Medicina Natural

Medicina Alternativa Personalizada. Consultorio


Deja un comentario

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

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

La obsesión por la causalidad

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

La clave entonces está en analizar las tendencias de las variables representativas de esos datos a lo largo del tiempo. Específicamente, nos interesa conocer cómo han sido las cosas en el pasado, para aprovechar esa experiencia y extraer conclusiones útiles en el momento presente, sin importar el origen de todo ello.

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

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

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

Si quisiéramos personalizar tratamientos basándonos en el análisis del genoma humano, cosa que ya están haciendo muchos entusiastas de la medicina de precisión en otras partes del mundo, entonces sí que estaríamos hablando de un torrente de datos. Pero nuestra propuesta más bien está encaminada hacia una biomedicina basada en evidencias, no en el genoma humano. Como quiera, la cantidad de datos redundará en tratamientos más precisos. Con una calidad apropiada de los datos, la precisión de un tratamiento mejorará a medida que aumente el número de evidencias.

Así, para que el tratamiento funcione, las evidencias tienen que consistir necesariamente de casos de éxito, para los que un determinado conjunto de nutrientes, ya demostró beneficiar a un grupo específico de pacientes.
Nótese sin embargo que habrá enfermedades para las cuales los casos de éxito no abundarán, y aunque éstos no constituyan precisamente un diluvio, eso no significará que no podamos personalizar tratamientos. No necesitamos contar nuestros datos en petabytes (Big Data) o incluso en megabytes, para saber qué puede beneficiar a un paciente, sin preguntarnos por qué lo beneficiará. Hemos personalizado tratamientos con menos de un centenar de casos de éxito, con resultados muy satisfactorios.

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

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

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

La inteligencia artificial aplicada a la biomedicina

En el caso del cáncer o del SIDA por ejemplo, el hecho de que no conozcamos a ciencia cierta qué es lo que pudo haber originado que un paciente contrajera uno de estos males, eso no significa que debamos abandonar el caso. Y suponiendo que llegáramos a conocer la causa de una enfermedad, eso no nos estaría garantizando el haber dado con la solución. Eso fue lo que nos sucedió con Emilio, un paciente con acúfenos a quien tuvimos que decirle “¿Y ahora que ya conocemos lo que ocasionó el problema, qué hacemos?“. Aun cuando supusimos (teníamos una teoría) que los zumbidos en sus oídos era un efecto secundario causado por los fármacos que su psiquiatra le había recetado, tuvimos de todas maneras que recurrir a la psiquiatría de precisión, porque no teníamos idea de cómo revertir esos efectos farmacológicos. Con decirle que ni los psiquiatras saben cómo hacer eso. Sería estupendo que los que emplearon el “método científico” para desarrollar esas drogas, tuvieran una solución para ello.
Ahora bien, desde la perspectiva del paciente, el desconocimiento de la etiología de su enfermedad tampoco debería suponer la renuncia a cualquier otra alternativa de sanación. Y es que no quisiera dejar de hacer hincapié en la importancia que tiene para un paciente diagnosticado como incurable, el poder contar con un mecanismo de defensa contra todo pronóstico médico pesimista. Ese mecanismo de defensa ya ha demostrado su efectividad en una cantidad considerable de casos en los que el paciente ha sido desahuciado. Ese mecanismo de defensa existe desde que el hombre es hombre y la mujer es mujer; se llama esperanza (el mecanismo, no la mujer).

La voluntad de vivir y el sinsentido de las falsas esperanzas 

No todo es inteligencia artificial, tecnología o Big Data. El paciente debe estar lleno de esperanza y de una voluntad de vivir inquebrantable. La autocuración nunca ha sido algo de lo que puedan jactarse los débiles de corazón.
En contraste con lo que muchos de nuestros detractores piensan, nosotros no estamos creando falsas esperanzas en nuestros pacientes, pues las evidencias en las que se basa la biomedicina personalizada para confeccionar sus tratamientos, están representadas por las tendencias de un número muy respetable de datos clínicos reales.

Esos cuadros clínicos son casos de éxito que han demostrado que un determinado grupo de pacientes puede curarse con cierta clase de medicamentos y/o nutrientes. Son registros históricos que han sido recopilados a lo largo del tiempo y que el especialista puede aprovechar para curar a un paciente con un cuadro clínico muy similar a los que presentaba una determinada parte (grupo o cluster) de esos registros históricos.
Y aun suponiendo que los métodos que hacen posible descubrir tendencias en esas evidencias, no nos proporcionaran la solución del caso bajo estudio, pregunto:

¿Por qué alguien que ha encontrado una esperanza de vida, debería renunciar a ella?
¿Y de dónde sacan todos esos detractores de la medicina alternativa que existe algo tan absurdo como una “falsa esperanza”? ¿O es que hay esperanzas verdaderas? Roger Zelazny alcanzó a vislumbrar de una manera muy elegante el sinsentido de esa idea, al proclamar en una de sus frases más célebres que “La mejor forma de destruir la fe o la esperanza es dejar que se haga realidad”. Mas claro ni el agua.

Nadie puede determinar con antelación si un tratamiento va a funcionar o no. Eso solo es posible saberlo una vez que lo esperado ocurre, y cuando ocurre, la esperanza muere. De acuerdo con esto, aunque quisiera, uno no puede crear “falsas esperanzas”. Usted tiene una inconmensurable fe en Dios, aunque nunca lo haya visto, palpado o conversado con él. Usted tiene la esperanza de curarse porque sabe que no es imposible conseguirlo; porque otros ya lo han logrado. La esperanza muere tanto si usted vive como si no. Y si llega a sobrevivir, será porque abrigó la esperanza de que eso ocurriera, y no porque renunció a todo su potencial humano, a toda voluntad de vivir.

Para salir bien librado de una enfermedad, lo primero que recomiendo es olvidarse de la resignación. Hay que llenarse de esperanza, de optimismo, de una fe inquebrantable y una determinación férrea; tener la convicción de que algo bueno ocurrirá; así como contar con un buen tratamiento y una buena atención nutricia por parte del profesional de la salud. La voluntad de vivir y la esperanza es algo a lo que nos aferramos Norman Cousins, yo y muchos otros e-pacientes, cuando alguien se atrevió a decirnos que nuestra enfermedad no tenía cura, así como todo aquello que me ayudó a encontrar una cura no para la esquizofrenia en general, sino para la de uno de mis hijos; la del joven C, cuyo caso nunca quiso que se publicara por obvias razones; la de una pequeña regiomontana de apenas 12 años a quien sacamos adelante gracias al apoyo de sus padres; la de otra chica peruana que ya hasta se casó y continuó su vida normal; así como la de Esperanza, una joven mexicana cuyo caso expuse en “Terapia inteligente para tratar la esquizofrenia: de la esperanza a la curación“.
Hay por supuesto muchos casos más de pacientes que han mejorado bastante pero que por no haber terminado su tratamiento todavía, no podríamos considerar que ya se curaron. No obstante, al menos dos de ellos ya están trabajando y desempeñando las actividades que solían realizar, antes de que experimentaran su primer episodio. Todos ellos abrigaron la esperanza de recuperarse.

De cómo un algoritmo inteligente encuentra la similitud entre pacientes

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

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

Lo que Euclides y Pitágoras han aportado a la inteligencia artificial

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

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

“Un estudio para tu Caso” ya se está implementando con biomedicina personalizada

Los principios y métodos que aquí he descrito son parte de la tecnología que actualmente estamos usando para confeccionar nuestras recetas, a través del servicio “Un Estudio para tu Caso“, y es por ello que le sugerimos hacer caso omiso de los pronósticos médicos pesimistas. Si un médico le ha dicho que su mal no tiene remedio, antes de que ese señor con aires de CuasiDios mutile su capacidad de discernimiento, induciendo en usted un efecto nocebo, lo invito a conocer lo que Norman Cousins (abajo a la izquierda) escribió sobre este asunto, justo en el último capítulo de su interesante obra “Anatomía de una Enfermedad o la Voluntad de Vivir” [2]:

Por una mera coincidencia, en el décimo aniversario de mi enfermedad, año 1964, me encontré en una calle de Nueva York a uno de los especialistas que había hecho el melancólico diagnóstico de la parálisis progresiva. Se sorprendió mucho al verme. Le tendí la mano y él me la estrechó. No me apresuré a retirarla, tenía algo que decirle y pensé que la mejor manera de hacerlo era saludándolo con firmeza a fin de causarle una gran impresión. Seguí apretando su mano hasta que hizo un gesto y me pidió que le soltase. Me dijo que en vista de mi apretón de manos ni siquiera tenía que preguntarme por mi estado de salud, pero estaba ansioso por saber cómo me había convencido de que algunos expertos no saben suficiente como para hacer un pronunciamiento que condene el destino de un ser humano. Le dije que me parecía que ellos deberían tener más cuidado con lo que decían a los demás; porque en caso de que alguien les creyese, ello podría significar el principio del fin” (las negritas son mías).

Conclusiones

1) Aun cuando no se sepa con exactitud cuál ha sido la etiología de la enfermedad, si las evidencias son suficientes en calidad y en cantidad, el paciente se curará con las mismas sustancias que se les administró a los pacientes del grupo en el que él (ella) quedó clasificado(a), debido a la gran similitud de sus cuadros clínicos.
2) La respuesta está en el tiempo
3) La biomedicina personalizada pretende descubrir terapias que funcionan en casos específicos, no para todo el género humano.
4) Para algunas enfermedades, las evidencias podrían no ser del orden de varias centenas; pero no se precisa de un torrente de casos de éxito para poder personalizar un tratamiento confiable y eficiente.
5) Muchas personas han fallecido no tanto por la gravedad del mal que las aquejaba, sino porque un CuasiDios de bata blanca les dijo que su enfermedad no tenía cura, y se lo creyeron.

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

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


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


REFERENCIAS

[1] Chris Anderson. The End of Theory: The Data Deluge Makes the Scientific Method Obsolete. Wired, June 2008
[2] Anatomía de una Enfermedad o la Voluntad de Vivir. Norman Cousins. Kairós


 

Anuncios


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), es el valor promedio de las edades de los pacientes del grupo 8. Los valores más próximos a esa edad, los calculó la herramienta de software considerando la distancia euclidiana entre todas las edades (incluida la de Esperanza) y ese valor promedio. Dado que la proximidad entre casos la determina dicha distancia euclidiana, era seguro que el caso de Esperanza tenía una gran similitud con los casos que fueron clasificados dentro de su grupo, a pesar de no coincidir en todos sus atributos (si lo hicieran, serían idénticos).

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, una vez que los médicos a cargo pudieron descubrir 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


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


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.