier otra persona que esté necesitando ayuda. Es aquí donde uno debe encontrar similitudes entre las características de esa persona, los casos que uno ha resuelto y los que han llevado a buen puerto otros profesionales de la salud en el pasado. Entre mayor sea el número de casos de éxito registrados, mejor será el tratamiento que le estaremos proponiendo a nuestro próximo paciente. Como cualquier otro profesional de la salud, uno debe estar siempre cuestionándose: ¿cuál de todos esos casos de éxito se parece más al que estoy atendiendo en este momento?

Es muy probable que uno no encuentre un caso idéntico al del paciente en turno, lo cual confirma una vez más la validez del principio de la individualidad bioquímica. Estamos hablando de cientos de pacientes, cada uno con decenas de atributos que la máquina debe aprender para encontrar similitudes entre ellos, y entre éstos y los del nuevo paciente. Sin embargo, el  aprendizaje automático es tal que al terminar el proceso, la computadora nos estará recomendando dosis apropiadas de ciertos nutrientes, basándose en las correlaciones y las tendencias detectadas a través de dicho aprendizaje, de acuerdo con los atributos de los casos de éxito seleccionados por ella.

Tendencias y correlaciones: lo importante está en lo que sucede, y no en por qué sucede

De acuerdo con lo dicho hasta aquí, todo indica que la mayoría de los neurocientíficos están más interesados en descubrir las causas de los trastornos mentales, que en el alivio de las personas. Creen que una vez que descubran el por qué de los síntomas, estarán en posibilidad de producir y comercializar esa píldora que aliviará a todas las personas con problemas psicogénicos. Seguramente ese no fue el caso de Louis Pasteur, cuando en 1885 salvó a un niño de contraer la rabia. Él sí que descubrió la causa de esa terrible enfermedad: una infección producida por un virus del género Lyssavirus que ataca al sistema nervioso central.

Y aun sabiendo que en promedio, solo una de cada siete personas mordidas por un perro rabioso contrae la enfermedad [3], existe evidencia al menos en ese porcentaje (14.3%) de que uno corre peligro estando en circunstancias similares. En este caso y en otros muchos en donde el método científico ha podido explicar las causas de la enfermedad (su etiología), no tengo nada que objetar a cerca de sus bondades. Pero insisto, ¿se puede decir lo mismo de lo que ocasiona una esquizofrenia, una psicosis, un ataque de pánico, un trastorno bipolar, un autismo o un alzheimer? Como padre de familia que soy, le pregunto: ¿que es lo que realmente le importa a usted en este instante: lo que pueda estar haciendo un científico en su torre de marfil para explicar el por qué de la enfermedad de su hijo o hija, o lo que realmente lo (la) puede aliviar?

Hay fenómenos físicos cuyas causas son ampliamente conocidas, ya sea porque se han llegado a comprobar experimentalmente, o bien porque están fundamentadas en ecuaciones de alto rigor científico. Tal es el caso de la ley de la gravitación universal. Pero descubrir una ley universal que explique por qué una persona está escuchando voces o está viendo enanitos verdes, parece más que una labor titánica. Y aunque conozco bien las diferentes hipótesis que intentan explicar el por qué de los fenómenos psíquicos, creo que la tasa de éxitos podría aumentar más, aplicando las técnicas del aprendizaje automático a los datos clínicos de los pacientes, que poniendo a prueba esas hipótesis una y otra vez.

De manera que mientras no exista una ley que explique a carta cabal el comportamiento humano, y mientras la psiquiatría convencional no ofrezca algo mucho más convincente que la hipótesis de que la mente se trastorna a causa de una desigualdad en los mensajeros químicos que hay en nuestro cerebro (neurotransmisores), no debemos consentir que las nuevas generaciones continúen haciendo el papel de conejillos de indias, probando un fármaco tras otro hasta que su psiquiatra exclame: “¡éste es el bueno!” (véase también: ¿Fármacos de por vida? Evitando ese efecto que de secundario no tiene nada” y “Maquiavelo y el príncipe de la salud“).

¿No es mejor experimentar con datos, que con ratones y seres humanos?

A pesar de que varias de las hipótesis sobre la esquizofrenia y otros trastornos de la personalidad, nos han ayudado a los investigadores de la Fundación MicroMédix a conseguir una cantidad muy respetable de casos de éxito (definitivamente más que lo que se consigue con la psiquiatría convencional), no resulta muy edificante probar una teoría con un paciente, para confirmar después que la causa de su patología obedece a otros postulados.
En algunos casos hemos apelado a la teoría dopaminérgica y glutamatérgica (la del desequilibrio bioquímico) para ayudar a un paciente a mejorar sus síntomas. En otros hemos recurrido a la teoría del adrenocromo para la biogénesis de la esquizofrenia propuesta por Hoffer y Osmond; a la hipótesis de la respuesta inflamatoria; a la del nivel de metilación de Pfeiffer y Walsh; así como a la que defiende la medicina funcional, en relación a que una permeabilidad intestinal puede ser la culpable de muchos trastornos mentales. En todos esos casos, hemos seleccionado y administrado a nuestros pacientes, los nutrientes que los partidarios de esas teorías recomiendan.

Pero una cosa es administrar nutrientes en dosis ortomoleculares de suplementos como el GABA, la glicina y el inositol, y otra muy diferente es estar experimentando con dosis considerables de antidepresivos, ansiolíticos y antipsicóticos cuyos mecanismos de acción se desconocen. ¿O es que no ha leído usted las fichas técnicas de los medicamentos que le receta su psiquiatra? Y qué me dice de sus impredecibles efectos secundarios y su potencial para ocasionarle enfermedades que en principio no tenía (cormobilidad)?
Aun empleando vitaminas, minerales, ácidos grasos esenciales y aminoácidos como la cisteína, el triptófano y la teanina, es evidente que los experimentos ya no deben seguirse haciendo ni con ratas de laboratorio ni con seres humanos.

Si hemos de experimentar, hagámoslo con datos. Con los datos de los seres humanos. Los datos dicen la verdad, y hay que dejar que hablen por sí mismos, buscando correlaciones y tendencias entre ellos, a fin de descubrir qué es lo que más va a beneficiar al paciente, sin preguntarse por qué lo beneficiará.
Con el laboratorio virtual que a continuación describo, estaremos experimentando únicamente con datos y las veces que sea necesario, hasta obtener una receta que concuerde mejor con tu cuadro clínico o el de tu familiar, tal y como se estableció en los apartados anteriores.

No hay que perder de vista que una psiquiatría de precisión está indicada siempre que la etiologia (las causas) del trastorno no se pueda determinar, o cuando se tengan dudas sobre la misma. Y si hubiera una forma de identificar lo que origina un trastorno, como sería la intolerancia al gluten, el hipotiroidismo, la deficiencia de ciertas vitaminas del complejo B, la deficiencia de vitamina D3, la hiponatremia (deficiencia de sodio), la polidipsia (intoxicación por exceso de líquidos), etc., entonces ya contaríamos con al menos dos evidencias para recomendar un tratamiento más preciso, que aquél que se basa en una sola suposición, hipótesis o teoría.

El laboratorio virtual: descubriendo el tratamiento que solo a ti te puede beneficiar

Nuestro laboratorio virtual permite combinar de manera simulada vitaminas con minerales, ácidos grasos esenciales, aminoácidos y extractos o microdosis de plantas medicinales, con el fin de encontrar el tratamiento que más te va a beneficiar a ti, y solo a ti. En las imágenes adjuntas estoy mostrando los primeros 25 casos que componen nuestra base de datos biomédicos. Al momento de estar escribiendo estas líneas, cada caso de éxito o registro en la hoja de cálculo contiene un total de 87 campos, que corresponden a los atributos que caracterizan al cuadro clínico de cada paciente, empezando por la edad, el sexo, el diagnóstico de su psiquiatra, si experimentó o no alucinaciones visuales y auditivas (escucha de voces); si tuvo o no antecedentes genéticos; si padeció angustia, ansiedad, ataques de pánico y así sucesivamente hasta terminar con la duración de su tratamiento (en meses). En la hoja de Excel de la izquierda aparece la parte final de los registros de los pacientes que mostré en la imagen de la derecha. Sus campos contienen las dosis de los nutrientes que cada paciente tomó para que su caso se convirtiera en uno de éxito.

En la imagen adjunta estoy mostrando un ejemplo de cómo nuestra herramienta de minería de datos (WEKA), divide en grupos a todos los casos de éxito, para que una vez que ingresemos los datos de uno de nuestros pacientes, encuentre las similitudes entre ellos.
Si tú o uno de tus familiares necesita ayuda para corregir cualquier anomalía en su comportamiento, no permitas que las cosas se salgan de control. Concerta una cita para que en la correspondiente consulta nos proporciones la edad, el sexo, los síntomas, las pruebas de laboratorio, los nombres de los medicamentos que tú o tu ser querido están tomando, así como los demás atributos relacionados con la historia clínica de uno de los dos. Solo así la máquina podrá encontrar los registros que más coinciden con el tuyo o el de tu familiar, según lo expliqué en los apartados anteriores. Nuestro trabajo consistirá en realizar varios experimentos, variando en cada uno de ellos, los parámetros que sabemos optimizarán el aprendizaje de la máquina que se encargará de tu caso.
Nota que las tendencias que descubra la máquina influirán en el tratamiento. Así por ejemplo, a las  mujeres con edades cercanas a los 25 años, que tendían a reportar ideas delirantes y a escuchar voces antes de comenzar su tratamiento, se les prescribió alrededor de 2,600 mg de niacina, 1000 mg de niacinamida, 150 mg de piridoxina (vitamina B6), no tuvieron que tomar inositol pero sí los demás suplementos que se indican en la columna correspondiente al cluster (grupo) #1 (recuerda que para ver los detalles, debes pulsar sobre las imágenes).

Observa también que en el párrafo anterior he hecho alusión a lo que la mayoría de las mujeres del cluster #1 tomaron para que su caso se convirtiera en uno de éxito. Y digo la mayoría porque me estoy refiriendo a las tendencias de ese grupo en particular. Al conjunto de valores mostrados en cada una de las columnas de la imagen anterior se le llama centroide, el cual no es más que una lista (formalmente un vector) de valores que mide las tendencias de cada uno de los grupos. Continuando con el ejemplo del cluster #1, el hecho de que mujeres de alrededor de 25 años hayan tomado las cantidades de los suplementos indicados, no significa que absolutamente todas lo hayan hecho, precisamente por tratarse de una medida de tendencia central.

La tendencia central de una variable categórica, como podría ser el síntoma de la ansiedad o el nombre de un antipsicótico, la podemos medir con la moda. La tendencia central de una variable numérica, como la dosis de cualquiera de los suplementos recetados a las mujeres del cluster #1, la medimos de diferentes maneras: con la distancia euclidiana, la de Manhattan, la de Hamming, o con el  coeficiente de similitud de Jaccard, por mencionar las más importantes. Y es que cuando hablamos de encontrar similitudes, no podemos simplemente obtener la media arirtmética para conocer la proximidad entre los valores de un atributo de un registro y los de un grupo previamente clasificado por un método de segmentación (clustering).

Las distancias calculadas con cualquiera de los métodos mencionados es el mejor medio que tenemos en la actualidad para estimar la proximidad (similitud) entre dos casos.
Una ventaja más de aplicar la técnica del aprendizaje de máquina no supervisado al conjunto de casos almacenados en nuestra base de datos, es la de poder descubrir un tratamiento para un conjunto de síntomas (síndrome) cuyo diagnóstico es incierto o desconocido. A quién le importa el nombre que haya usado un psiquiatra para etiquetar a un paciente, si de todas maneras ese diagnóstico fue sacado de un volumen de texto tan inútil como lo es el “Manual Diagnóstico y Estadístico de los Trastornos Mentales (DSM)”. ¿Sabía usted querido lector, que ese manual no contiene absolutamente nada de estadística? … Si desea una discusión más amplia sobre este tema, le recomiendo leer: “El sistema tradicional de salud mental en entredicho“, también de mi autoría.

Pero bueno, independientemente del diagnóstico, lo importante es que una vez dividido nuestro conjunto de datos en varios grupos de casos muy similares, ya podremos agregar el caso de un paciente con un síndrome idiopático (de causa desconocida), para obtener un tratamiento que ayude a mejorar su sintomatología . El mejor ejemplo que se me ocurre en este momento para ilustrar cómo abordamos este tipo de problemas, es el caso de Emilio, un paciente que acudió a este consultorio porque estaba escuchando voces. Con la receta que en ese entonces le propuse, pudimos acallarlas en aproximadamente cinco meses, no sin haber sufrido algunos tropiezos.

Un tratamiento específico para Emilio

Poco después de ese éxito parcial, Emilio me solicitó otra consulta debido a que en esta otra ocasión lo que escuchaba eran zumbidos en los oídos (acúfenos). A él le interesa mucho estar al tanto de todo lo relacionado con la medicina alternativa, y me grada mucho saber que se ha convertido en un gran guerrero biomédico, porque continuamente está buscando remedios naturales que le puedan beneficiar, así como investigando las posibles causas de sus dolencias. Tratando de explicarnos el por qué de los acúfenos y un poco también el por qué de lo poco que habíamos avanzado en su tratamiento, encontré que una posible causa de este nuevo síntoma era un efecto secundario producido por cualquiera de los dos medicamentos que le había prescrito su psiquiatra: la sertralina y/o la trazodona. En mi opinión, la combinación indiscriminada de pisocotrópicos (el consabido cocktel) con alimentos chatarra, estimulantes y drogas ilegales, también aumenta el riesgo de desarrollar tinnitus, que es el nombre con el que se designa a los acúfenos en los países de habla inglesa.

En ese momento yo no contaba con el laboratorio virtual que ahora tengo, y tampoco me hubiera gustado decirle algo así como “y ahora que ya conocemos la causa probable de tus acúfenos, que hacemos?
Menciono esta anécdota porque ilustra un poco lo que uno puede conseguir, una vez que conoce la causa de un síntoma como los acúfenos, es decir, nada.
Pero con un laboratorio dotado de inteligencia artificial, el panorama luce completamente diferente, pues la computadora de la Fundación MicroMédix solo está esperando que la alimente con más casos de éxito de pacientes que alguna vez padecieron acúfenos.

Solo así podremos hallar las correlaciones entre ese síntoma y los suplementos que tienen el potencial para aliviarlo, dependiendo ello de las tendencias que la máquina y un servidor podamos detectar.
A reserva de que Emilio me proporcione los datos que necesito para que las correlaciones y las tendencias nos muestren el camino hacia el éxito, en mi próxima publicación estaré presentando los resultados de este proyecto, ya sea para dar a conocer los nutrientes que conformaron la receta que perfeccionamos para Emilio, o en todo caso la de algún otro paciente que haya tenido a bien comprender, el mensaje que a lo lo largo de este ensayo he querido transmitir y que en una sola frase me gustaría resumir:

“No es posible resolver los problemas de hoy con las soluciones de ayer”… Roger Van Oech
© Sergio López González. Fundación MicroMédix. 19 de septiembre de 2018


¿No encontraste aquí lo que buscabas? En el índice temático hay más artículos que te pueden interesar


REFERENCIAS

[1] Bzdok, D., Meyer-Lindenberg, A., 2018. Machine learning for precision psychiatry: Opportunities and challenges. Biological Psychiatry: CNNI, in press.
[2] Gallego et al. Bringing cohort studies to the bedside: framework for a ‘green button’ to support clinical decision-making. Journal of Comparative Effectiveness Research. (2015) 4(3), 191–197
[3] Viktor Mayer-Schönberger & Kenneth Cukier. Big Data: A Revolution That Will Transform How We Live, Work, and Think. First Mariner Books, 2014
[4] Perna & Nemeroff. Personalized Medicine in Psychiatry: Back to the Future. Personalized medicine in psychiatry 1–2 (2017) 1
[5] Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: past, present and future. Stroke and Vascular
Neurology 2017;0: e000101. doi:10.1136/svn-2017-000101
[6] Awwalu et al., Artificial Intelligence in Personalized Medicine. Application of AI Algorithms in Solving Personalized
Medicine Problems. International Journal of Computer Theory and Engineering, Vol. 7, No. 6, December 2015
[7] J.Archenaa et al. Health Recommender System using Big data analytics. Journal of Management Science and Business Intelligence 2017 2(2) 17-23. doi: 10.5281/zenodo. 10.5281/zenodo.835606
[8] Panahiazar et al. Using EHRs for Heart Failure Therapy Recommendation Using Multidimensional Patient Similarity Analytics. Stud Health Technol Inform. 2015 ; 210: 369–373.
[9] Bertalan Mesko (2017) The role of artificial intelligence in precision medicine, Expert Review of Precision Medicine and Drug Development, 2:5, 239-241, DOI:10.1080/23808993.2017.1380516


 


2 comentarios

Medicina alternativa de precisión: inteligencia artificial para curar hasta un cáncer

En principio, la mayoría de las enfermedades son curables, porque aunque es cierto que algunas de ellas son las causantes de un gran número de fallecimientos, existen muchos pacientes que han podido superar esas mismas afecciones, haciendo algo diferente de lo que se les aconsejó a aquellos que fallecieron. El hecho de que nosotros hayamos podido extraer de la literatura biomédica, casos de éxito de varios tipos de cáncer, implica que hay alternativas muy viables para curarse.
La medicina alternativa de precisión es el resultado de combinar las técnicas de la inteligencia artifical, con la medicina ortomolecular y la fitoterapia, y es la sinergia de esa combinación lo que aprovecharemos en este estudio, para demostrar que un caso de adenocarcinoma pancreático tiene solución.

El papel de la medicina de precisión en el tratamiento del cáncer pancreático

Cuando a un médico se le presenta un caso nuevo, intuitivamente recurre a su experiencia para recordar casos de éxito que se parezcan al que está intentando solucionar. Y al igual que cualquier otro especialista, si no ha tenido una experienica similar, o la tuvo pero no recuerda exactamente los detalles, tenderá a consultar a otros colegas para que le aconsejen cómo tratar a ese paciente que de momento está acaparando su atención. Podría incluso suceder que varios médicos fueran a inspeccionar el archivo clínico de su hospital, con el objeto de saber qué hizo cierto experto en el pasado, para resolver un problema parecido.

Y aunque ese escenario evoca un poco la manera en la que el Dr. House abordaría un caso difícil de resolver, lo que voy a exponer aquí en relación a un estudio de cáncer pancreático, lejos de parecerse a un cápítulo de esa serie de televisión o a una novela de ciencia ficción, es prueba fiel de lo mucho que ha avanzado la tecnología de la inteligencia artificial. Una de las técnicas de esta nueva disciplina, concretamente el aprendizaje no supervisado, es la que hace posible que una máquina “recuerde” y encuentre dentro de un “mar de datos” históricos, no solo una experiencia de éxito, sino varios casos que justificarán y respaldarán la recomendación que dicha máquina le entregará al médico y/o naturópata a cargo.

Y es que la medicina de precisión, conocida también como medicina personalizada, puede ser practicada como medicina integrativa o complementaria, de ahí que en el párrafo anterior haya yo escrito médico y/o naturópata. Como veremos muy pronto, una computadora va a recomendar un tratamiento específico para una persona en particular, basándose en un historial de casos de éxito previamente almacenados en una base de datos biomédicos (la de la Fundación MicroMédix). Y si los casos de éxito registrados en esa base de datos contienen atributos propios de la medicina alopática, esos datos aparecerán en nuestros análisis sin ninguna modificación. De la misma manera en la que respetaremos esos hechos por estar reflejando una realidad, celebraremos también el que una máquina recomiende un tratamiento alternativo o incluso complementario. Y esto último también constituye una realidad, porque como podrá constatar el lector en nuestras referencias, muchos protagonistas de esos casos de éxito prefirieron renunciar a las quimioterapias y las terapias de radiaciones, debido a la gravedad de sus efectos secundarios.

Caso de estudio: un adenocarcinoma pancreático metastásico

Pero a quien le toca en esta ocasión decir sí o no a las quimioterapias y radiaciones, es a una damita de 67 años, con un diagnóstico que de acuerdo con su patólogo consistió de un adenocarcinoma pancreático metastásico (izquierda), cuyo tratamiento por un tiempo requirió de gemcitabina y que en próximas fechas comprenderá dos fármacos muy socorridos en las quimioterapias, el Onivyde (irinotecán) y el Fluorouracil (fluoropirimidinas).
La hija de la protagonista de este caso de estudio, a quien llamaré Toni de aquí en delante, nos hizo favor de responder el cuestionario que empleamos para recabar los datos clínicos de nuestros pacientes, cuando éstos o alguno de sus familiares nos encomienda un estudio como el que aquí estoy desarrollando. Es en ese cuestionario en donde nos especificó los síntomas que estaban aquejando a su mamá: dolor abdominal, convulsiones y desmayos ocasionales; anorexia (peso extremadamente bajo por inapetencia), gastritis, náuseas ocasionales (sin vómito), indigestión y depresión (aunque este último me lo reportó posteriormente a través de un correo electrónico). Con todos esos datos y los que pude inferir a partir de las pruebas de laboratorio que me hizo llegar más tarde esta amable señorita, fue como pude completar los campos especificados en la hoja de cálculo que aparece a su derecha (pulse sobre la misma para agrandarla).

Cabe señalar que el registro (instancia) asociado al caso de nuestra paciente Marita, que es el nombre que estaré empleando para referirme en lo sucesivo a la mamá de Toni, no aparece en la imagen anterior por razones de espacio. En vez de analizarlo por partes, he preferido dedicarle un apartado posterior, con la intención de contrastar su contenido con el conjunto de atributos que conformarán lo que en el ámbito del aprendizaje de máquina (machine learning) se conoce como centroide. Más adelante “explicaré con manzanitas” lo que significa eso y la importancia que reviste para la medicina de precisión, al momento de especificar un tratamiento personalizado. Por el momento quisiera analizar los demás campos de la hoja de Excel para mostar las tendencias que un ser humano como usted y como yo, podría detectar a la hora de analizar un registro histórico de datos clínicos. Veamos

En la imagen a la derecha se observa una marcada tendencia de los médicos naturópatas a recetar muérdago como fitoterapia (veáse la columna del atributo fitoterapia_1). Existe también cierta inclinación de parte de los profesionales de la salud tanto para recomendar una fitoterapia basada en cúrcuma, como para recetar gemcitabina (Gemzar) como quimioterapia. Sin embargo, yo no me atrevería a afirmar que esas tres tendencias son las únicas, o que son las que estarán rigiendo la forma que adoptará el tratamiento que estamos buscando personalizar, pues existen muchos otros datos que no se alcanzan a ver en la imagen. Algo similar ocurre con los suplementos (izquierda). Cada caso consta de una hilera de campos en donde se guardan los atributos de cada paciente, como son las dosis que estuvo tomando de betacaroteno, de vitamina C (oral), de ácido ascórbico (o ascorbato de sodio) por la vía intravenosa (IV), de vitamina D3, de omega 3 y de coenzima Q10  (pulse sobre la imagen de la izquierda para ver los detalles). Nótese por ejemplo cómo la vitamina C IV es muy solicitada en diferentes tipos de cáncer, no solo en el de páncreas.

Descubriendo el tratamiento idóneo para Marita

Hay un tratamiento idóneo para cada quien, porque lo que pueda hacerle bien a Marita, tal vez no sea lo más indicado para usted. De acuerdo con lo que estoy mostrando en la imagen adjunta y en la que sigue, para que la receta que le vamos a proponer a ella le funcionara a usted, tendría que presentar leucopenia (conteo bajo de leucocitos -pulse en la imagen adjunta-),  un marcardor tumoral CA 19-9 cercano a los 1,807 UI/ml, unos síntomas parecidos a los de ella (ver apartado anterior), estar bajo los efectos de una quimioterapia a base de irinotecán y fluoropirimidinas, en fin, lo que quiero decir es que su caso tendría que ser muy similar al de Marita (véase la imagen que sigue).

Al igual que los casos que mostré en el apartado anterior, el registro de Marita contiene los mismos campos; pero con valores de atributos muy particulares y muy probablemente diferentes a los de otros pacientes, coincidentes tal vez en algunos casos, con los de algunos pacientes en condiciones similares de salud. El punto es que cualquier registro de un paciente, incluyendo el de Marita, lo podemos representar por un conjunto de valores de atributos separados por comas.

Así, el caso de Marita quedaría representado por el siguiente conjunto de valores: 7, 67, F, adenocarcinoma pancreático, S, CA 19-9, N, N, S, N, N, S, S, S, S, N, N, gastritis, diabetes, ninguna, normales, N, N, fluorouracil, irinotecan, folfirinox, Kalanchoe, ninguna, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?, ?; en donde 7 es un código que identifica el caso, 67 es la edad de Marita, F indica un paciente del sexo femenino, luego viene el diagnóstico médico (no mío), S delata la confirmación de una metástasis, CA 19-9 está implicando que ese marcador ha alcanzado un nivel superior al normal, la N que sigue nos dice que no se ha detectado ictericia, etc. (pulse sobre la captura de pantalla de la derecha y auméntela para ver el valor y el significado de los demás atributos).

A esa lista de valores ordenados y separados por comas, los ingenieros acostumbramos llamarle vector, y es un concepto que resulta muy útil para entender otra palabra clave igual de importante en el contexto del aprendizaje automático: el centroide.
Estadísticamente hablando, un centroide se puede definir como un vector de atributos que refleja la tendencia central de cada uno de ellos. Y ¿qué cosa es una tendencia central?

¿Recuerda lo que platicábamos párrafos atrás a propósito del muérdago? Bien, ese es un ejemplo de tendencia central. De hecho, la tendencia central del atributo fitoterapia_1 se mide con la moda de ese atributo, y su valor es muérdago, pues estamos tratando con una variable nominal. Pero lo más difícil y a la vez interesante de este caso, es que no conocemos de antemano los nombres ni las dosis de los suplementos de nuestra paciente (lo cual se ha representado en el registro de Marita con signos de interrogación). Hasta donde yo sé, los únicos suplementos que Toni le ha estado dando a Marita son escozul y Kalanchoe.

Nuestra misión consistirá entonces en confeccionar una receta acorde con los datos que tenemos, pues lo que nos está faltando para convertir este caso de estudio en uno de éxito, son precisamente las dosis de los suplementos que contendrá dicha receta.

Dividir para triunfar: la técnica del clustering (segmentación)

Dado que esto no es un curso de minería de datos, y como seguramente a Toni y a usted no les interesa mucho conocer el teje y maneje de esa tecnología, lo que voy a hacer aquí es “explicar con manzanitas”, la técnica que hace posible la confección de un tratamiento personalizado: el aprendizaje de máquina no supervisado.

En la jerga de la inteligencia artificial al aprendizaje no supervisado se le conoce como clustering, y es una técnica que consiste en clasificar un conjunto de casos con atributos muy similares dentro de un determinado grupo; pero muy diferentes en relación a los atributos de los casos clasificados en otros grupos.
Tratándose de casos de cáncer por ejemplo, habrá instancias muy similares de cáncer de próstata que se diferenciarán muy bien de las de cáncer de mama, porque sería imposible que una mujer padeciera de cáncer de próstata, y muy raro que un hombre desarrollara un cáncer de mama. Como veremos, uno de los parámetros que más va a ayudar a descubrir un tratamiento, es el número de grupos.

A continuación explico el procedimiento que seguí para descubrir dos tratamientos personalizados, uno complementario que agrega varios suplementos a la quimioterapia, y otro en donde se recomienda la administración exclusiva de sustancias naturales en forma de suplementos.

Tratamiento complementario (quimioterapia combinada con suplementación)

Con una herramienta de minería de datos como WEKA, pude aplicar un algoritmo de clustering denominado K-Means, para segmentar los casos de éxito que mostré con anterioridad en la hoja de cálculo de Excel.
Uno de mis experimentos consistió en dividir el total de casos en cinco clusters (grupos), tal y como lo estoy mostrando en las capturas de pantalla adjuntas. Obsérvese cómo la máquina encontró tendencias de manera automática. Entre otras cosas, aprendió que en la base de datos hay pacientes de unos 60 años con cáncer de próstata no extendido (cluster 0), mujeres de alrededor de 60 años con carcinoma renal extendido (cluster 1), así como tres grupos de adenocarcinoma pancreático: uno de mujeres en una edad cercana a los 75, sin metástasis (cluster 2); otro de mujeres de alrededor de 58 años, con metástasis (cluster 3); y uno más de mujeres que rondan los 65, también experimentando metástasis (cluster 4).
Ahora le pregunto, ¿en cuál de los grupos cree usted que clasificó WEKA, el caso de nuestra querida Marita? Si no lo intuye, échele de nuevo una mirada a su registro y compárelo con los datos que aparecen en la parte del informe que aparece a su derecha (recuerde pulsar sobre las imágenes para agrandarlas).
Por si no lo advirtió, lo que hizo esta singular herramienta de apoyo fue clasificar el caso de Marita en el grupo 4, como no podría ser de otra manera, pues el centroide asociado al grupo 4 contiene atributos muy similares a los que están caracterizando el caso de nuestra paciente.

Nótese cómo he hecho énfasis en que ambos vectores son muy similares, lo cual de ninguna manera significa que el tratamiento implícito en ese cluster no sea idóneo. La inteligencia de las máquinas es tal, que no precisa que dos cosas sean idénticas para saber que hay ahí una intensa correlación. El concepto de correlación está desbancando a lo que pregona el método científico, en relación a esa idea de que algo no puede ser verdad, solo porque se desconoce su causa [9]. La realidad que revela un conjunto de datos está ahí, independientemente de cómo se hayan dado las cosas. Basta con que exista una cantidad suficiente de casos de éxito (no necesariamente un big data), y que cierto grupo de éstos mantenga una intensa correlación con un caso por resolver, para que ese caso pueda convertirse también en uno de éxito. Y si usted quisiera conocer algunos de los casos de éxito que respaldan lo que aquí estoy planteando, lo invito a consultar las referencias que para ese efecto he puesto a su disposición (por razones obvias de espacio y confidencialidad, no espere ver una relación de todos los casos de éxito que hay actualmente en nuestra base de datos).

Y ahora… ¡la cereza del pastel!
En la imagen adjunta estoy mostrado esa parte del reporte que por falta de espacio y una mejor claridad de exposición, no quise representar en una sola captura de pantalla. Esta tercera parte de los datos que WEKA desplegó, después de explorar en dirección descendente el resto de los atributos de los cinco centroides (del 0 al 4), contiene la fitoterapia (muérdago) y las dosis de los suplementos sugeridas por ese “pedazo de inteligencia artificial”. En un principio, esas dosis no eran más que signos de interrogación (?) en el “vector de Marita”, y se han convertido ahora en los datos que necesitamos homologar, para obtener al fin, un tratamiento complementario personalizado.

Tratamiento alternativo (sin quimioterapia)

Como señalaba yo en un apartado anterior, algunos pacientes deciden “tirar la toalla” y decirle no a las quimioterapias y las radiaciones. Pensando que Marita podría estar en ese caso, llevé a cabo una serie de experimentos adicionales para poder descubrir un tratamiento puramente alternativo. El resultado de este esfuerzo lo puede ver pulsando con su ratón en la imagen adjunta. Esta vez dividí el total de casos en tres grupos, para permitirle al software clasificar el caso de Marita. Como podrá usted advertir, el tratamiento ahora comprende las dosis indicadas por el centroide correspondiente al cluster #1 (el segundo de derecha a izquierda).

Otra razón de peso para pensar en un tratamiento como el propuesto en el cluster #1, sería que aún después de haber homologado los datos (ver el siguiente apartado), el muérdago no se pudiera conseguir en nuestro país (Toni y Marita viven en México), o que su precio fuera demasiado alto por tratarse de un producto de importación. En el siguiente apartado explico en qué consiste la homologación de los datos y otras opciones que se podrían contemplar para regionalizar la administración de los suplementos implicados en ambos tratamientos.

Homologando los datos

Los datos, tal y como los ha entregado el software WEKA, tienen que ser revisados y adaptados al entorno en el que habrán de aplicarse. Así por ejemplo, en el caso del tratamiento alternativo, puede ser que convenga más la forma natural de la cisteína, en vez de la N-acetilcisteína (NAC). Además, a sabiendas de que el propósito de la L-cisteína es promover la producción de glutatión, yo me decantaría finalmente por recetar dos o tres porciones diarias de proteína de soya o de suero de leche aislada (derecha), debido a la riqueza de nutrientes que contiene este complejo de aminoácidos. Hay dos de ellos en particular que junto con la cisteína, optimizan la producción de glutatión: la glicina y el ácido glutámico.
Análogamente, hay algunos suplementos que aparecen en ambos tratamientos que podrían excluirse, dadas las dosis tan pequeñas que se han recomendado. Si analizamos detenidamente los centroides en cuestión, podríamos extraer las siguientes conclusiones:

1) Podemos prescindir de la cisteína en el tratamiento complementario (35.3 mg), más no en el alternativo (334.5 mg).
2) El beta glucano-1,3 no es necesario en ninguno de los dos tratamientos, porque sus dosis no son de ninguna manera terapéuticas (nadie se va a curar un cáncer con 0.06 o 0.1 mg de ese suplemento).
3) El betacaroteno podría omitirse en el enfoque complementario más no en el alternativo (estamos hablando de casi 16,000 UI en esta segunda opción).
4) La vitamina C por la vía oral conviene incluirla en ambos tratamientos (6 gramos diarios para los dos).

5) La vitamina C intravenosa es muy importante en cualquiera de las dos opciones, porque existe una tendencia muy marcada de prescripción, en un gran número de casos de éxito. Existe un protocolo muy detallado para su administración, cuyas especificaciones se establecen a través de un vínculo que encontará usted en nuestra receta personalizada para el cáncer de páncreas (si lo desea puede descargarla en el apartado que sigue).
6) La vitamina D3 deberá considerarse muy seriamente en ambas versiones, ya que además de que sus dosis son terapéuticas, el caso demanda combatir una aguda depresión, por lo que será necesario aumentar unas cinco o seis veces más la dosis establecida para esta vitamina, dependiendo ello de la opción seleccionada por nuestra paciente.
7) Una situación muy similar a la de la vitamina D3 ocurre con los ácidos grasos omega 3, con motivo de la depresión reportada.

8) La administración de Coenzima Q10 solo se considera en el caso del tratamiento alternativo, ya que en el complementario la dosis indicada de 10.6 mg no aporta un beneficio sustancial.
9) La melatonina en ambos casos es importante pero se debe homologar en conformidad con las dosis disponibles en el mercado, que son de 5 y 6 mg. De acuerdo con esto, se recomiendan 6 y 12 mg para el tratamiento alternativo y complementario, respectivamente.
10) En cuanto a la duración de cada tratamiento, se han pronosticado 17 meses para el alternativo y 22 para el complementario.

En lo concerniente al muérdago, por favor no vaya usted a tomar tés de esta hierba así como así, ya que estamos hablando de una planta con un nivel de toxicidad considerablemente alto. Lo que procede aquí es conseguir presentaciones de grado farmacéutico que ya han sido aprobadas por las autorizadas sanitarias y cuyas dosis han sido establecidas por los mismos fabricantes. Esas presentaciones generalmente consisten de una solución inyectable y administrable ya sea por vía intravenosa, intramuscular o subcutánea, en  cualquiera de las marcas comerciales especificadas en la receta que en breve estaré presentando.
Otra alternativa que podría resultar muy prometedora porque suprime la toxicidad de muchas plantas, es la administración de microdosis. Varios miembros de mi familia ya nos hemos aliviado con microdosis de plantas medicinales incluso más tóxicas que el muérdago. A uno de mis hijos lo estuve tratando hace algunos años con microdosis de belladona, y yo en lo personal estuve aplicándome por mucho tiempo microdosis de digital y chicalote, que son ejemplos de dos plantas que no tienen por qué ser peligrosas si se administran apropiadamente: 3 gotas de microdosis sobre la lengua cada 5 minutos por media hora, luego cada hora diariamente hasta superar el cuadro agudo, y posteriormente ese mismo número de gotas 4 veces al día.

La Receta personalizada y homologada

 

La cantidad y el tipo de suplementos que contendrá la receta en su versión final, dependerá del tratamiento elegido por el paciente (alternativo o complementario). Recuerde que si usted no responde al nombre de Marita, el tratamiento que se obtuvo a lo largo de este estudio, puede ser que no le funcione a usted, a menos que su “vector de atributos” sea idéntico al de ella. Si está padeciendo una enfermedad “incurable” y está dispuesto(a) a convertirse en un(a) guerrero(a) biomédico(a) para salir bien librado(a) de esta lamentable situación, le recomiendo consulte nuestra sección Un Estudio para tu Caso, en donde le explicamos qué necesita usted hacer para contar con un tratamiento como el de Marita, o sea, justo a la medida de su “vector de atributos”, ese conjunto de rasgos que hacen de usted un ser humano extraordinario e irrepetible, que solo está esperando una oportunidad para demostrarle al mundo, que no hay enfermedades incurables, sino personas a quienes se les dijo que no se podían curar, y se lo creyeron.

© Sergio López González. Fundación MicroMédix. 7 de septiembre de 2018


¿No encontraste aquí lo que buscabas? En el índice temático hay más artículos que te pueden interesar


REFERENCIAS

[1] Min-Seok Seo1 et al. High-Dose Vitamin C Promotes Regression of Multiple Pulmonary Metastases Originating from Hepatocellular Carcinoma. Yonsei Medical Journal. 2015 Sep;56(5):1449-1452.
[2] Cannon, et al. The Incidental Use of High-Dose Vitamin D3 in Pancreatic Cancer. Case Reports in Pancreatic Cancer 2016, 2.1
[3] Mark Fontes. Improved Prognosis and Quality of Life in a 66-year-old Female Patient with Metastatic Pancreatic Adenocarcinoma Treated with Gemcitabine, and Adjunctive Orthomolecular and Botanical Interventions. Journal of Orthomolecular Medicine Vol 30, No 2, 2015
[4] Riordan et al. High-dose intravenous vitamin C in the treatment of a patient with renal cell carcinoma of the kidney. J Orthomol Med, 1998; 13: 72-73.
[5] González et al. High dose intravenous vitamin c and metastatic pancreatic cancer: Two cases. Integrative Cancer Science and Therapeutics, 2016. Volume 3(6): 1-2
[6] Bonucci et al. Integrated Cancer Treatment in the Course of Metastatic Pancreatic Cancer: Complete Resolution in 2 Cases. Integrative Cancer Therapies. 2018, Vol. 17(3) 994–999
[7] Complete remission and long-term survival of a patient with melanoma metastases treated with high-dose fever-inducing Viscum album extract: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5704862/pdf/medi-96-e8731.pdf
[8] Disappearance of an advanced adenomatous colon polyp after intratumoural injection with Viscum album (European mistletoe) extract: a case report; https://www.ncbi.nlm.nih.gov/pubmed/25532007
[9] Viktor Mayer-Schönberger & Kenneth Cukier. Big Data: A Revolution That Will Transform How We Live, Work, and Think. First Mariner Books, 2014
[10] Spreen Alan. Tomorrow´s Cancer Cures Today. 25 secret therapies from around the world. Health Sciencies Institute. Baltimore, Maryland. 2009


Deja un comentario

¿Qué le dijo un triglicérido a una molécula de colesterol?…”no eres tú, soy yo”

El ejército farmacéutico y sus soldados de bata blanca nos han estado vendiendo por años, la idea de que el colesterol es el principal culpable de las cardiopatías, es decir, de los problemas de corazón que se llegan a experimentar por consumir de manera excesiva alimentos cargados de grasas animales y vegetales. Y es que los fármacos fabricados a base de estatinas, como el Lipitor, el Zocor, el Crestor y otras por el estilo, les han dejado a Pfizer, a AstraZenaca y a otros muchos laboratorios farmacéuticos, carretonadas de dinero contante y sonante.

¿Que le dijo un triglicérido a una molécula de colesterol?

Independientemente de si esas estatinas realmente hacen que el colesterol baje, en la presente publicación le voy a mostrar cómo eso de que el colesterol contribuye a desarrollar una cardiopatía es totalmente falso. Como veremos más adelante, las principales causas de una cardiopatía son la resistencia a la insulina, la inflamación y el estrés crónico [1]Si las moléculas hablaran, un triglicérido le diría a una molécula de colesterol:

“No te sientas mal, tú no has sido la culpable de que el individuo que habitamos haya desarrollado esta cardiopatía. He sido yo, junto con nuestra amiga la insulina, la inflamación causada por los radicales libres y las constantes preocupaciones que nuestro anfitrión manifiesta, los que le hemos complicado su existencia“. Tanto en el libro de Bowden y Sinatra (ob. cit.) como en el trabajo de investigación que publiqué a cerca de los factores que más contribuyen en el desarrollo de una cardiopatía, se pueden hallar argumentos suficientes para rebatir esa teoría que sostiene que el colesterol, es el principal causante de las enfermedades del corazón.

Hace una década que Chris Anderson señaló en un controvertido artículo [2], que el método científico podría caer en desuso, debido a los extraordinarios resultados que estaba produciendo el análisis de las correlaciones de datos masivos (Big Data). Por aquel entonces, la técnica del análisis de datos (data analytics) ya se estaba empleando para plantear hipótesis que hasta ese momento habían emanado de las creencias o suposiciones del científico a cargo de la investigación. La hipótesis así generada debía confirmarse o rechazarse a través de una serie de experimentos minuciosamente controlados. Con el surgimiento de la minería de datos y las tecnologías de procesamiento de datos masivos, los científicos ahora son capaces de derivar hipótesis, a partir de lo que revelan las tendencias de los datos y sus correlaciones.

Los datos sí hablan, y además dicen la verdad

Cuando uno selecciona los atributos que más contribuyen al desarollo de una cardiopatia (veáse Cardiopatías: en las cosas del corazón no basta con una segunda opinión), se encuentra con que la variable a predecir (cardiopatía=falso/verdadero) tiene muy poco que ver con las variables predictoras glucosa y colesterol, y mucho que ver con la frecuencia cardíaca (frec_cardíaca), la angina inducida por el ejercicio (angina_iej) y el dolor o angina de pecho (dolor_dp). Y cuando digo poco o mucho que ver, me estoy refiriendo a lo débil o intensa que puede llegar a ser una correlación estadística entre cada una de esas variables y la cardiopatía o variable de salida (pulse sobre la imagen adjunta para agrandarla).

Los datos hablan por sí mismos y no hay que salir corriendo a la farmacia a comprar 10 cajas de Lipitor, después de que un excelentísimo señor de bata blanca nos ha comunicado que nuestro colesterol está por las nubes y que es imprescindible bajar sus niveles. No sé si me estoy explicando. La correlación es una medida de lo mal o bien que una variable afecta a otra, sobre todo cuando los datos de cada una de ellas no han sido inventados, como suele suceder en los ensayos clínicos aleatorizados tipo doble ciego. El repositorio de datos de los centros médicos de la Universidad de California con sede en Irvin, fue recolectado y puesto a disposición de los ingenieros en informática biomédica y los científicos de datos, para que construyéramos un modelo de diagnóstico como el que presenté en la publicación cuyo vínculo proporcioné en un párrafo anterior. Esos datos reflejan la realidad de un total de 573 casos registrados, mismos que después de haber sido alimentados a una herramienta de minería de datos como WEKA, fueron analizados y correlacionados para su diagnóstico y selección, respectivamente.

Se dice que una variable afecta de manera significativa a otra, cuando su coeficiente de correlación es igual o muy cercano a la unidad. Un coeficiente de correlación entre dos variables nulo o cercano a cero, indica que ninguna de las dos afecta a la otra. De acuerdo con el análisis de correlaciones entregado por nuestra herramienta de trabajo, cuyas capturas de pantalla he mostrando en la secuencia de imágenes adjuntas, es claro que el colesterol no influye significativamente ni en la frecuencia cardíaca, ni en la angina de pecho, ni sobre la que es inducida por el ejercicio (pulse sobre cada una de las imágenes para agrandarlas). Nótese cómo se aplicaron tres criterios de correlación para ponderar la relevancia de cada variable predictora respecto a la de salida.

Realidad, causalidad y casualidad

Como hemos visto, los datos no mienten, y pueden llegar a ser más confiables que las hipótesis que podrían regirse por el sentir de un científico en particular, o los intereses de un laboratorio que pretende convencer a los médicos y al público en general, de las bondades de su última patente farmacéutica. En la época en la que los datos eran escasos o eran demasiados pero difíciles de procesar por no contar con herramientas apropiadas, los investigadores se esforzaban por explicar a toda costa, las causas de un fenómeno. La causalidad era más importante que cualquier otra cosa. Si no se conocían las causas de un síntoma o de una enfermedad, no se podía establecer una hipótesis y mucho menos una teoría sobre lo que estaba ocurriendo.

Como dato curioso, existen descubrimientos que fueron realizados por casualidad y que por lo mismo, no surgieron obedeciendo al principio de la causalidad que tanto promueven los partidarios del método científico. Hay muchos ejemplos de ellos: la penicilina, la radioactividad, los rayos X, el velcro, el teflón, la dinamita, el viagra, el marcapasos, la vulcanización del caucho y el plástico, son solo algunos de esos hallazgos que se produjeron por accidente. ¿Y cree usted que en algún momento, el científico en cuestión se propuso investigar las verdaderas causas de su descubrimiento? Pregúntele a un médico si sabe por qué el viagra produce ese singular efecto en los varones y comprenderá mejor lo que quiero decir. Los millones de dólares que le ha redituado este descubrimiento a Pfizerjustifican de sobra el saber exclusivamente qué es lo que produce, sin necesidad de preguntarse cómo lo hace.

Ahora imagine por un momento que cuenta usted con una herramienta que calcula correlaciones significativas que no implican una mera casualidad, sino que más bien indican una realidad reflejada por las variables que mejor representan el comportamiento de la variable a diagnosticar. Eso es precisamente de lo que se encarga una herramienta de minería de datos como la que usé para concluir que el colesterol no constituye un buen predictor de cardiopatías.

El Proxy: una realidad sin causalidad

Schönberger & Cukier [3] han denominado proxy al conjunto de variables que representan el comportamiento de la variable que se diagnostica. En el caso que nos ocupa, el proxy está constituido básicamente por la frecuencia cardíaca, la angina de pecho y la angina inducida por el ejercicio.  Esto significa que una variación en cualquiera de estas variables predictoras, afecta sensiblemente a la variable a predecir, esto es, a la presencia/ausencia de una cardiopatía.

Ambos autores piensan que una correlación puede ser todo lo que uno necesita para descubrir lo que está pasando entre dos o más variables, aun cuando la misma cifra no revele por qué está pasando. Un proxy es entonces un conjunto de variables predictoras que reflejan fielmente el comportamiento de la variable a predecir, por estar mejor correlacionadas con ésta. Aunque en su obra ellos no mencionan absolutamente nada a cerca del colesterol, lo que yo estoy poniendo aquí al descubierto en relación al fraude farmacéutico de las estatinas, tiene mucho que ver con el hecho de que existe una correlación muy pobre entre el colesterol y las cardiopatías (0.1 para ser exactos).

El precio de bajar el colesterol: los efectos secundarios de las estatinas

Hasta donde alcanzo a vislumbrar, esto constituye una medicina basada en evidencias, porque así lo demostró el análisis de datos de los pacientes de Cleveland y Statlog. Y si los datos también hablaran, le dirían a los médicos: el colesterol no es el principal causante de los problemas de corazón, así que por favor ya no sigas prescribiendo estatinas, porque vas a acabar con la memoria y otras capacidades cognitivas de tus pacientes”. Los efectos secundarios que más deberían preocupar a los pacientes de los médicos que acostumbran recetar estatinas, son el deterioro de la memoria y la capacidad cognitiva.

Un estudio realizado por la Universidad del Estado de Iowa en el 2009 (ob. cit., pág. 144), demostró que el cerebro depende del colesterol para funcionar de manera óptima. “Hay una relación directa entre el colesterol y la liberación de neurotransmisores… El colesterol cambia la forma de las proteínas para estimular el pensamiento y la memoria… afecta lo listo que eres y tu capacidad para recordar las cosas“, señaló en su informe Yeon-Kyun Shin, biofísico y profesor del departamento de bioquímica, biofísica y biología molecular de la universidad de Iowa.
De manera que bajar el colesterol con estatinas puede resultar hasta contraproducente, porque además de provocar dichos efectos secundarios, no ofrece un beneficio sustancial en la prevención de infartos.
Lo que realmente importa entonces es encontrar las verdaderas causas de las cardiopatías. Para ello, conviene dejar de preocuparse por el colesterol total y el “colesterol malo” (también llamado de baja densidad o LDL), para enfocarse más en los triglicéridos y el colesterol de lipoproteínas de alta densidad (HDL), mejor conocido como “colesterol bueno”.

Los verdaderos culpables de las cardiopatías

Por supuesto que habremos de explorar también los posibles factores de riesgo que se asocian a una cardiopatía, tomando en cuenta los hallazgos anteriormente mencionados. Pero como no es posible descubrir las causas de una cardiopatía a través de correlaciones, me interesó conocer la opinión de Bowden y Sinatra a este respecto.
Aunque ambos autores reconocen al azúcar como uno de los principales causantes de las cardiopatías, si miramos más detenidamente las capturas de pantalla mostradas en las imágenes precedentes, podríamos inferir que la glucosa tampoco está muy correlacionada con las cardiopatías, al menos no directamente. Apostaría doble contra sencillo a que si en el repositorio de Irvin se hubieran registrado los niveles de los triglicéridos y/o de insulina de cada uno de los casos atendidos, encontraríamos una fuerte correlación entre cada una de ellas y la variable de salida, esto es, la existencia/ausencia de una cardiopatía.

Pero entonces ¿por qué Boden & Sinatra afirman que el azúcar sí es un factor que aumenta el riesgo de desarrollar una cardiopatía?
En mi opinión, lo hace pero de manera indirecta: el consumo excesivo de azúcar y de carbohidratos afecta a la cantidad de insulina que segrega el páncreas, lo que a su vez produce un aumento de los triglicéridos en la sangre. Ellos lo han expresado de manera muy sucinta: “las dietas que son más bajas en azúcar y carbohidratos procesados reducen la inflamación, el azúcar en la sangre (glucosa), la insulina, la resistencia insulínica y los triglicéridos” (op. cit., pág. 86. Los paréntesis son míos).

De acuerdo con lo anterior, es muy probable que las variables que conforman el proxy estén intensamente y directamente correlacionadas con la insulina o la insulinorresistencia, los triglicéridos y los marcadores de inflamación activa, como el fibrinógeno o la proteína C reactiva, o cualesquier otro que refleje la actividad de las citoquinas. Las citoquinas o citocinas, son moléculas que se encargan de reclutar células para las áreas de inflamación, y cualquier examen de laboratorio que refleje una actividad de esta índole, indicará el grado de inflamación sistémica (aquella que no está focalizada, sino que se ha extendido hacia muchas otras partes del cuerpo).

Por su parte, el estrés crónico viene a ser también una variable que debería repercutir directamente sobre las que componen el proxy, y bastaría con conocer los valores de estas últimas para predecir con un 79% de confianza [4], que el paciente va a presentar o no una cardiopatía, porque resultaría muy complicado medir su nivel de estrés. Es extremadamente difícil cuantificar el nivel de adrenalina y cortisol que está uno segregando a diario, o cada vez que se preocupa por algo o alguien; así que el proxy resulta de mucha utilidad cuando se está pretendiendo identificar lo que está afectando a la variable de salida. Sin embargo, no hay que olvidar que la verdadera causa de una cardiopatía no puede ser determinada a través de una correlación.

Lo mejor que puede hacer usted para prevenir una cardiopatía

En resumen, la insulinorresistencia, la inflamación y el estrés van a influir en el proxy, en la misma proporción en la que éste repercute en el surgimiento de una cardiopatía. Y si usted quisiera hacer algo para mejorar las condiciones de “su proxy”, o sea de su frecuencia cardíaca, de una posible angina de pecho y/o de una probable angina inducida por el ejercicio, lo mejor que podría hacer a partir de este momento, es dejar de consumir azúcares para reducir los triglicéridos y aumentar el colesterol bueno con una adecuada suplementación, ya que ambos determinan el nivel de insulinorresistencia.

El cociente que resulta de dividir la cantidad de triglicéridos entre el nivel de colesterol tipo HDL, es un indicador de que tan insulinorresistente es un paciente. Un cociente con un valor mayor o igual a 3 debería preocupar a cualquiera, porque ese resultado estaría confirmando una insulinorresistencia y un deterioro de las variables del proxy. A modo de ejemplo, en la imagen adjunta (pulse sobre la misma para agrandarla), muestro los resultados de la química sanguínea de un hombre de 59 años que a pesar de tener un nivel alto de LDL, no presenta insulinorresistencia, ya que su nivel de triglicéridos es igual a 80 mg/dL y su HDL es de 45 mg/dL (el cociente aquí es de 1.77).

Conclusiones

1) Para prevenir cualquier cardiopatía, incluyendo un infarto, no es tan importante el valor que tengan los triglicéridos y el colesterol por sí mismos, sino la relación (cociente) que existe entre los primeros y el denominado “colesterol bueno”.
2) Para los efectos del inciso anterior, no hace falta reducir las grasas animales y vegetales, sino disminuir el azúcar, el estrés crónico y la inflamación. Los primeros dos factores de riesgo dependen de usted. Lo que no depende de usted es la inflamación, y dado que ya sabemos que ésta sí es una de las principales causas de los problemas cardíacos, le recomendamos que en caso de haber sido dianosticado(a) con una cardiopatía, reduzca la inflamación con antioxidantes en dosis terapéuticas apropiadas (ortomoleculares).

Un comentario final

Si desconoce el tipo de suplementos que debe tomar para reducir aún más los triglicéridos, o no sabe cómo aumentar el colesterol bueno o cómo determinar las dosis diarias de sus antioxidantes y cada cuándo tomarlos, puede contactarnos para que le confeccionemos una receta que concuerde mejor con su individualidad bioquímica.

“La mejor forma de representar una realidad, no es buscando los datos que justifiquen la existencia de una hipótesis, sino elaborando una teoría a partir de lo que tengan que declarar los datos”
© Sergio López González. Fundación MicroMédix. 31 de mayo de 2018.


¿No encontraste aquí lo que buscabas? En el índice temático hay más artículos que te pueden interesar


REFERENCIAS

[1]  Jonny Bowden y Stephen Sinatra. La verdad sobre el colesterol. Descubre los falsos mitos acerca del colesterol. Un programa efectivo sin medicamentos para rebajarlo.  Urano. 2103
[2] Chris Anderson. The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. Wired, June 2008.
[3] Viktor Mayer-Schönberger & Kenneth Cukier. Big Data: A Revolution That Will Transform How We Live, Work, and Think. First Mariner Books, 2014
[4] López G. Sergio. Cardiopatías: en las cosas del corazón no basta con una segunda opinión. Fundación Micromédix, 27 de enero de 2018.


Deja un comentario

Minería de datos clínicos como apoyo en el diagnóstico médico: herramientas y cursos

¿Cómo se puede contar con la opinión consensuada de un centenar de especialistas, sin incurrir en un gasto excesivo? Con un software de minería de datos (data mining) y la capacitación apropiada para comprender bien su operación.
El aprendizaje de máquina está rebasando las expectativas de los médicos y naturópatas que continuamente se actualizan para mejorar sus diagnósticos, e independientemente de si el problema ha de solucionarse con medicina alternativa o alopática, hoy en día ya no basta con la opinión de un solo profesional de la salud para pronosticar si un paciente va a sobrevivir o no a una enfermedad.

Aun cuando un experto haya diagnosticado a un paciente como incurable, no está de más conocer la opinión de un mayor número de colegas. De hecho, hay muchos médicos que estarían encantados de contar con el consenso de otros especialistas del ramo, para corroborar si lo que han dictaminado es realmente irrefutable. Los seres humanos a veces nos equivocamos (falsos positivos/negativos), y eso puede contribuir a que un paciente se rinda a consecuencia del efecto nocebo que un pronóstico médico pesimista suele producir.

El propósito de la minería de datos 

Durante el presente trabajo explicaré cómo es que una rama de la informática biomédica conocida como minería de datos, pone a disposición de un profesional de la salud, la opinión consensuada de cientos de médicos, basándose en los casos atendidos anteriormente por expertos que ni siquiera conoce. ¿Que cómo lo hace? Esa es precisamente la pregunta que a lo largo de este artículo pretendo responder.
Para determinar la condición de un paciente, el especialista tendrá que plantearle unas cuantas preguntas que una herramienta de diagnóstico es capaz de formular automáticamente, basándose en un registro histórico acumulado de cientos de casos.

Por favor no me mal interprete, lo que estoy proponiendo aquí no es remplazar la función del médico con un software de diagnóstico, sino apoyarlo en la toma de decisiones. El software de minería de datos es un recurso más al que se puede recurrir a la hora de emitir un dictamen. Lo más interesante de esta otra herramienta, es que captura y procesa las variables (atributos) recogidas por el resto del instrumental médico, para analizar su influencia en el estado de salud del paciente. La presión arterial, los signos vitales, los síntomas y demás rasgos de un paciente pueden ser registrados y posteriormente analizados simultánea y expeditamente por un programa de minería de datos, a fin de generar un diagnóstico más completo y confiable.

En referencia a la hepatitis por ejemplo, preguntas como ¿está presentando ascitis el paciente?, ¿padece de arañas vasculares? y ¿a cuánto asciende su tiempo de protrombina (rapidez de coagulación sanguínea)?, pueden resultar cruciales al momento de emitir un diagnóstico. Así por ejemplo, cabe la posibilidad de que aun cuando el tiempo de protrombina sea mayor a 43 segundos, el paciente todavía pueda sanar si no presenta ascitis ni arañas vasculares (pulse sobre la imagen adjunta para ver las reglas de decisión que generó la herramienta de software WEKA, una vez que encontré el modelo óptimo de diagnóstico).

Mediante ese mismo modelo, se puede obtener un pronóstico de la esperanza de vida de una mujer que ha llegado a la sala de emergencias experimentando fatiga y arañas vasculares, con un hígado sin endurecimiento; pero con un nivel de albúmina por debajo de los 3.8 g/dl y uno de fosfatasa alcalina inferior a los 147 U/L. ¿Y habría necesidad de internar a otra mujer habiéndole detectado un hígado endurecido, un nivel de albúmina por encima de los 2.8 g/dl y una bilirrubina inferior a los 1.42 mg/dl?
De acuerdo con la tercera regla de decisión del modelo de minería de datos que presenté en la imagen inmediata anterior, la respuesta es no, porque esa última condición ha sido pronosticada por el modelo en cuestión como curable.

Si usted es un(a) hepatólogo(a) con experiencia, es muy probable que algunas de las reglas de decisión anteriormente expuestas le resulten familiares, y tal vez otras le parezcan simplistas o incluso cuestionables. Y lo comprendo, porque quiero suponer que está acostumbrado a efectuar dictámenes más estrictos; pero permítame aclarar que el modelo propuesto, además de ser probabilístico, es perfectible, ya que el número de casos en los que están basadas las reglas anteriores es de 155, que para ser exactos corresponden a 123 casos curables y 32 incurables  (véase la captura de pantalla adjunta). Al pulsar sobre el histograma, notará que la barra roja está representando los casos incurables.

En el campo de la minería de datos, al igual que en la medicina, a medida que aumenta el número de casos atendidos, también lo hace la experiencia acumulada, y con ella, la certidumbre de los diagnósticos. Las máquinas aprenden de manera muy similar a como lo hacen los seres humanos y como alguna vez lo hicieron aquellos programas de computación a los que no hace mucho tiempo se les llamó sistemas expertos, es decir, a través de una base de conocimientos. De manera que usted mismo puede ir optimizando su propio modelo, siempre que vaya integrando más casos a esa base de conocimientos: ese conjunto de casos que ya resolvió en el pasado y que seguirá diagnosticando cada día mejor, conforme pasen los años. El punto aquí es que la máquina y usted aprendan, tanto si aciertan en sus diagnósticos como si no, porque ¿sabe usted cuántas variables predictoras es capaz de manejar simultáneamente un software de minería de datos para diagnosticar un padecimiento? Cientos de ellas.

En el artículo que publiqué bajo el título “La informática biomédica en el diagnóstico y la prevención de la esquizofrenia y otros trastornos de la personalidad“, propuse un modelo con 72 variables predictoras que a la postre optimicé empleando únicamente 35 atributos, mediante una selección apropiada de los mismos. A la izquierda muestro los histogramas de las 15 variables que componen el modelo que les propuse construir a mis participantes, en uno de los cursos que imparto: “Informática Biomédica para el Descubrimiento de Nuevas Terapias y el Diagnóstico de Enfermedades“. Más adelante explico por qué esas 15 variables resultaron ser las más relevantes en el caso de la hepatitis.
Sin una herramienta de minería de datos a la mano, es probable que a un ser humano se le dificulte manejar al mismo tiempo, 15 variables para emitir diagnósticos confiables de hepatitis, o 35 variables en el caso del modelo de diagnóstico para la esquizofrenia. Entiéndase aquí por confiable no tanto la opinión de uno o dos expertos en la materia, sino la precisión que se consigue utilizando un conjunto de datos de prueba, que permiten confrontar los diagnósticos realizados por un algoritmo estadístico-matemático, con lo que opinaron un gran número de expertos en el pasado. Técnicamente hablando, al resultado de esa comparación se le conoce como matriz de confusión (derecha), que no es más que una tabla en donde el analista de datos clínicos puede distinguir los llamados falsos positivos/negativos, de los verdaderos positivos/negativos.

Tendría usted que desarrollar uno de los talleres del curso que mencioné con anterioridad, para aquilatar debidamente el hecho de que un ser humano no es capaz de manejar simultáneamente, ya no digamos 35, sino al menos 15 variables, como para discernir bien entre un falso diagnóstico y otro probablemente correcto. Para una discusión más profunda sobre lo que implicaría por ejemplo, dar de alta a un paciente cuando en realidad sí está presentando una cardiopatía (falso negativo), véase: “Cardiopatías: en las cosas del corazón no basta con una segunda opinión“, también de mi autoría.

Aclarando los conceptos clave de la minería de datos

A reserva de que con el curso de minería de datos usted consiga dominar esa jerga técnica que describe mejor cómo aprende una máquina, considero conveniente explicar sin tanto tecnicismo, algunos conceptos básicos que le ayudarán a comprender el teje y el maneje de esta fascinante área del conocimiento (si desea usted conocer más detalles sobre los temas que se tratan a lo largo del curso, puede pulsar sobre el mapa mental de la derecha para agrandarlo).
Recuerde que si este esfuerzo no bastara para dejar claro los conceptos clave de la minería de datos, para mí siempre será un placer responder cualquier pregunta que quisiera usted plantear a modo de comentario, al final de esta entrega.

Es importante conocer por ejemplo la diferencia que existe entre un modelo y su algoritmo. Un modelo es el efecto que resulta de aplicar un algoritmo a un conjunto de atributos en particular.
El algoritmo por su parte, es una serie de instruciones escritas en algún lenguaje de programación, que al ser aplicadas a ese conjunto de atributos, provocan un cambio en el diagnóstico o variable de salida. A esta variable también se le llama clase, precisamente porque su finalidad es clasificar cada uno de los casos registrados en el pasado.

Los atributos constituyen las variables de entrada al modelo y reciben también el nombre de variables predictoras, porque afectan el comportamiento que tendrá la variable de salida en el futuro, es decir, cuando se trate de diagnosticar casos de pacientes cuyo diagnóstico se desconoce. En la tabla que aparece en la imagen adjunta (pulse sobre la captura de pantalla de la hoja de Excel para agrandarla), cada renglón de la tabla representa un caso de un paciente afectado de hepatitis, cuyo diagnóstico fue determinado en el pasado con dos posibles valores: curable e incurable. Ambos valores están representando a la clase asignada a cada caso en particular.

Así por ejemplo, de los 155 casos de hepatitis que obtuve del repositorio de datos de la Universidad de California con sede en Irvin (solo se muestran los primeros 25), el caso asociado al séptimo renglón de la tabla, que corresponde a una mujer de 51 años que reportó no haber consumido esteroides ni antivirales, y cuyos síntomas estaban caracterizados por la presencia (denotada como en la celda/casilla correspondiente) de fatiga, anorexia, hígado agrandado, bazo palpable y arañas vasculares, fue desahuciada por el médico que la atendió, a pesar de que en ese momento no contaba con los datos de los atributos bilirrubina, fosfatasa alcalina, SGOT (AST o aspartato aminotransferasa), albúmina y tiempo de protrombina (hecho denotado como “?” en la casilla).

El preprocesamiento de los datos y su repercusión en la precisión del modelo

Tan solo con convertir apropiadamente algunas de las variables numéricas a categóricas, sustituir los campos vacíos de estas últimas con el valor de su moda, y remplazar los valores faltantes de las variables numéricas con el promedio de su correspondiente atributo, ya estaríamos aumentando la precisión de un modelo que podríamos usar como referencia, para irlo optimizando sucesivamente (análisis comparativo o benchmarking).
Dentro de las estrategias de aprendizaje supervisado, existen varios algoritmos con los que se puede comenzar a trabajar. En la imagen de la derecha enumero varios de ellos.
Puesto que ya en una publicación anterior utilicé como referencia el algoritmo ZeroR, en esta ocasión recurriré al árbol de decisión J48 como primera aproximación. Este método de aprendizaje selecciona automáticamente los atributos que a “su juicio” son los más relevantes, entendiendo por relevantes aquellos atributos que más afectan al diagnóstico, o que están más correlacionados con éste. La correlación de un atributo con la variable de salida, nos permite ubicarlo dentro de una lista jerárquica, para saber qué tanto puede influir en los diagnósticos. Nótese como las ramas del árbol de decisión mostrado a su izquierda (pulse sobre la imagen para agrandarla), terminan en un nodo al que se le llama “hoja”, en donde se puede conocer el resultado del proceso de clasificación a lo largo del camino (rama) que conduce a ese nodo terminal (curable/incurable, dependiendo ello de los valores de los atributos).

Optimizando el modelo con los atributos de mayor relevancia

En una primera aproximación, mis participantes suelen obtener con el árbol J48 una precisión del 80.64%. No obstante, este cifra no parece muy prometedora si de lo que se trata es pronosticar la posibilidad de sobrevivir a una hepatitis. Conociendo las precisiones que otros investigadores han obtenido en cuanto a diagnósticos de hepatitis se refiere, nuestro trabajo dejaría mucho que desear si no hiciéramos un esfuerzo por mejorar sus respectivas propuestas.

Karthikeyan y Thangaraju [1] por ejemplo, desarrollaron un modelo basado en J48 que exhibió una precisión del 83%, la cual demostraron se puede conseguir también con un árbol de clasificación tipo Random Forest, y una red neuronal multicapa (perceptrón). No quedando conformes con eso, en una etapa posterior encontraron un par de modelos basados en redes bayesianas con un 84% de precisión.
Por su parte, Nilgün y Özgür [2] lograron conseguir una precisión en sus diagnósticos del 84.5%, con las reglas de decisión PART comentadas en un párrafo anterior.

Para no quedarnos atrás, a continuación describiré cómo en el curso de “Solución de Problemas Multidisciplinarios con Minería de Datos“, los participantes construyeron un modelo con una precisión mayor a la que consiguieron los referentes que cité con anterioridad. La diferencia radicó en una mejor selección de los atributos.

Hay varios métodos para determinar cuáles son los atributos más relevantes. En la imagen de la izquierda muestro la lista de las variables consideradas en el modelo inicial, así como las que seleccionamos en el curso, a partir de una jerarquización de las mismas basada en los promedios de sus correlaciones con la variable diagnóstico (listadas en orden descendente). Como se advierte en esa misma captura de pantalla (pulse sobre la misma para agrandarla), los atributos que terminamos descartando fueron los que aparecen resaltados en amarillo: esteroides, anorexia, hígado agrandado y SGOT. Los demás fueron los que escogimos como los más relevantes.
El procedimiento que se sigue para descartar o conservar los diferentes atributos forma parte de lo que se conoce como calibración del modelo, y constituye todo un apartado dentro del temario del curso “Solución de Problemas Multidisciplinarios con Minería de Datos“. Para los efectos de este trabajo, lo importante no es tanto saber cómo se seleccionaron los atributos, sino qué variables resultaron ser las más relevantes, y cómo afecta dicha selección la precisión de los diagnósticos. En la imagen de la derecha presento un cuadro resumen de los modelos evaluados a lo largo del taller, con sus correspondientes coeficientes estadísticos. Si desea saber para qué sirven estos parámetros, le recomiendo consultar: Cardiopatías: en las cosas del corazón no basta con una segunda opinión; ahí expliqué con mayor detenimiento algunas de sus propiedades.

El análisis de los datos: una alternativa para optimizar el modelo

De acuerdo con la tabla anterior, el modelo que resultó de aplicar las reglas de decisión PART a los 15 atributos previamente seleccionados, fue sin lugar a dudas el mejor, por habernos entregado en el menor tiempo posible, una precisión del 88.38%, con un coefficiente de Kappa mayor a todos los demás y una tasa de error mínima.

Aun cuando hay autores que afirman haber encontrado precisiones mayores a las que aquí estamos reportando [3]-[4], para los propósitos del taller que mis participantes estaban cursando, dicha cifra fue más que suficiente, pues superó en 3.8 puntos porcentuales, los resultados conseguidos por esos otros dos referentes anteriormente mencionados (análisis comparativo). Y aunque la jerarquización de correlaciones promediadas es un método más formal que el análisis de los datos, ésta otra técnica se podría aplicar también para seleccionar los atributos que más influyen en el diagnóstico.

El análisis de datos no requiere de operaciones matemáticas laboriosas pero sí de cierta habilidad para interpretar histogramas y detectar correlaciones entre atributos. Dos atributos están correlacionados cuando uno depende del otro, y uno de los dos se puede descartar en caso de confirmarse una correlación entre ellos.

La independencia entre dos atributos se puede comprobar matemáticamente con el teorema de Bayes. No obstante, una correlación de atributos se puede inferir también a partir de su diagrama de dispersión. Habrá situaciones sin embargo en las que no se podrá descartar un atributo, por estar correlacionado tanto con otro atributo como con la variable de salida. Tal es el caso de la albúmina, la ascitis y el diagnóstico de la hepatitis.  Sabiendo que un nivel anormalmente bajo de albúmina constituye un rasgo de daño hepático grave, y que una cantidad insuficiente de albúmina podría estar implicando una ascitis, se intuye que debe haber una correlación entre las variables de entrada ascitis y albúmina. Pero de acuerdo con los promedios jerarquizados de las correlaciones entre cada una de estas variables y el diagnóstico, todo indica que no podríamos descartar ninguna de ellas, porque ya vimos que ambas ejercen un gran impacto en la variable de salida.
De acuerdo con el histograma mostrado a la izquierda, los pacientes con menos posibilidades de sobrevivir (área en color rojo) suelen ser los que presentan el nivel de albúmina mas bajo. Análogamente, observe en la captura de pantalla de la derecha, cómo la ascitis impacta de manera muy marcada en la esperanza de vida: el porcentaje de los casos incurables (en rojo), es mucho mayor en los casos de ascitis que en aquellos en los que no se detectó acumulación de líquido en el abdomen.

En contraste con los dos atributos anteriores, mediante un análisis de los histogramas asociados a las variables esteroides, anorexia, hígado agrandado y SGOT, puede uno fácilmente darse cuenta del poco impacto que ejercen éstas en el diagnóstico.

A modo de ejemplo, obsérvese la variación del atributo esteroides en la captura de pantalla de la imagen adjunta. El histograma revela que el porcentaje de pacientes que sobrevivieron y que no consumían esteroides fue del 73% aproximadamente, mientras que el porcentaje de los que sobrevivieron y que sí consumían esteroides fue del  87%. Como yo lo veo, no hay una gran diferencia entre consumir o no esteroides, si de lo que se trata es pronosticar lo que sucederá después de haber contraído una hepatitis, cualesquiera que sea su tipo (A,B,C,D,E, F o G). Considero que esa diferencia de tan solo el 14%, es suficiente para contemplar la posibilidad de descartar este atributo de nuestra lista de variables relevantes.

Pero entonces… ¿Qué diagnóstico le entregaría usted al paciente que acaba de llegar a su consultorio?

Prueba de validación y confiabilidad del modelo

Una vez habiendo evaluado al menos 3 modelos y seleccionado uno de ellos como el óptimo, lo que resta es ingresar los datos de uno o más pacientes a nuestra herramienta de diagnóstico. En la imagen de la derecha estoy mostrando lo que el software WEKA me entregó al sustituir la opción de prueba conocida en el argot de la minería de datos como validación cruzada (indicada en la imagen de la derecha como Cross-validation), por la opción suministro de datos de validación (Supplied test set). Este conjunto de datos constituye el archivo de pacientes a diagnosticar, o mejor dicho, representa los valores de los atributos de unos pacientes cuyos datos no están en ningún repositorio de California, sino en el archivo clínico del hospital o de la institución en donde el médico o naturópata trabaja.
Supóngase que los casos a diagnosticar corresponden a seis pacientes, con los síntomas y datos de validación que aparecen en la hoja de datos de la izquierda. Note que el campo correspondiente a la variable de salida diagnóstico, contiene un signo de interrogación, el cual se ha ingresado así deliberadamente, porque al momento de ingresar los datos, el diagnóstico aún es una incógnita.
En el momento que le decimos a WEKA “arráncate”, pulsando sobre el botón etiquetado como Start, este software aplica el algoritmo PART a los 15 atributos de los que consta cada uno de los 155 casos almacenados en la memoria de la máquina, con la diferencia de que esta vez ya no emplea una validación cruzada. En lugar de tomar la décima parte de los datos de entrenamiento como datos de prueba (de ahí que Folds=10), sustituye a éstos con los datos de nuestros pacientes para realizar sus diagnósticos. Esos datos son los que aparecen en la imagen de la izquierda.

¿Cuál sería entonces el diagnóstico del paciente con lo datos de la instancia (caso) #1? (véanse de nuevo las últimas dos imágenes). La respuesta se traduciría como una esperanza de vida del 96.7%, puesto que fue diagnosticado como curable. ¿Y que me dice de la esperanza de vida del paciente con los datos de la instancia #6 ? Ahora el panorama es desolador, porque basándonos en las cifras que ha entregado la herramienta de diagnóstico, inferimos que  la esperanza de vida para este paciente es del 14.3%, dado que fue diagnosticado como incurable. ¿Pero qué tan confiables son estos diagnósticos?

Hemos visto que la bondad de un modelo depende del algoritmo y de los atributos seleccionados. Pero tenemos que ser muy cuidadosos a la hora de interpretar los resultados, porque las evaluaciones de los cuatro modelos anteriormente analizados, fueron realizadas empleando una validación cruzada. Si fuéramos más estrictos, tendríamos que hacer una segunda evaluación, usando los mismos datos de entrenamiento del repositorio de Irvin; pero con un conjunto de datos de prueba mucho mayor que el archivo de 6 pacientes que usaron mis participantes en el taller, en donde no debería faltar el valor de la clase. En estas condiciones, el modelo seguiría siendo el mismo pero aprendería más de sus errores, como resultado de la comparación de los valores diagnosticados con los reales.

Como cabría esperar, bajo este nuevo esquema el modelo arrojaría una precisión ciertamente menor; pero más confiable (realista) que la que obtuvimos aquí con la validación cruzada.

Conclusiones

1) La confiabilidad de un modelo crecerá conforme aumente el número de casos, tanto de los que se usan para entrenarlo, como los que sirven para probarlo. Entre más grande sean el volumen y la calidad de los datos, más confiables serán los diagnósticos.
2) La precisión de un modelo depende tanto del algoritmo como de los atributos seleccionados.
3) Además de la precisión y el tiempo de ejecución, la evaluación de un modelo debe considerar también ciertos parámetros estadísticos, como son el coeficiente de Kappa, la raíz del error cuadrático medio y la matriz de confusión, por mencionar los más importantes.

4) Una herramienta de minería de datos fácil de usar y gratuita, así como una buena capacitación, aumentan la competitividad de un profesional de la salud, pues no es lo mismo confiar en la experiencia de un solo experto, que considerar el consenso de un gran número de especialistas.
5) El descubrimiento de tendencias y patrones en un gran volumen de datos de buena calidad, contribuye más a minimizar los diagnósticos falsos positivos/negativos y a maximizar los pronósticos verdaderos positivos/negativos, que cuando se opta exclusivamente por la auscultación, la vigilancia de signos vitales, los exámenes de laboratorio y el seguimiento de la evolución de síntomas y rasgos del paciente.

Tanto en la medicina como en los demás campos del saber, los datos pueden reflejar una realidad que no es posible descubrir a través de la lectura o del estudio de una que otra hipótesis científica, sino por medio de la interpretación apropiada de una tendencia, un patrón, o de esa pista que nos ayudará a comprender mejor los misterios de la naturaleza, y que nos ampliará aún más la visión que tenemos del mundo que nos rodea. Hay algo en los datos que no está en los libros y que es menester descubrir: el conocimiento.

“No hay inversión más rentable que la del conocimiento” … Benjamin Franklin
© Sergio López González. Fundación MicroMédix. 16 de abril de 2018


¿No encontraste aquí lo que buscabas? En el índice temático hay más artículos que te pueden interesar


REFERENCIAS

[1] Karthikeyan & Thangaraju. Analysis of Classification Algorithms Applied to Hepatitis Patients. International Journal of Computer Applications (0975 – 8887), Volume 62– No.15, January 2013.
[2] Nilgün & Özgür. Evaluation of risk of death in hepatitis by rule induction algorithms. Scientific Research and Essays Vol. 5(20), pp. 3059-3062, 18 October, 2010.
[3] Fadl Mutaher Ba-Alwi, Houzifa M. Hintaya. Comparative Study For Analysis The Prognostic In Hepatitis Data: Data Mining Approach. International Journal of Scientific & Engineering Research, Volume 4, Issue 8, August-2013.
[4] Pushpalatha & Pandya. Data model comparison for Hepatitis diagnosis. International Journal of Emerging Research in Management & Technology. ISSN: 2278-9359 (Volume-3, Issue-7).