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
