Consensos asistidos en medicina

Ledys M. Izquierdo (Socia Fundadora AIPOCRATES)

La ciencia médica se apoya en diferentes técnicas y métodos para construir su armazón teórico. Dichos procesos pueden abarcar desde la simple observación, reporte de casos y evidencias, hasta revisiones sistemáticas y metaanálisis de ensayos clínicos controlados aleatorizados. En la base de la pirámide del conocimiento médico se encuentran los consensos, que a través de la literatura médica disponible intentan dar respuesta a problemáticas que, siendo consuetudinarias, no tienen definida una conducta en términos de la práctica médica.

En síntesis, el consenso es un intento por unificar, no es una suerte de Ley, es una guía o recomendación, que permite la construcción de una conducta médica general para una entidad de la que no se tiene información, que guarda poca evidencia, y que puede entenderse como desconocida o simplemente incomprensible, además pone en consideración de la comunidad médica el acervo teórico a través de artículos científicos y opiniones expertas, permite que la ciencia médica evolucione gracias a su propia experiencia, respondiendo preguntas, resolviendo problemas y, buscando soluciones más efectivas y eficientes, haciendo de los consensos un proceso fundamental para el constructo teórico de la medicina.

Sin embargo, hay limitaciones relacionadas con los datos en los consensos, en términos de: disponibilidad, formato (estructurados – no estructurados), almacenamiento (tipos de bases de datos y facilidades de recuperación), procesamiento (herramientas estadísticas); esto no siempre garantiza que los estudios analizados tengan adecuada significancia estadística, unido a las problemáticas relacionadas con la operatividad de los sistemas de salud, consideraciones de ética médica, e incluso la presión de la industria, por ende, la opinión del consenso también es limitada y con bajo impacto en el ambiente clínico variable, al final, los consensos siempre necesitan una actualización periódica, aceptando que el conocimiento seguro es escurridizo y la incertidumbre estará presente; pero es susceptible de ser perfeccionada y una herramienta es el aprendizaje automático.

La búsqueda de una respuesta, en general con poca información, sacrifica la verdadera intencionalidad de los consensos mostrándolos como poco eficientes o en algunos casos inútiles.  Con la integración de modelos de aprendizaje automático, la capacidad para crear, relacionar y combinar nuevas variables es tremendamente amplia, hallando patrones ocultos o la relevancia de variables que se creían menores con un papel menor en el funcionamiento de los sistemas complejos, mejorando la calidad de la información y por ende las respuestas obtenidas en los consensos.

También abre la posibilidad de pensar que la información generalizada pueda ser particularizada de manera rápida y precisa, es decir, a través de un conjunto de algoritmos se obtienen las características relevantes, resultados medibles y verificables de manera inmediata, de un individuo, que se clasifican y agrupan por similitudes con las de otras personas y posteriormente se aplican a un paciente en específico, dando paso a la predicción de desenlaces clínicos para una pregunta específica.

Las metodologías empleadas hasta el momento en la elaboración de los consensos se basan en el análisis epidemiológico sustentado en las técnicas Delphi, el grupo nominal y la conferencia consenso entre otras.

La rapidez de análisis y procesamiento de modelos como: KNN, redes neuronales, árbol de decisiones y aprendizaje profundo, entre otros; optimizan las posibilidades de combinar  datos y mejoran los resultados de una búsqueda, encuentran la verdadera significancia de los datos, y pueden obtenerse resultados mejor ajustados en términos de varianza y sesgo, disminuyendo el tiempo que toma hacer un consenso.

En los consensos, los estudios epidemiológicos tienen un punto limite, que puede ser ampliado por los modelos computacionales ya mencionados.  La combinación de técnicas IA (Inteligencia Artificial), desarrollaría la capacidad de los consensos tradicionales, al agregar el escalón tecnológico con modelos de aprendizaje, que permitirían, procesar grandes volúmenes de información estructurada y no estructurada, pero, sobre todo, mejorar la calidad de los datos, descubriendo nuevas clasificaciones, a través de regresiones o correlaciones.

Ahora bien, el desarrollo de nuevas técnicas de IA permite que se apliquen modelos cada vez más avanzados, como las técnicas de ensamble que resultan de la combinación simultánea de varios modelos, donde se selecciona una única hipótesis, y se diseña un algoritmo para la combinación de los distintos modelos que logren la mejor predicción posible, es decir, aquella donde el sesgo y la varianza se reducen potencialmente, en comparación con la aplicación de un único modelo. Relacionado con las técnicas de ensamble que pueden ser aplicadas a la medicina, en particular al consenso, encontramos técnicas de ajuste de ensambles tipo “VOTING”, que nos pueden ayudar en la toma de decisiones, tema que será abordado en la próxima entrega…

 Referencias

Bazell D, Aha WD (2001) Ensemble of classifiers for morphological galaxy classification. The Astrophysical Journal, 548:219-223

Dietterich T (2000) Ensemble Methods in Machine Learning. Multiple Classifier Systems. MCS 2000. Lecture Notes in Computer Science, vol 1857:1-15.

Developing a methodology for drawing up guidelines on best medical practice (recommendation Rec (2001) 13 and explanatory memorandum), Strasbourg: Council of Europe Publishing 2002