La nueva tecnología predictiva del MIT que te puede salvar la vida

Investigadores del MIT y de IBM han desarrollado una nueva inteligencia artificial capaz de analizar los posibles tratamientos que se le pueden aplicar a un paciente y hacer una estimación de los potenciales resultados. La tecnología es capaz de tener en cuenta el estado de salud de cada enfermo de manera individualizada y puede ser una herramienta clave para ayudar a los doctores a tomar decisiones críticas en poco tiempo.

TE PUEDE INTERESAR

Rusia detiene los lanzamientos de satélites europeos

Jesús Díaz

G-Net es una nueva herramienta de inteligencia artificial creada por investigadores del MIT-IBM Watson AI Lab. Esta tecnología, basada en técnicas de aprendizaje profundo, promete ayudar a los médicos a explorar distintos tratamientos en un enfermo y anticipar cómo evolucionaría con cada uno de ellos sin ponerles en peligro.

"Nuestro objetivo final es desarrollar una técnica de aprendizaje automático que permita a los médicos explorar varios escenarios 'qué pasaría si' y opciones de tratamiento", comenta Li-wei Lehman, investigador del Instituto de Ingeniería y Ciencia Médica del MIT y líder del proyecto.

Una de las novedades que presenta esta tecnología con respecto a otras similares es que permite la personalización del tratamiento. El G-Net es flexible y permite modificar el tratamiento a lo largo del tiempo y según va cambiando la situación del paciente. Además la tecnología tiene en cuenta tanto las nuevas afecciones como su historial previo de los enfermos.

"G-Net es el primer enfoque de aprendizaje profundo basado en [algoritmos de] computación g que puede predecir tanto los efectos del tratamiento a nivel poblacional como a nivel individual bajo estrategias de tratamiento dinámicas y variables en el tiempo", asegura Lehman.

Cómo funciona

Para testar esta tecnología, los investigadores tomaron como referencia el sistema circulatorio de los pacientes sépticos en la UCI. Durante el cuidado de este tipo de enfermos críticos, los médicos no tienen mucho tiempo para tomar decisiones. Por ejemplo, los investigadores comentan que “para garantizar que los órganos reciban un suministro de sangre adecuado sin sobrecargar el corazón se pueden administrar líquidos por vía intravenosa a los pacientes para aumentar la presión arterial. Sin embargo, una cantidad excesiva puede provocar un edema. Como alternativa, los médicos pueden administrar vasopresores, que actúan contrayendo los vasos sanguíneos y elevando la presión arterial”.

TE PUEDE INTERESAR

El material que promete gafas que no se empañan y que se limpian solas

Omar Kardoudi

Para poner a prueba el G-Net, el equipo utilizó CVSim, un modelo que imita el sistema cardiovascular humano y que se rige por 28 variables como la presión arterial, la presión venosa central, el volumen sanguíneo total o la resistencia periférica total. Y lo modificó para simular varias enfermedades como la sepsis o la pérdida de sangre.

Aunque G-Net ha funcionado muy bien con datos simulados, el equipo admite que aún queda trabajo antes de llevarlo a práctica en enfermos reales. Aunque ya están en ello. Ahora mismo están utilizando datos reales de pacientes de la UCI con sepsis con lo que, según afirman, están más cerca de poder usarlo en hospitales.

TE PUEDE INTERESAR

Limitar una proteína puede mantenernos jóvenes durante más años

Omar Kardoudi

Lehman piensa que a diferencia de otros enfoques, que recomiendan tratamientos "óptimos" sin la participación de un médico, G-Net sería más interpretable y permitiría que los facultativos pudieran introducir sus estrategias de tratamiento. Esto haría que la inteligencia artificial se converta en una herramienta de consulta que los médicos pueden tener a su disposición para tomar sus decisiones.

"Creo que es muy importante y emocionante para las aplicaciones en el mundo real", comenta Stephanie Hu, otra de las autoras de este estudio que ha sido publicado en la revista ‘Proceedings of Machine Learning Research’. "Sería útil tener alguna forma de predecir si un tratamiento podría funcionar o no, o cuáles podrían ser sus efectos: un proceso de iteración más rápido para desarrollar estas hipótesis sobre qué probar, antes de intentar realmente aplicarlas".