Los servicios de salud pueden ser de dos tipos, de urgencia y de consulta.
Usted acude a un servicio de urgencia cuando ha sufrido un accidente, le ha sobrevenido un infarto, un derrame cerebral o cualquier otra condición de peligro inminente. En un escenario como éste, usted no dispone de más alternativas que un médico cirujano, con capacidad para resolver el problema con los medicamentos y los métodos que a su juicio, puedan salvarle la vida. En cualquier otro caso en donde la afección puede ser analizada y tratada con suficiente tiempo a lo largo de una consulta, lo más probable es que no necesite de un equipo médico ni de una sala de operaciones. Siendo este el caso y tratándose de cualquier enfermedad crónica, usted puede recurrir a una consulta de índole bioinformática. Es así como ha surgido la informática biomédica, un campo interdisciplinario que busca mejorar la salud de las personas y contribuir a la investigación científica, la solución de problemas y la toma de decisiones, a través del estudio y el uso efectivo de los datos, la información y el conocimiento biomédicos.

Y al igual que un médico hace uso de diferentes instrumentos para efectuar un diagnóstico y elaborar una receta, el ingeniero en informática biomédica emplea sus propias herramientas, para extraer el conocimiento implícito en la literatura y en las grandes bases de datos biomédicas, con miras a resolver el problema que afecta al consultante.

Siendo una ciencia interdisciplinaria en donde convergen la estadística, la biología, la medicina, las tecnologías de la información y la ingeniería, la informática biomédica va a mejorar la calidad de vida de muchas personas, transformando los datos en información con motores de búsqueda como PubMed, Buscamed, ExPASy, HealthLinks y otros. Pero para transformar la información en conocimiento, el ingeniero en informática biomédica necesita de herramientas de extracción de datos y de texto (data/text mining), entre los que destacan WEKA, Arrowsmith, FACTA+ y BITOLA.

De la montaña de datos a la cúspide de la pirámide del conocimiento

Hoy en día, cualquier persona familiarizada con los conceptos básicos de computación, obtiene la información que necesita, ingresando uno o más datos al motor de búsqueda más popular de la Internet, Google. La búsqueda de información inicia con una pregunta constituida por una o más palabras clave, cada una de las cuales es un dato aislado que nos sirve para representar los atributos de un objeto, un evento o del entorno. El dato por sí mismo no se considera información mientras no se le relacione con al menos otro dato, en un contexto en el que el conjunto así formado, adquiere significado como un todo.

La información es entonces un conjunto de datos que adquieren significado cuando se les relaciona a través de un contexto. A su vez, el conocimiento se puede concebir como la capacidad de sintetizar los datos y la información recopilada, en un conglomerado de ideas que han de resolver, los problemas de una determina colectividad. En la cúspide de la pirámide del conocimiento, se encuentra la sabiduría, un cúmulo de conocimientos que permiten aplicar y transferir lo que se ha aprendido, a nuevas situaciones y problemas. En el marco de la informática biomédica, las máquinas aprenden basándose en un número suficiente de casos anteriormente resueltos por profesionales de la biomedicina.

Extracción de datos (data mining)

La extracción de datos es un proceso que permite identificar patrones repetitivos y tendencias, descubrir reglas de asociación, e inferir conocimiento a partir de grandes volúmenes de datos estructurados. Este conocimiento puede ser usado para formular predicciones y tomar decisiones. El ingeniero en informática biomédica emplea reglas de asociación, modelos bayesianos, árboles de decisión, redes neuronales artificiales y algoritmos genéticos para descubrir patrones y extraer conocimiento aparentemente escondido en grandes volúmenes de datos (Big data).

Las minería o extracción de datos se ha venido utilizando desde hace varios años en muchas otras áreas del saber, como son la mercadotecnia, la gestión de relaciones con los clientes, la ingeniería, el análisis de delitos, los pronósticos deportivos, los servicios de telefonía móvil, entre otros. En la medicina se ha comenzado a utilizar, y nosotros ya lo estamos haciendo, para efectuar y/o comprobar diagnósticos médicos. Los primeros intentos para realizar diagnósticos clínicos tuvieron lugar durante la década de los ochentas, con la aparición de los llamados «sistemas expertos», cuya base de conocimientos era ingresada a las máquinas de aquel entonces, por expertos humanos.

Aun cuando alcanzaron cierto éxito, los sistemas expertos pronto cayeron en desuso debido a su alto costo y a la complejidad que implicaba su implementación. Fue así como surgieron los nuevos algoritmos de aprendizaje para adquirir conocimiento de manera automática, a partir de ejemplos o eventos pasados.
El aprendizaje automático se puede definir como cualquier proceso que mejore el desempeño de un sistema, y los métodos que se usan para implementarlo pueden ser de dos tipos: supervisados y no supervisados.

En el aprendizaje supervisado, los ejemplos que se emplean para entrenar al sistema, consisten en eventos o registros constituidos por un grupo de variables de entrada y unas cuantas más de salida (típicamente, una sola variable que se usa para predecir o clasificar un registro de datos nuevo). En este tipo de aprendizaje, el objetivo es predecir o clasificar los valores de salida de los nuevos eventos, en función de los valores de entrada de los eventos pasados. En el aprendizaje sin supervisión, los ejemplos de entrenamiento contienen sólo los valores de entrada y no se asocia ninguna salida con cada registro (tupla). Los algoritmos sin supervisión usan los valores de entrada para descubrir tendencias significativas en los datos.

El el artículo intitulado «Aprendizaje de máquina para el diagnóstico de pacientes con diabetes tipo II» puede usted ver un ejemplo de aplicación de la herramienta de minería de datos WEKA, en donde se ha empleado el aprendizaje supervisado con tres algoritmos diferentes.

Extracción de texto (text mining)

La extracción de texto es el proceso encargado de descubrir conocimiento que no existe explícitamente en ningún texto de la colección objeto de análisis; pero que surge de relacionar el contenido de varios de ellos. La diferencia fundamental entre la minería de datos y de texto, es que en la primera los datos se encuentran estructurados en un formato de registros (renglones) y atributos (columnas) a los que comúnmente se les llama tablas, y que por lo regular se almacenan en grandes bases de datos (BigData), mientras que en la minería de texto la información se almacena como documentos de texto libre (sin ninguna estructura).

Existen muchos programas informáticos que permiten extraer conocimiento y descubrir relaciones aparentemente inexistentes entre diferentes entidades biomédicas. Uno de ellos es Arrowsmith, una herramienta para extraer texto que los doctores Don R. Swanson y Smalheiser desarrollaron, para fomentar la investigación en el área de la informática biomédica. Arrowsmith nos permite encontrar palabras, frases, encabezados de temas, autores y otros atributos comunes a dos conjuntos de artículos científicos, que al ser descargados, nos ayudan a identificar nuevas conexiones en la literatura biomédica que pueden desembocar en hipótesis muy convincentes. Este tipo de descubrimientos no se pueden hacer con Medline o con Google, por ejemplo.

El modelo ABC de Swanson

En la imágenes adjuntas aparecen dos diagrama de Venn que muestran cómo Arrowsmith encuentra palabras clave, frases, o encabezados que podrían ser relevantes para dar solución a un problema, y que son comunes a dos conjuntos de artículos A y C. En general, el modelo ABC de Swanson estipula que “si una área de la literatura muestra que A está relacionada con B y una área diferente muestra que B está relacionada con C, entonces al juntarlas por primera vez, puede surgir una hipótesis nueva que vincule a A con C vía una conexión indirecta”.
Las conexiones indirectas entre ambos conjuntos A y C son implícitas, pues A y C son conjuntos disjuntos (su intersección es el conjunto vacío).
Gracias al modelo de Swanson, la Fundación MicroMédix ha ido perfeccionando sus tratamientos, ya que hay pacientes que no responden igual a una misma terapia. Fue así como descubrí que la prostatitis crónica puede ser tratada con nitazoxanida, que las cataratas se curan con suplementos e infusiones de Rhodiola rosea, que algunos pacientes con esquizofrenia responden bien con cardo mariano, que la cefalea en trueno mejora con algunos de los suplementos que recomendé para el trastorno de ansiedad generalizada, y fue también con este modelo que pude respaldar la hipótesis de la Dra. Mary Newport, que sostiene que el aceite de coco alivia varios síntomas parkinsonianos y del Alzheimer.

En el artículo intitulado «Alternativas naturales para la clozapina en el primer episodio de esquizofrenia» apliqué el modelo de Swanson para mostrar cómo la vitamina D3 puede resultar de mucha ayuda durante un primer brote psicótico, al emular el mecanismo de acción de la clozapina. Otro ejemplo de aplicación del modelo de Swanson lo puede usted encontrar en «La glicina: un posible sustituto natural de la olanzapina«, también de mi autoría.

El fruto del esfuerzo

Y es así como a través de los años hemos podido encontrar una forma limpia de ganarle la batalla a las drogas, tanto legales como ilegales; y es asimismo como hemos podido ofrecer otra alternativa médica natural, a muchas familias que anteriormente habían estado supeditadas a las drogas psiquiátricas; una alternativa que combina el arte y las técnicas de la inteligencia artificial con la biomedicina, y que a la luz de lo comentado en los demás contenidos de este sitio, luce más atractiva que un coctel de antipsicóticos cargado de iatrogenias y efectos secundarios.

«Dada la naturaleza interdisciplinaria de la era del conocimiento, a los profesionales de la salud no nos queda otra opción que ser mitad médico y mitad ingeniero». © Sergio López González. Ing. en Informática Biomédica. Fundación MicroMédix.

---