Medicina Natural

Medicina Alternativa Personalizada. Consultorio


8 comentarios

Terapia inteligente para tratar la esquizofrenia: de la esperanza a la curación

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

Psiquiatría de precisión: experimentando con datos, no con personas

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

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

El caso de Esperanza

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

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

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

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

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

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

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

Al integrar el cuadro clínico de Esperanza al conjunto de datos mostrados en la captura de pantalla anterior, la máquina clasificó su caso en el grupo 0, según se infiere de la imagen que aparece a la derecha. Y es en esta parte del proceso de extracción de conocimiento (KDD) en donde el dominio de la especialidad, la experiencia y el criterio del analista juegan un papel crucial en la selección de la mejor terapia para éste o cualquier otro paciente. Aunque la edad, el sexo y el diagnóstico en el grupo cero eran muy parecidos a los de la lista de atributos de Esperanza, los síntomas cansancio y escucha_voces no coincidían con los de nuestra paciente, pues ambos estaban presentes en su lista pero no en la del grupo cero (pulse sobre la imagen de la izquierda para ver las diferencias).
Es por eso que segmenté aun más los casos para ver si la máquina era capaz de encontrar un grupo de pacientes que experimentaran cansancio, escucharan voces y cuyos demás atributos coincidieran en su mayor parte con los de la protagonista de nuestro caso de estudio.
El objetivo aquí era identificar el grupo con los casos más parecidos al de ella, dándole la debida importancia al cansancio y la escucha de voces. Una máquina no sabe nada de diagnósticos médicos y no está enterada de lo preocupada que está Esperanza por su sensación de cansancio crónico. Como especialista en informática biomédica, consideré muy pertinente realizar un número suficiente de experimentos hasta encontrar un grupo de pacientes que además de tener atributos muy parecidos a los de Esperanza, hubieran escuchado voces y experimentado cansancio  (cansancio=S y escucha_voces=S).

Después de experimentar con varios números de segmentos, la máquina finalmente me mostró un grupo de pacientes que en el pasado habían presentado esos dos síntomas a la vez. Ese grupo resultó ser el número 8 (pulse sobre la imagen de la derecha para ver los detalles).
Lo mejor de todo fue que el caso de Esperanza había sido clasificado por la máquina dentro de ese mismo grupo, y aunque las edades en ambos vectores de atributos no eran iguales, la importancia de los demás atributos superó de tal manera mis expectativas, que eso bastó para que me declinara yo por esa terapia que en algún momento sirvió para que el grupo de pacientes #8 se aliviara. No hay que olvidar que cada grupo de atributos constituye un centroide.

El centroide es un vector (lista) de atributos que refleja la tendencia central de cada uno de sus valores. Así por ejemplo, el centroide correspondiente a la columna 8 en la imagen inmediata anterior, contiene un atributo denominado edad, cuyo valor es 28.3333. Aunque esta cifra no coincide con la edad de Esperanza (37), no es el valor promedio de las edades de los pacientes del grupo 8, sino el valor más próximo a las demás edades de los pacientes del grupo, incluida la de Esperanza (la herramienta de software la calculó considerando la distancia euclidiana entre todas las edades). Dado que la similitud entre casos se calcula considerando las tendencias centrales de todos los atributos, era seguro que el caso de Esperanza tenía una gran similitud con los casos que fueron clasificados dentro de su grupo, a pesar de que algunos atributos no coincidían.

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

La inteligencia artificial implícita en los casos resueltos

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

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

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

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

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

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

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

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

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

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

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

¿Y la tirosina y la taurina para qué son?

Éstos dos aminoácidos también son parte de la terapia inteligente que sugirió la máquina. Curiosamente, hace unos años yo mismo recomendé taurina a una paciente cuyo vector de atributos se encuentra registrado en el archivo de casos de éxito, como evidencia de que la taurina beneficia a algunos pacientes con ansiedad e insomnio. Y si usted revisa nuevamente la imagen en donde aparecen los atributos de Esperanza, va a advertir que ella también declaró estar experimentando ambos malestares. Por otra parte, aunque la tirosina es el suplemento ideal para el hipotiroidismo (que no es el caso de Esperanza), suele prescribirse también cuando el objetivo es contrarrestar la ansiedad, el insomnio, el cansancio y el sobrepeso (que es el caso de Esperanza).

Conclusión

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

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


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


RERERENCIAS

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


 

Anuncios


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 (opcional: 12 horas no incluidas en la duración total del entrenamiento*)
  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 (1 hora)
    3.2 Microdosis de Plantas Medicinales (3 horas)
    3.3 Autocuración con Medicina Ortomolecular (16 horas)
    3.4 La extracción de conocimiento y el LBD (4 horas)
    3.5 Informática Biomédica Aplicada (4 horas)
    3.6 Extracción de texto con Arrowsmith (text mining) -4 horas-
    3.7 Aspectos clave de la minería de datos (data mining) -4 horas-
    3.8 El proceso KDD y el estándard CRISP-DM (4 horas)
    3.9 Minería de datos clínicos como apoyo en el diagnóstico médico (4 horas)
    3.10 Medicina alternativa de precisión para tratar el cáncer (4 horas)
    3.11 Cómo aplicar la psiquiatría de precisión en tu consultorio (4 horas)
  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 (8 horas)
    4.3 Archivo de casos de éxito para la generación automática de recetas personalizadas con medicina alternativa de precisión, para el cáncer de páncreas (8 horas)
    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 (ver muestra en autoempleo)
    4.13 Etiquetas para los frascos de microdosis en Publisher Pro®

*Para un total de 68 horas estimadas de entrenamiento, el costo total de la transferencia de tecnología lo determinas tú, de acuerdo con tu presupuesto y los descuentos especificados en nuestra sección de membresías.  Así por ejemplo, con dos membresías de 12 horas puedes iniciar con los primeros cuatro módulos del programa (incisos 3.1 a 3.4), obteniendo un descuento del 35%.


Por qué unirse a la cadena de consultorios MicroMédix

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).

El escenario: el protagonista (tú), la competencia y otros actores

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 la vida desempeñándote como técnico en informática biomédica, 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 organizados a través de un convenio de uso de marca, 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 confeccionan 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 confección rápida 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 alternativa que la psiquiatría 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”.

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) o iatrogenia que consiste en un síndrome de abstinencia. La buena noticia es que esa reacción puede ser contrarrestada con sal de mar (sodio) y una ingesta de magnesio y 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 debería estar penada; pero a nosotros solo nos corresponde 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 es aquí donde cualquiera se indigna ante lo inaudito: la falta de zinc deteriora, entre otras cosas, 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



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 bien los que integraron la terapia inteligente para Esperanza, otra paciente que tuvo 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.


9 comentarios

La informática biomédica en el diagnóstico y la prevención de la esquizofrenia y otros trastornos de la personalidad

En esta entrega explico cómo es que las técnicas de la informática biomédica, consiguen que una máquina aprenda a diagnosticar y prevenir trastornos de la personalidad, apoyándose en la experiencia de los médicos. Un doctor en medicina aprende más de los casos que atiende y resuelve durante el ejercicio de su profesión, que de lo que sus maestros le enseñaron en la universidad. Emite sus diagnósticos basándose en sus casos de éxito, así como en los datos que le muestran los instrumentos que utiliza y en lo que develan las pruebas de laboratorio que recomienda efectuar, pero sobre todo, en los síntomas que le reportan sus pacientes.

La mayoría de los trastornos mentales suelen estar caracterizados por cierto número de síntomas y/o rasgos de personalidad, y parte de este trabajo ha consistido en asociar una variable a cada uno de esos rasgos. Los médicos acostumbran llamar síndrome a un complejo de síntomas, y lo que los especialistas en informática biomédica hemos logrado a lo largo de la presente investigación, ha sido clasificar cada variable (síntoma/rasgo) en su respectivo síndrome. No obstante, para estar en total consonancia con lo que los expertos en medicina ortomolecular establecen en relación a los grados de metilación [1], hemos preferido llamar fenotipo a cada síndrome. En este orden de ideas, vale decir que los fenotipos no son tipos de esquizofrenia, sino síndromes que trastornan de diferentes maneras, la conducta de un ser humano.

¿Pueden las máquinas aprender de la experiencia médica?

Al plantearles preguntas que se pueden contestar con un “sí” o con un “no”, el médico descubre ciertos patrones y una que otra relación entre los diferentes síntomas de sus pacientes. Cuando usted acude a la consulta, seguramente tendrá que responder a una serie de cuestionamientos del tipo: ¿le duele la cabeza?, ¿le zumban los oídos?, ¿se marea cuando se levanta de la cama?, ¿le arde al orinar?, ¿practica ejercicio?, ¿fuma?, ¿toma bebidas alcoholicas?, etc.
Una máquina puede aprovechar la experiencia de cientos de médicos para aprender también de los casos que ellos han resuelto en el pasado. Hoy, en plena era del conocimiento, uno puede ser testigo de cómo una computadora aprende a diagnosticar pacientes, a partir de miles de casos almacenados en un archivo clínico. Mientras mayor sea el número de registros en esa base de datos, mayor será la experiencia acumulada, más precisos serán los nuevos diagnósticos y menor el riesgo de desarrollar una enfermedad.
Al igual que el médico, el ingeniero en informática biomédica también dispone de herramientas, pruebas de laboratorio y cuestionarios para conseguir que sus pacientes restablezcan su salud, o mejor aún, para prevenirlos de una determinada enfermedad. Ya lo dice el adagio, “más vale prevenir que lamentar”.

Y aunque ese refrán contiene mucho de verdad, no parece haber permeado mucho en nuestra sociedad.
A juzgar por la cantidad de casos de esquizofrenia que hemos estado atendiendo de un tiempo para acá, la idea de que “eso es algo que a mi o a mi familia no nos puede pasar“, es la que hoy por hoy ha estado predominando y produciendo muchos sinsabores alrededor del mundo.  Como veremos a continuación, confiar en que esa aseveración es cierta es tanto como echar una moneda al aire y esperar ganar el volado. Si esa idea ha cruzado por su mente aunque sea una sola vez, y toca la casualidad de que es usted padre o madre de un adolescente, creo que lo mejor que puede hacer en este momento es seguir leyendo.

El diagnóstico preventivo: la clave para no enfermarse o evitar las recaídas 

En la imagen adjunta muestro una fracción del archivo de pacientes con trastornos de personalidad de la Fundación MicroMédix (pulse sobre la misma para agrandarla). Los 72 síntomas los consideramos nuestras variables de entrada, y la hoja de Excel que ahí aparece es de lo que se alimenta la herramienta que usamos para analizar los datos. La variable de salida es el fenotipo y  sus valores pueden ser cinco: histapenia, histadelia, piroluria, normal y otro. Los criterios para la asignación de dichos valores los establecimos de acuerdo con las especificaciones de los doctores Walsh, Stuckey y Lambert, para los grados de metilación y el extrés oxidativo de sus pacientes [1], [2] (véase también “Identificando el fenotipo de esquizofrenia: un paso más hacia la curación“).

Como cabría esperar, cada paciente presenta síntomas acorde con su individualidad bioquímica, y por lo tanto, con su epigenética. Así por ejemplo, el registro asociado al paciente con expediente No. 9 indica que éste ha sido diagnosticado con histapenia porque escucha voces, no sufre de ansiedad ni ataques de pánico, no es hiperactivo, manifiesta un interés excesivo en los asuntos religiosos (muy_devoto), no presenta síndrome de piernas inquietas, no reporta paranoia, tiene problemas de insomnio, padece acúfenos, y así continuaríamos interpretando los demás campos de este registro en particular, hasta llegar al atributo No. 72 del archivo. Es por esta razón que a los pacientes o a sus familiares les pedimos que contesten únicamente sí (S) o no (N), a las preguntas del cuestionario que hemos puesto aquí a su alcance para conocer sus síntomas.

Algunos de nuestros lectores, en especial los padres de hijos aquejados de algún trastorno de personalidad, ya se han dado cuenta de la importancia que tiene el responder al cuestionario con el tipo de preguntas que cité con anterioridad (S/N), pues desde que comenzamos a identificar los fenotipos de esquizofrenia por ejemplo, sus hijos han comenzado a responder mejor al tratamiento, como resultado del conocimiento adquirido al aplicar la técnica de la minería de datos a sus síntomas. Ya en otra parte de esta misma página web escribí: “el conocimiento que no se tiene, debe descubrirse“.

Al igual que la extracción de texto (text mining), la minería de datos (data mining) nos permite descubrir ese conocimiento que aparentemente no existe en un conjunto de datos como los de la hoja de cálculo que mostré con anterioridad.
Más adelante demostraré, cómo la aplicación de algunos algoritmos de la minería de datos a los síntomas de un paciente, nos está permitiendo diagnosticar su fenotipo, evitar que enferme, o prevenirlo de una recaída. Cada vez que predecimos el fenotipo que podría desarrollar un paciente, estamos mejorando la calidad de vida de una familia, pues solo así es posible administrar a tiempo, los nutrientes que la medicina ortomolecular recomienda justo para ese fenotipo. Es imperativo prevenir recaídas o evitar que un problema se complique, hasta el punto de tener que recurrir al confinamiento y la medicación psiquiátrica.

Un ejemplo sencillo de aprendizaje basado en casos 

El aprendizaje automático o de máquina emplea un algoritmo para clasificar, diagnosticar o predecir el resultado de una observación (caso) que se ve influenciado por el comportamiento de una o más variables predictoras (de entrada). Para entender mejor el concepto, explicaré su principio de funcionamiento con un ejemplo muy sencillo.
Durante algún tiempo, mi hermana solía preparar bacalao para agasajar a toda la familia en la cena del 24 de diciembre. En ciertas ocasiones el bacalao era todo un éxito, y en otras, en opinión de mi señor padre, no tanto.

Digamos que las variables de entrada eran solo tres (la verdad es que eran muchas más; pero como soy un lego en materia culinaria y en estos momentos no cuento con la asesoría de mi querida hermana, voy a simplificar las cosas): lugar en donde era adquirido el bacalao, tiempo de recalentado y tiempo de remojado previo.
Cuando el bacalao se compraba en “La Europea”, el éxito casi siempre estaba asegurado, excepto aquella vez que mi hermana lo recalentó por más tiempo del que era necesario, y se agrió.

Las veces que salía “sacatudo”, duro o salado (fracaso), era porque no se había puesto a remojar el tiempo suficiente. En fin, eran variables que influían sensiblemente en la variable a predecir: la opinión de mi papá sobre la calidad del bacalao en la cena de navidad.
Lo interesante de este ejemplo es analizar si Maricarmen descubrió un método para preparar el bacalao, basándose en lo que había ocurrido en las navidades anteriores. Y más interesante aún sería el poder predecir cuál será el resultado de esta navidad, tomando en cuenta que uno de mis sobrinos planea comprar el bacalao en el Mercado de San Juan y que va a darnos la sorpresa justo el 24 de diciembre.

Dado que Mari Carmen va a recibir el bacalao con tan poco tiempo de anticipación, lo más seguro es que no pueda dejarlo remojar lo suficiente. Estando así las cosas, ¿cuál podría ser la opinión de mi papá, sabiendo que el bacalao solo va a poderse remojar durante 6 horas?
Si pulsa usted sobre la imagen anterior para agrandarla, va a advertir que no existe un caso resgitrado en la base de datos, para el que la variable de entrada Lugar de compra sea igual a “Mercado de San Juan” y la variable Tiempo de remojado sea de 6 horas; en otras palabras, no existe un antecedente de lo que podría pasar, dadas estas condiciones. Sin embargo, la minería de datos podría ayudarnos a predecir si el bacalao va a ser un éxito o no esta navidad, con cierto nivel de precisión (probabilidad). ¿O podría usted intuitivamente darme un pronóstico con algún nivel de certidumbre?

La regla del ZeroR

Hay un método muy rudimentario que podríamos aplicar al ejemplo anterior. Consiste en analizar cuál es el resultado que más ocurrencias ha registrado y predecir de acuerdo con éste. En estadística, al valor que se repite con más frecuencia en un conjunto de datos se le llama moda. En la matriz de datos del ejemplo anterior, observamos que en la mayoría de los casos el bacalao ha sido un éxito. El éxito sería la moda en este caso, y espero quede claro que así ha sido en el  71.42% de las veces (100 x número de éxitos/total de observaciones = 100 x 5/7 %). Así, nuestro pronóstico sería que aunque el bacalao se quede remojando 6 horas, el resultado va a ser un éxito, con una margen de error del 28.58%.

En los ámbitos de la minería de datos y la estadística, al método que acabamos de emplear aquí para responder a la interrogante planteada al final del apartado anterior, se le conoce como regla del ZeroRy aunque simple en su naturaleza, nos sirvió mucho al momento de evaluar el método que seleccionamos para diagnosticar a nuestros pacientes. A continuación analizo las características de los métodos y herramientas que estuvimos evaluando en la Fundación MicroMédix, antes de seleccionar el algoritmo que a la postre nos proporcionó el mayor nivel de certidumbre, con miras a diagnosticar y prevenir trastornos de personalidad.

Métodos y herramientas para diagnosticar y prevenir la esquizofrenia y otros trastornos de la personalidad

Analicemos ahora el caso de un modelo para diagnosticar a un paciente, cuya madre nos ha escrito en busca de ayuda, pues su hijo padece de queratocono (por favor pulse en el vínculo que sigue si desea conocer los detalles de este trastorno y del caso completo de “Alejandro de Austria”). Para ello, les pedimos nos hicieran favor de responder el cuestionario de 72 preguntas, que estarán representando las variables de entrada de nuestro modelo de diagnóstico/prevención de fenotipo, tal y como lo describí en la sección “El diagnóstico preventivo: la clave para no enfermarse o evitar las recaídas”.

Cada variable (síntoma implícito en cada pregunta) únicamente puede asumir los valores S y N, dependiendo si la respuesta de esta admirable madre guerrera ha sido un sí o un no, respectivamente. Como se ve, ahora nuestro reto consiste en manejar 72 variables dicotómicas (S/N) y una variabe categórica de salida (las variables categóricas son aquellas que solo pueden adquirir valores que se pueden enumerar, y que por lo tanto no son continuas).
Antes de cargar los datos del paciente a nuestra base de datos, es necesario abrir primero este archivo con el software de minería de datos, y una vez seleccionado el modelo de diagnóstico, ingresar los síntomas que el paciente ha reportado, en un archivo de prueba (test). Nótese que no podemos (ni debemos) integrar los síntomas de un paciente a la base de datos, antes de ejecutar el algoritmo de diagnóstico, porque desconocemos su fenotipo. Esta es justamente la variable que pretendemos determinar con el software de minería de datos, y es por eso que a ésta se le llama variable de salida.

WEKA (Waikato Environment for Knowledge Analysis) es el software de minería de datos (derecha) que hemos estado usando desde hace años, con el fin de perfeccionar nuestras recetas, y fue desarrollado por la universidad de Waikato, Nueva Zelanda, en la modalidad de distribución gratuita (open source). Si pulsa usted sobre la captura de pantalla de la derecha, notará que WEKA  a empleado un diagrama de barras para representar el número de casos registrados para cada fenotipo. Hay 8 pacientes etiquetados con el fenotipo otro, 40 con histapenia (en rojo), 30 con histadelia (azul celeste), 2 normales (gris) y 20  diagnosticados con piroluria (en rosa).
Ahora que ya conoce usted el método del ZeroR, supongo que no tendrá problemas para emitir un diagnóstico aunque sea burdo del fenotipo de “Alejandro de Austria”. Aplicando el método que anteriormente expliqué “con manzanitas”… ¡ah perdón!, ¿fue con bacalao no es cierto? Bueno, acorde con la regla del ZeroR, un pronóstico no muy bueno sería el de histapenia, con un 40% de confianza (pulse sobre la imagen de la izquierda para ver lo que WEKA despliega al aplicar este método).

Dijimos que este valor corresponde a la moda de la variable fenotipo (en el sentido estadístico del término, no porque esté de moda hacerlo así), y aunque impreciso, nos servirá como referencia para evaluar el método que usaremos para emitir diagnósticos más serios y predicciones más certeras. Porque imagínese nada más, querido lector, cómo confiar en un diagnóstico cuyo margen de error es del 60%. Note y anote los valores del coeficiente Kappa de Cohen y el de la raíz del error cuadrático medio porque son factores que nos indican qué tanto nos estamos equivocando en los diagnósticos.

Como por el momento no se trata de impartir un curso de informática biomédica o de estadística, sino únicamente saber para qué nos van a servir ambos parámetros, baste decir que entre más cerca esté de la unidad el coeficiente de Kappa, más preciso será el modelo seleccionado, y que entre más pequeña sea la raíz del error cuadrático medio, menos errores estaremos cometiendo y mejor será el modelo objeto de análisis.
Un criterio de seleción basado en la regla del ZeroR es completamente inadmisible, aunque en honor a la verdad, sé de algunos psiquiatras con criterios de diagnóstico peores, pues en lo único que se basan es en su “Manual Diagnóstico y Estadístico de los Trastornos Mentales (DSM)”, o a veces ni siquiera en eso. Estimado lector, permítame informarle que ese manual no contiene absolutamente nada de estadística. Si hay algo estadístico y dotado de inteligencia que sí nos puede ayudar a diagnosticar con bastante precisión a nuestros pacientes, son sin duda alguna los árboles de decisión, las redes bayesianas y las redes neuronales artificiales.

Árboles de decisión y selección de atributos

Si un modelo con 3 variables de entrada y una de salida ocasiona cierta incertidumbre a la hora de pronosticar cómo va a estar el bacalao esta navidad, imagínese lo que implica uno con 72 variables de entrada que pretende diagnosticar o predecir el fenotipo de un paciente. Las cosas pueden complicarse sobremanera. Y aunque la máquina sea la que se va encargar de ejecutar los algoritmos, el reducir el número de variables de entrada no solo simpifica los cálculos y el análisis de los datos, sino que podría aumentar el nivel de precisión del modelo. En seguida le explico qué fue lo que hice para reducir el modelo inicial de 72 variables de entrada, a uno de 35 atributos, aumentando al mismo tiempo el nivel de precisión de los diagnósticos y las predicciones.

Después de haber abierto con WEKA el archivo de pacientes, pulsé en la pestaña Classify para acceder a la función de clasificación de instancias (casos), y luego seleccioné el algoritmo J48, dentro de la categoría correspondiente a los árboles de decisión. Al dar clic en el botón de arranque (Start), lo que obtuve fue un coeficiente de Kappa de 0.605, una raíz del error cuadrático medio de 0.3174 y un nivel de precisión del 72%. (pulse usted sobre la imagen que aparece a su izquierda para ver los detalles). Esta precisión, si bien ha resultado muy superior a la que nos ofrece la regla del ZeroR, no es precisamente lo que una madre guerrera estaría esperando para optimizar la receta de su hijo.

Pero entonces, ¿para qué seleccionar un método que se está equivocando el 28% de las veces?
Mi intención al seleccionar el método del árbol de decisión J48, además de comparar su precisión con la del ZeroR, era analizar los síntomas que seleccionaría este algoritmo.

Los árboles de decisión nos ahorran el trabajo de seleccionar los atributos más relevantes, de entre todos los datos del conjunto (en este caso los síntomas del paciente). Y lo que llama más la atención es que lo hacen de manera automática. Uno no tiene que ir a la pestaña Select attributes de WEKA para seleccionar un evaluador de atributos y luego probar con más de una estrategia de búsqueda, a fin de intentar aumentar la precisión del modelo. Se requiere conocer bien el tema para obtener un buen resultado, haciéndolo explícitamente.
Tratando de ahorrarme el trabajo de ahondar en el tema (lo cual, como veremos más adelante terminé haciéndolo de todas maneras), quise saber lo que harían WEKA y el árbol J48 al pedirles que me mostraran el diagrama que “tenían en mente”.

La inteligencia de estas herramientas es tal, que nos permiten ver cosas que no podríamos descubrir por nosotros mismos. ¿O sabe usted de algún psiquiatra que le pueda decir cuál de todos los síntomas de la esquizorenia influye más en sus diagnósticos? Quiero pensar que se inclinaría por la escucha de voces, las alucinaciones visuales, las obsesiones o las compulsiones.

Pero lo que importa aquí no es lo que tenga que opinar un psiquiatra al respecto, sino lo que WEKA y el J48 puedan develar en el proceso. Estos dos aliados nos están diciendo que hay un 72% de probabilidades de que los problemas psicogénicos de la población de pacientes de nuestra base de datos, podrían estar relacionados con el hecho de tener canas prematuras (fíjese en el nodo raíz del árbol que aparecerá en su pantalla, después de pulsar sobre la imagen adjunta). Ya lo estoy oyendo decir: ¡con el encanecimiento prematuro! Sí querido lector, leyó usted bien. Y tiene mucho más sentido cuando uno va y busca en Google, las causas más importantes del encanecimiento prematuro.

Si usted indaga lo suficiente sobre esta cuestión, lo que va encontrar en la mayoría de los sitios web, es que las canas prematuras son un claro indicio de deficiencia de vitaminas, minerales y sobre todo de melanina. Hay muchas evidencias de que las canas aparecen antes de lo normal, cuando uno está sujeto a un estrés constante. Los editores de la revista Scientific American lo han dejado muy claro: el estrés provoca que nuestro cabello se tiña de gris, y en casos extremos, de blanco.

En este mismo diagrama de árbol se puede ver cómo éste método dignostica a un paciente, a partir de las decisiones que va tomando a lo largo de las ramas que conducen a las hojas etiquetadas como histapenia, histadelia, piroluria y otro. Las hojas del árbol son los nodos terminales. Para ejemplifiar como funciona este método de extracción de datos (data mining), siga la rama que marqué con rojo, en el siguiente orden:

1. El algoritmo comprueba que el paciente ha contestado que NO a la pregunta ¿tiene canas prematuras (variable de mayor relevancia según este método)?, por lo que decide ir a verificar la respuesta al nodo etiquetado como obsesivo-compulsivo (siguiente variable de importancia de acuerdo con este método).
2. Ahí comprueba que NO es obsesivo-compulsivo y continúa con la pregunta 3:
3. ¿Rasgos faciales delicados? Como la respuesta aquí es afirmativa, va en busca del nodo mal_genio.
4. Puesto que en este último nodo la respuesta es , J48 concluye que se trata de una piroluria (en la hoja de esta “rama roja” del árbol).

A pesar de toda esa inteligencia, una precisión del 72 % no garantiza el éxito de un tratamiento, por lo que es imprescindible buscar un modelo que nos ofrezca al menos un 90% de confianza.
Pensando que los atributos que había seleccionado el árbol J48 me servirían como entrada para otro método de árbol, o bien para una red bayesiana, probé con los árboles LMT y Random Forest, así como con un par de algoritmos bayesianos. Aún así, los resultados todavía dejaban mucho que desear.
Así las cosas, había que seleccionar los atributos más significativos de manera explícita, con los medios que ofrece WEKA.
Una vez que supe cuál sería una buena estrategia para la selección de atributos, decidí probar con el evaluador por omisión (CfsSubsetEval) y el método de búsqueda Best First. El resultado de esta fase del proyecto aparece en la captura de pantalla que se muestra a la izquierda. Como se ve, esta vez son 35 los atributos que de acuerdo con este último hallazgo, debería yo emplear de aquí en adelante como variables de entrada en mis evaluaciones.   En la imagen de la derecha se puede apreciar cómo se distribuye la variable escucha_voces en función del fenotipo, después de haberla seleccionado en la interfaz de pre-procesamiento. De todos los pacientes, hay 53 que no escuchan voces y 47 que sí lo hacen. Se observa también que los pacientes que han sido diagnosticados con histapenia, son los que más escuchan voces (área en rojo).

Pero más que estar buscando un método que mejore los diagnósticos, lo que más nos importa en la Fundación MicroMédix, es evaluar qué tanto un adolescente podría estar en riesgo de desarrollar un problema psicogénico, caracterizado por cualquiera de los fenotipos que aquí hemos estado analizando. Nos interesa por ejemplo encontrar un modelo de diagnóstico que nos permita responder a preguntas del tipo: ¿qué tan probable es que un muchacho se empiece a aislar de sus amigos y familiares, habiendo sido diagnosticado con histadelia? Una posibilidad es recurrir a los métodos dotados de inteligencia artificial, entre los que destacan las redes bayesianas. A continuación exploramos esa posibilidad.

El método de red bayesiana que hizo posible aumentar la precisión hasta en un 92%

Provisto de un conjunto de atributos optimizado, me di a la tarea de probar varios métodos, tanto de árboles de decisión como de redes bayesianas. Fue así como obtuve los mejores resultados.

A lo largo de este proceso de búsqueda, advertí que efectivamente los atributos que habia seleccionado de manera explícita, habían producido un aumento en las precisiones tanto en uno de los tres árboles de clasificación, como en los dos métodos bayesianos que elegí. Excepto para los casos de los árboles de decisión J48 y LMT, los demás métodos superaron a sus antecesores. En el caso del Random Forest la precisión llegó a ser del 90%. En la tabla adjunta muestro el resumen de las pruebas que tuve que realizar para finalmente adoptar como modelo de diagnóstico el de Bayes Net, no solo por haberme entregado la mejor precisión (del 92%), sino los mejores coeficientes estadísticos.

¿Recuerda lo que le comenté sobre los parámetros Kappa de Cohen y de la raíz del error cuadrático medio? Bueno, pues fue así como supe cuál era el mejor de los seis métodos analizados. El modelo a emplear terminó siendo el método de Bayes Net aplicado a las 35 variables que de acuerdo con WEKA, resultaron ser las más relevantes.

Con este modelo ya podemos responder a ese tipo de preguntas que nos permiten evaluar el riesgo que tiene una persona de enfermar. Con la inteligencia artificial de un método como el de Bayes Net, podemos determinar qué probabilidades tiene un paciente de padecer un síntoma, dado su fenotipo. En la imagen adjunta por ejemplo (pulse para agrandarla), se pueden conocer las probabilidades que tendría un adolescente de escuchar voces, de experimentar delirios, de no recordar sus sueños y de aislarse de sus familiares y amigos, dependiendo todo ello de su fenotipo. Así, de haber sido diagnosticado con histapenia, dichas probabilidades serían del 74.4%, 59.8%, 30.5% y 54.9%, respectivamente.

Uno de los principales objetivos al desarrollar un sistema de esta naturaleza, es evitar que los síntomas asociados a cualquiera de los fenotipos mencionados, hagan su triunfal aparición. Sin embargo, no hay que perder de vista que estamos ante un modelo probabilístico, y hay que ser my cautelosos a la hora de interpretar los resultados. Note por ejemplo que en la tabla de distribución de probabilidades de la figura anterior, se establece que la probabilidad de que un paciente normal escuche voces no es nula, lo cual no significa que esté en riesgo, sino simplemente que el modelo no es determinístico y que existe por lo tanto, un margen de error del 8%. No está nada mal.

Diagnosticando a un paciente con queratocono: ¿un fenotipo que podría clasificarse como “otro”?

Regresando al caso de “Alejandro de Austria”, es menester aplicar todo el conocimiento adquirido hasta aquí, para determinar con una precisión del 92%, el fenotipo de nuestro querido amigo.
El objetivo es tener una idea más clara de cuál puede ser este fenotipo, a fin de perfeccionar su receta.
En la captura de pantalla adjunta, estoy mostrando el diagnóstico que WEKA me entregó, al ingresar las respuestas que la mamá de este chico anotó en el cuestionario para identificar su fenotipo. En el conjunto de datos de prueba (test set), incluí a otros seis pacientes que estaban esperando su diagnóstico (pulse sobre la imagen para ver los detalles).

De acuerdo con lo que hasta hora sabemos sobre Alejandro, mi expectativa era que el resultado fuera fenotipo=”otro”; pero lo que el programa de minería de datos me entregó con una certidumbre del 99.2% fue “histapenia”, según se ve en el informe de la imagen anterior (inst# 7). A reserva de lo que revelen las pruebas de laboratorio a realizar en este caso, le estaremos enviando a este madre guerrera, una receta que tome en cuenta tanto el diagnóstico aquí obtenido, como los resultados de dichos análisis.

Obsérvese que en esa misma imagen hay dos pacientes que el modelo diagnosticó con histadelia. En el caso número 3 sin embargo (inst# 3), el programa no parace estar muy seguro de ese diagnóstico y por ende, nosotros tampoco. La certidumbre en este caso ha sido del 47.1%. Al revisar el registro de los datos de este paciente caí en la cuenta de que había dejado muchas preguntas sin contestar, y de alguna manera Bayes Net no se quiso comprometer. Asimismo, quise ponerlo a prueba ingresando un registro de un paciente que ya estaba dado de alta en la base de datos. Si Bayes Net hablara (poco le falta) me hubiera dicho: “a este señor ya lo conozco, es el que se subió a la rama roja de tu árbol J48, y te garantizo (100%) que es pirolúrico”. Nada más faltó que después de haberle borrado la variable que contenía la edad de los pacientes, me dijera que no se tratataba de un adolescente, sino de un “baby boomer”.

Conclusiones

La esquizofrenia, el trastorno bipolar, el autismo, la ansiedad, la depresión, los ataques de pánico y demás trastornos de la personalidad, son enfermedades multivariables, pues son demasiados síntomas los que entran en  juego a la hora de diagnosticar y prescribir. No es fácil determinar cuánto va a durar un tratamiento, ni qué tan bien va a responder un paciente a los suplementos que la medicina ortomolecular recomienda en cada caso. Pero los avances que todos los días tienen lugar en el campo de la informática biomédica y la biomedicina, nos están permitiendo concretar un mayor número de casos de éxito, apelando a la psiquiatría de precisión.

De todas la variables implicadas en el proceso, hay algunas que usted o su ser querido pueden controlar. Me estoy refiriendo a las del tipo epigenético. Aún contando con la herramienta más poderosa de la minería de datos, si no cuento con su apoyo, de poco nos va a servir tanto modelo matemático y tanta labor científica dedicados al restablecimiento de su salud. Yo no tengo control sobre la cantidad de cigarros que fuma, el alcohol que ingiere, sus adicciones, sus hábitos alimenticios, la cantidad de azúcar que consume y de su estilo de vida en general. Usted sí que posee el control de todas esas variables epigenéticas.

Recuerde que para conseguir el éxito de un tratamiento, es indispensable hacer equipo, porque para ser honestos, los únicos que terminan siendo los protagonistas de los casos de éxito son ustedes, los familares y los pacientes mismos, no los terapeutas ni los expertos en minería de datos.

Un par de comentarios finales 

Si usted es psiquiatra y tiene un método de diagnóstico que supere al Bayes Net, por favor déjeme un comentario. Me muero por conocerlo (al método, no al psiquiatra).
Ahora que si usted es un paciente o un familiar de un chico o una chica aquejados de un trastorno de personalidad, entonces sí que me muero por responder a sus comentarios y ofrecerle todo mi apoyo hasta ver la luz al final del túnel, pues mi pasión consiste en hacer todo lo que esté a mi alcance para que su calidad de vida vuelva a ser la misma que prevalecía cuando su hijo(a) era lo que solía ser.

© Sergio López González. Fundación MicroMédix. 8 de diciembre de 2017


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


REFERENCIAS

[1] William J. Walsh. Nutrient Power. Heal your biochemistry and heal your brain. Skyhorse Publishing, 2012.
[2] Richard Stuckey,William Walsh & Brett Lambert. The Effectiveness of Targeted Nutrient Therapy in Treatment of Mental Illness. A pilot study. ACNEM Journal Vol 29 No 3 – November 2010.
[3] R.A.S Hemat. Principles of Orthomolecularism. Urotext. 2004
[4] Ian H. Witten, Eibe Frank & Mark A. Hall. Data Mining. Practical Machine Learning, tools and Techniques, third edition, Elsevier. 2011.
[5] Daniel T. Larose. Discovering Knowledge in Data. An introduction to data mining. John Wiley & Sons.2005
[6] David Nettleton. Análisis de Datos Comerciales. Díaz de Santos. 2003