Medicina Natural

Consultorio de Medicina Alternativa con Recetas

Informática Biomédica

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, BuscamedExPASyHealthLinks, Google y otros. Pero para transformar la información en conocimiento, el ingeniero en informática biomédica va a necesitar de herramientas más sofisticadas.

Las herramientas que llevan a cabo la transformación de información en conocimiento a través del método científico, son programas de extracción de datos y de texto (data/text mining), entre los que se encuentran WEKA, Arrowsmith, FACTA+ y BITOLA, por mencionar los más populares.

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 y amplían sus conocimientos a partir de patrones.

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 ese conocimiento aparentemente escondido en todas esas montaña de datos.

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 asociaciones o patrones significativos.

A continuación expongo un caso real para ilustrar cómo utilicé la herramienta de extracción de datos WEKA (data mining), para diagnosticar cuándo una paciente ha desarrollado diabetes tipo II, aplicando el modelo de aprendizaje supervisado, con tres algoritmos diferentes.

Diagnóstico de diabetes tipo II con tres métodos de aprendizaje automatizado

La imagen adjunta muestra los primeros 24 registros de un total de 768 ejemplos de pacientes (pulse sobre la misma para agrandarla). Cada registro contiene 8 atributos que están determinando el estado de salud de una población de mujeres indígenas Pima, en los estados de Sonora y Chihuahua. Los valores de los atributos de entrada que determinan si la paciente es diabética o no, empiezan en la columna B (preg) y terminan en la columna I (age). La variable de salida (class) corresponde a la columna J y es la que usamos para clasificar a cada paciente como diabética (class=1), o como saludable (class=0).

A continuación se da una descripción de los atributos de entrada que determinarán si una paciente es diabética o no:

preg: número de veces que la paciente se ha embarazado (columna B).
plas: concentración de glucosa en plasma a 2 horas, en una prueba oral de tolerancia a la glucosa (C).
pres: Presión arterial diastólica (mm de Hg), D.
skin: grosor del tríceps cutáneo (mm), E.
insu: 2 horas de insulina en suero (mu U/ml), F.
mass: índice de masa corporal (peso en kg/estatura al cuadrado), G.
pedi: función pedigree de la diabetes (H).
age: edad (en años), I.

Así por ejemplo, la paciente con los datos del registro No. 17, que no se ha embarazado nunca (preg=0), con una glucosa en sangre registrada de 118, una presión arterial de 84 mm Hg, un grosor de tríceps de 47 mm, con una insulina en suero de 230 mu U/ml, un índice de masa corporal de 45.8 Kg/m2, 0.551 de función pedigree y de 31 años de edad, se diagnosticó como diabética (class=1).

Para diagnosticar a una nueva paciente, procederíamos a abrir el archivo recién descrito con el programa WEKA, a fin de que la máquina aprenda en qué circunstancias una paciente desarrolla diabetes. Una vez abierto el archivo, el programa muestra una gráfica que revela la proporción de pacientes que han dado positivo a la diabetes (en rojo) y las que no lo han hecho (azul), en función del número de embarazos que ha tenido cada una. El histograma de la imagen a su derecha revela que las mujeres indígenas Pima que han tenido menos de 6 embarazos, son menos propensas a la diabetes tipo II. Inferencias similares pueden hallarse al seleccionar otros atributos (pulse sobre la imagen para agrandarla).
Pero lo que más nos interesa de esta herramienta, es la precisión de sus diagnósticos. Al ejecutar un análisis de los datos con tres algoritmos diferentes, los resultados de la clasificación se muestran en la tabla adjunta. De acuerdo con nuestra experiencia, las técnicas que se utilizaron en WEKA alcanzaron precisiones del orden de 75.13%, 73.828% y 76.302% para MLP, J48 y Naive Bayes, respectivamente. Observamos que el método de Naive Bayes se desempeñó mejor, pues entregó resultados más precisos en menos tiempo. Estos tres clasificadores se utilizan en varios campos de la minería de datos, en la ingeniería biomédica y como acabamos de ver, en el diagnóstico médico.

Hay métodos de clasificación que analizan diversas señales y sus relaciones con enfermedades o síntomas particulares. Hay quienes están aplicando máquinas vectoriales de soporte (SVM) en la detección automática de picos en los electroencefalogramas (EEG), para diagnosticar problemas neurológicos relacionados con la epilepsia. Otros expertos están usando redes neuronales artificiales para clasificar señales de sonido pulmonar en seis categorías diferentes, para detectar anomalías en las vías respiratorias. La minería de datos también permite descubrir reglas para diagnosticar el cáncer de mama, basándose en la sintomatología y los análisis clínicos de los pacientes.

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 estas dos formas de descubrir conocimiento, es que en la minería de datos, éstos están estructurados en forma de tablas, hojas de cálculo o en grandes bases y almacenes de datos (BigData), mientras que en la minería de texto se almacenan 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.

A continuación voy a aplicar el modelo de Swanson para mostrar cómo la vitamina D podría resultar de mucha ayuda para aquellos pacientes que no han respondido todavía a nuestra receta mejorada para curar la esquizofrenia.

Ejemplo práctico de extracción de texto para hallar una alternativa natural a la clozapina, en el primer episodio de esquizofrenia

Al ingresar la palabras clave clozapine (conjunto A) y vitamin D (conjunto C), Arrowsmith responde con la lista de términos B que vincula de manera indirecta a esos dos grandes conjuntos de artículos almacenados en MEDLINE (pulse sobre las imágenes adjuntas para ver los detalles). Nótese que aunque existen solo 7 artículos que contienen en su texto tanto la palabra clave clozapine como los términos vitamin D, Arrowmith los ha excluido de su listado de términos B, para que ambos conjuntos continúen siendo disjuntos.
Al seleccionar el término B cardiovascular risk, obtenemos los artículos mostrados en la imagen de la derecha. Aplicando el modelo de Swanson a los artículos desplegados, razonaríamos como sigue: “si hay cinco artículos que advierten que el tomar clozapina puede generar problemas cardiovasculares, y si por otro lado existen 131 artículos (no se han mostrado todos por razones de espacio) que mencionan que la carencia de vitamina D constituye un factor de riesgo cardiovascular, parece muy sensato tomar vitamina D, mientras se esté tomando clozapina”. Lo más interesante ocurrió cuando seleccioné los términos neurocognitive, treatment schizophrenia, first episode schizophrenia, first episode psychosis, risk factor diabetes y glycemic.

Con todos esos términos B, se puede realizar un análisis de los artículos de una manera similar a como se hizo con cardiovascular risk, y en cada caso el modelo ABC estaría reafirmando una y otra vez, que la vitamina D posee propiedades neurocognitivas que pueden aprovecharse para tratar varios trastornos mentales, como son el Alzheimer, la enfermedad de Parkinson, la depresión y por supuesto la esquizofrenia, según se infiere de los términos B anteriormente mencionados. Asimismo, dos de los efectos adversos más nocivos que produce la clozapina, y que han sido identificados en muchos de los artículos como obesidad y diabetes, podrían evitarse administrando vitamina D3 mientras se retira paulatinamente ese antipsicótico.
La semántica de los artículos vinculados por Arrowsmith vía esos dos efectos adversos, mediante riesgo cardiovascular y a través de una docena más de términos B, me llevaron a formular la hipótesis de que la clozapina podría estar agotando la vitamina D de quien la consume. Este es un conocimiento que no hubiera podido descubrir sin la ayuda de Arrowsmith, y que estará disponible en Google, ya como información, a partir del 27 de Marzo de 2017.

Para darle una idea de lo que la minería de texto puede hacer por una persona que hubiera comenzado a desarrollar esquizofrenia, pulse sobre ambas imágenes y dígame si no tendría mucho sentido el que un paciente en dichas condiciones, tomara vitamina D3 en lugar de clozapina.

Un problema mucho más difícil de resolver, sería el encontrar un sustituto natural de este antipsicótico, no durante el primer brote de esquizofrenia, sino cuando el enfermo lleva años consumiéndolo, porque como ya hemos dicho en otras entregas, en este otro caso el paciente ha desarrollado farmacodependencia. Como demostraré en una publicación posterior, existe un planta adaptógena con propiedades antipsicóticas que puede ser agregada al tratamiento, para eliminar los síntomas positivos de la esquizofrenia y mejorar las capacidades cognitivas del paciente. Se trata del extracto de Bacopa monnieri, mejor conocido como brahmi.

Medicarse con antispsicóticos puede ocasionar hiperactividad. Hay efectos secundarios adicionales de la clozapina, que a cualquiera le gustaría evitar si tuviera más opciones. Una opción podría ser precisamente la vitamina D3, acompañada de los nutrientes que hemos recomendado en la receta mejorada para curar la esquizofrenia. Con este nutriente, usted estaría evitando los efectos secundarios de la clozapina, como son la agranulocitosis, la obesidad, la diabetes, las cardiopatías, la somnolencia, la sedación, la hipersalivación, los mareos, la taquicardia y el estreñimiento, por mencionar los más frecuentes.

En nuestra publicación del 2 de abril de 2017, “Informática biomédica: el conocimiento al servicio de la salud“, empleé también el modelo de Swanson para probar la hipótesis de que la glicina puede ser un posible sustituto natural de la olanzapina.

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 informática biomédica con la medicina alternativa, 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.

Anuncios