Desmitificando a la Inteligencia Artificial

¿Qué es la Inteligencia Artificial y cómo impacta en la medicina? 

La inteligencia artificial es una conjunto de herramientas tecnológicas, fundamentadas en las matemáticas, que buscan simular la toma de decisiones que realiza la inteligencia humana. Es una rama de estudio de las Ciencias de la Computación. La inteligencia artificial se puede dividir en dos grandes áreas de estudio: el aprendizaje simbólico o symbolic learning y el aprendizaje automático o machine learning. Cuando en medicina nos referimos a la inteligencia artificial, habitualmente es a esta área llamada aprendizaje automático a la que nos estamos refiriendo. En el aprendizaje automático entrenamos a un algoritmo para que aprenda a reconocer un determinado patrón. La forma más sencilla de ver esto es pensar en una regresión linear o en una regresión logística.

Por ejemplo, para determinar el riesgo de malignidad de un nódulo pulmonar, podríamos utilizar el algoritmo de la Clínica Mayo, que con los datos que le aportemos, nos dará la probabilidad de malignidad del nódulo en consideración. Para esto, alguna vez se ingresaron datos como ser edad, bordes del nódulo, exposición al tabaco, etc. y se clasificó a un nódulo como benigno o maligno. Así, el método estadístico optimizó una ponderación para cada una de las variables que le introdujimos y obtuvimos un algoritmo para ser utilizado. A partir de ese momento, ofreciendo un nuevo caso al algoritmo obtendremos una probabilidad de malignidad. En este caso se trata de una regresión logística, ya que nos ofrecerá una probabilidad acerca de un resultado binario: benignidad vs. malignidad. Si el resultado fuese numérico, se trataría de una regresión lineal.

Ahora bien, preguntarán si la regresión logística y lineal sirven de ejemplo para explicar a la inteligencia artificial, ¿por qué tanto entusiasmo alrededor de la la inteligencia artificial? ¿Es sólo el uso de una regresión?

La regresión es sólo el inicio. A partir de ella y con un profundo conocimiento de las formas de optimizarla, se crean modelos matemáticos mucho más complejos. Llegamos así a lo que se conoce como aprendizaje profundo, que es una tecnología dentro de la inteligencia artificial. Y específicamente en el aprendizaje profundo encontramos a las redes neuronales profundas o deep neural networks (DNN). Originalmente se las llamó redes neuronales porque se grafican de manera similar a la que operan las neuronas humanas.

La inteligencia artificial en medicinaPara entenderlo, se debe pensar a una red neuronal de la siguiente manera: tenemos datos que serán el input o entrada de la red neuronal, a partir de los cuales obtendremos un output o información de salida. Tanto el input como el output se conocen como capas o layers: input layer y output layer.

Volviendo al ejemplo del nódulo pulmonar, en la input layer podrían estar los datos de tamaño de nódulo, edad del paciente, bordes, etc. Pero también detalles mucho más finos como datos obtenidos del análisis imagenológico de pixeles de una tomografía. Estos datos atravesarán la red neuronal, en donde cada una de las “neuronas” será una ecuación matemática que ofrecerá un resultado que alimentará a la siguiente “neurona”, que será otra ecuación matemática. Así sucesivamente hasta pasar por decenas de neuronas-ecuaciones y llegar al resultado final en el output layer. El output layer nos dirá si de acuerdo a los datos ingresados, el nódulo es maligno o benigno. Entre la input layer y el output layer están todas estas neuronas-ecuaciones que se conocen como hidden layers. Es en estas hidden layers donde ocurre el procesamiento de datos.

Este es el modelo general de lo que se usa de la inteligencia artificial en medicina. Veamos un ejemplo: nos interesa desarrollar una red neuronal que nos diferencie nódulos pulmonares sólidos de nódulos en vidrio esmerilado. Para esto podríamos tomar una red neuronal accesible libremente. Le ofrecemos imágenes de nódulos pulmonares, etiquetando nosotros mismos a cada imágen como nódulo sólido vs. nódulo en vidrio esmerilado. Tensor Flow de Google es un ejemplo de red neuronal accesible libremente. Entrenaremos así a la red neuronal para que al ofrecerle una nueva imágen, nos diga si se trata de un nódulo sólido o en vidrio esmerilado. En esta etapa es cuando finalmente comprobaremos si la red neuronal ha aprendido.

La medida que se usa para saber si la red neuronal aprendió es el área bajo la curva (ABC) de una una receiver operating characteristic o curva ROC. El ABC va de 0 a 1, siendo un modelo más robusto cuanto más se acerque a 1 el ABC.

En un reciente artículo, Eric Topol resume muchos de los estudios realizados con inteligencia artificial en medicina. Por ejemplo cita el caso en el que un algoritmo tiene un ABC de 0.63 para diagnosticar neumonía en una radiografía de tórax. Como se ve, su diagnóstico es correcto en poco más que la mitad de las veces. En el caso de la cardiomegalia, el ABC mejora hasta 0.87. Si bien el diagnóstico no es perfecto, muchas veces el diagnóstico hecho por un médico no es mucho mejor. Incluso a veces es peor. Son varios los casos en que estos algoritmos tienen una mejor performance que la de un médico especialista. Uno de estos casos es el de un algoritmo entrenado para diagnosticar melanoma cutáneo que obtuvo un ABC de 0.86 vs. el ABC de 0.79 para médicos dermatólogos certificados. Estos resultados son sin tener en cuenta la velocidad de procesamiento de datos que tiene una red neuronal. En cuestión de 1 o 2 segundos podría analizar cualquiera de estas imágenes. Ningún humano puede superarla en este aspecto.

Es este mecanismo de inteligencia artificial por el cual los algoritmos de Facebook aprenden a reconocer caras hasta lograr hacerlo una una gran exactitud. También es la forma en la que operan los autos autónomos para identificar obstáculos en el camino.  

Particularmente, encuentro fascinante el mundo de la inteligencia artificial y creo que tendrá un enorme potencial en medicina. Algunos preguntan si la inteligencia artificial reemplazará a los médicos. Eso podrá ser el tema de otro artículo. La respuesta no es un sí o un no, creo tiene muchos aspectos que deben ser analizados. Si creo que la inteligencia artificial tiene la enorme capacidad de potenciar la calidad de la medicina en el futuro y posiblemente mejorar la salud de las personas.

Para los más interesados, les recomiendo un curso online de inteligencia artificial realizado por uno de los pioneros en la inteligencia artificial, es el curso de Andrew Ng.

La biopsia líquida y el cáncer de pulmón

Hace algo más de dos años que escribía sobre la biopsia líquida y el potencial de desarrollo que presentaba. Dos años después, la biopsia líquida es una realidad de la que cada vez tenemos mayor cantidad de reportes. Hace una semana en el New England Journal of Medicine se publicó una revisión sobre este tema y en octubre en JAMA Oncology se publicó un estudio particularmente en pacientes con cáncer de pulmón.

A modo de revisión, en la biopsia líquida se busca detectar en sangre u otro fluido corporal (orina, ascitis, líquido pleural), células que un tumor desprende, fragmentos de ADN tumorales (circulating tumor DNA o ctDNA) o exosomas (vesículas de membrana con ácido nucleico en su interior). El fundamento de la biopsia líquida está en que un tumor desprende células en el torrente sanguíneo, menos de 10 células por mililitro de sangre en pacientes con tumores metastásicos.

Ya comentábamos hace dos años que detectar células tumorales o ctDNA en la sangre, nos permite el estudio de la heterogeneidad tumoral, debido a que no estudiamos sólo un fragmento de tumor como haríamos en una biopsia, si no células que se desprenden de todo el tumor. Otra ventaja es que el ctDNA aparece en sangre antes que la manifestación clínica de la enfermedad, de manera que podría ser un factor determinante a la hora de detectar recurrencias tumorales. También se sabe que una resección tumoral incompleta, puede asociarse a ctDNA en sangre. Así mismo, la respuesta al tratamiento sistémico, podría detectarse precozmente con la detección de ctDNA.

Específicamente en el estudio de JAMA Oncology, se comparan los hallazgos en perfil de alteraciones mutacionales en biopsias de tejido tumoral vs. biopsia líquida en pacientes con cáncer de pulmón con enfermedad avanzada. Se detectaron mutaciones en EGFR, ALK, MET, BRCA1, ROS1, RET, ERBB2 o BRAF en el 35% de los pacientes (113/323). Hubo pacientes que sólo tuvieron biopsias líquidas (94 pacientes) y el 33% tuvo mutaciones presentes. Cuando a las biopsias de tejidos se le sumó la biopsia líquida, se aumentó de 20.5% a 35.8% el porcentaje de pacientes con mutaciones específicas. Esto significa un mayor número de pacientes que son tratables con agentes específicos y potencialmente mejorar su sobrevida.

¿Habrá llegado el momento de considerar a la biopsia líquida como parte del estudio de los pacientes con cáncer de pulmón avanzado, independientemente de la biopsia de tejido? Espero que muy pronto podamos responder preguntas como estas.

Diagnóstico histológico sin necesidad de tejido: la imagenología molecular

Si hay una innovación que cambiaría por completo el modo en que diagnosticamos y tratamos a nuestros pacientes, sería diagnosticar un tumor sin necesidad de obtener tejido para microscopía. Si bien esto parece futurista, lo cierto es que hay muchos avances en  lo que se llama imagenología molecular o molecular imaging que cada vez están más cerca de lograr diagnosticar enfermedades sin la necesidad de obtener un fragmento de tejido. Empecemos por ver qué es la imagenología molecular.

Una definición no muy nueva, pero clara aparece en un ejemplar del año 2001 del Journal of Radiology que dice que la imagenología molecular es la caracterización y medición de procesos biológicos in-vivo a nivel celular y molecular. Con esta definición cada vez que pedimos un PET scan estamos utilizando a la imagenología molecular: un test que busca mediante una sustancia, la 2-desoxi-2-(18F)flúor-D-glucosa o 18FDG, marcar in-vivo la actividad celular o metabólica de los tejidos que estamos estudiando. Si bien el PET scan no diferencia un tejido benigno de uno maligno, nos da una idea de la actividad metabólica que tiene un determinado tejido.

Image courtesy of dream designs at FreeDigitalPhotos.net
Image courtesy of dream designs at FreeDigitalPhotos.net

Pensemos ahora en qué sería si pudiésemos identificar una característica única de un tipo de tumor, como la expresión de una determinada proteína y desarrollar una sustancia que pueda ligarse de manera específica a esa proteína y que a la vez sea capaz de enviar una señal como lo hace la 18FDG para que sea detectada y visualizada. Es exactamente esto lo que intentaron hacer Okasunya y colaboradores publicando su experiencia en el último número de JTCVS.

En un excelente trabajo los autores fundamentan su teoría en la expresión selectiva de el receptor de folato alfa en la células tumorales del adenocarcinoma pulmonar. Así estudiaron el comportamiento de un compuesto llamado isocianato-fluorosceína-folato (FITC folato), que es capaz de unirse de manera selectiva a este receptor  y enviar una señal fluorescente que es captada mediante imagenología óptica en el mismo quirófano.

El FICT folato tiene una especificidad del 80-90% por el receptor de folato alfa de las células tumorales. Estudiaron 50 pacientes con diagnóstico probado por punción de adenocarcinoma pulmonar que iban a ser operados. Antes de la cirugía se les inyectaba a los pacientes el compuesto FICT folato y una vez realizada la toracotomía, desinsuflado el pulmón e identificado palpatoriamente el tumor, se tomaba una imagen con el sistema imagenológico diseñado para detectar la fluorescencia de las células tumorales. Si bien sólo 7 de los 50 casos (14%) fueron positivos de manera intraoperatoria, una vez resecado el lóbulo y tomado una nueva imagen en una mesa de disección con el tumor un poco más expuesto en la pieza operatoria, fueron positivos 39 tumores más de los 43 restantes. La limitación está en la distancia que tiene el tumor de la superficie pleural.

Podrían pensar que sólo 7 de 50 casos fueron positivos de manera intraoperatoria y que hubo que resecar el pulmón para confirmar la positividad en 39 tumores más, pero este no es el hecho. La importancia de este estudio radica en el avance que se está haciendo para identificar histológicamente un tumor sólo mediante el uso de un agente que se liga de manera específica a las células tumorales. Piensen que todos los tumores positivos fueron efectivamamente adenocarcinomas, es decir que fue 100% específico, al menos en esta muestra de pacientes.

Este es solo el comienzo de lo que será posible con este tipo de tecnología y no me extrañaría pensar que en un futuro no muy lejano el diagnóstico oncológico pueda realizarse con el uso de las imágenes y de manera no invasiva. 

 

Tendencias en el tratamiento del cáncer de pulmón

El tratamiento del cáncer de pulmón ha sufrido enromes cambios en los últimos 10 años. Desde la perspectiva quirúrgica se volvió a replantear el uso de las resecciones menores para tumores periféricos de menos de 2 cm de diámetro en vez de la lobectomía; de hecho el trial del Cancer and Leukemia Group B (CALGB) 140503, que aún está reclutando pacientes, fue diseñado para contestar esta pregunta. El objetivo es reclutar casi 700 pacientes y quedan poco más de 100 para cerrar el trial actualmente.

Sin embargo, en el tratamiento médico del cáncer de pulmón es donde vemos que los avances crecieron de manera gigante. Lo que era la clasificación histológica y por inmunomarcación del cáncer de pulmón se vio complejizada por el descubrimiento de una gran cantidad de desarreglos moleculares que de a poco fueron reconocidos. Es cada vez más común testear a los adenocarcinomas de pulmón para mutaciones en el EGFR (por sus siglas de Epidermal Growth Factor Receptor) y rearreglos en el gen ALK (por Anaplastic Lymphoma Kinase). Por lo que a mi me toca ver, es probable que estas determinaciones las hagamos más en pacientes con tumores avanzados, lo que no significa que podamos hacerlas en todos los pacientes con diagnóstico de adenocarcinoma. Si bien estas alteraciones moleculares afectan a una pequeña cantidad de pacientes con adenocarcinomas de pulmón, ofrecen la posibilidad a los pacientes que poseen estas mutaciones, ser tratados con medicaciones que actúan específicamente al nivel de estas alteraciones moleculares y pueden ser muy efectivas.

Las mutaciones en el EGFR ocurren en aproximadamente el 20% de los pacientes con adenocarcinomas, siendo las más frecuentes las que se encuentran localizadas entre los exones 18 y 21 del dominio kinasa del EGFR. Estas mutaciones son la deleción de un fragmento del exón 19 (del19) y una mutación puntual en el exón 21 (L858R). Estas alteraciones explican el 90% de las alteraciones encontradas en el EGFR y afectan la porción proteica del sitio de unión con ATP produciendo un aumento de la actividad de kinasa del EGFR. Esto aumenta la actividad de otras proteínas proliferativas celulares. Los inhibidores del EGFR o TKIs (de Tyrosin Kinase Inhibitors) compiten con el ATP por ocupar este sitio. Tanto la mutación del19 como la L858R son predictoras de una importante respuesta al tratamiento con TKIs. Existen el erlotinib y el genfitinib que son inhibidores reversibles del EGFR y el afatinib que es un TKI de segunda generación e inhibe de manera irreversible al EGFR. Estas moléculas han demostrado aumentar la sobrevida libre de progresión de enfermedad y la calidad de vida de pacientes que son portadores de estas mutaciones y tienen cáncer de pulmón en estadíos avanzados.

Los rearreglos cromosómicos del gen ALK ocurren en menos casos, en un 3% de los adenocarcinomas de pulmón. Lo que ocurre en este caso es que el gen ALK se fusiona con el gen EML4 y generan al gen de fusión ALK-ELM4 que es un driver oncogénico muy importante. Los pacientes que tienen esta alteración genética se benefician del tratamiento con crizotinib que puede controlar la enfermedad por tiempo más prolongado que lo que lo hace la quimioterapia convencional.

Estos son sólo dos ejemplos, pero hay muchos más sobre las alteraciones moleculares que ocurren en el cáncer de pulmón. Usualmente estas medicaciones pueden administrarse por boca y tienen un perfil de efectos adversos mejor tolerable que la quimioterapia convencional, aunque no están libres de efectos adversos.  El desafío es lograr que todos los pacientes con diagnóstico de esta enfermedad sean testeados inicialmente para identificar estas alteraciones y así poder ofrecerles un tratamiento personalizado. Son innumerables la cantidad de ensayos clínicos que existen en la actualidad para determinar la utilidad de estas medicaciones y otras similares.

Una nueva modalidad para incluir más pacientes en los protocolos de investigación es lo que se llama Platform Studies o ensayos en plataforma. Estos ensayos clínicos consisten en testear a una gran población de pacientes para una determinada cantidad de mutaciones y de acuerdo a los resultados obtenidos, dirigir a cada uno de los pacientes al ensayo clínico que podría serle de mayor utilidad. Un ensayo de este tipo es el llamado ALCHEMIST o Adjuvant Lung Cancer Enrichment Marker Identification and Sequencing Trials. Este ensayo es esponsoreado por el National Cancer Institute (NCI), parte del National Institutes of Health (NIH). La idea en este ensayo es testear para mutaciones en el EGFR y en ALK a todos los pacientes con cáncer de pulmón resecado. Aquellos pacientes que tienen mutaciones en el EGFR se les ofrecen entrar al ensayo ALCHEMIST EGFR en el cual recibirán erlotinib o placebo para investigar la utilidad del erlotinib como tratamiento adyuvante en la disminución de recurrencias y mejora de la sobrevida en paciente con cáncer de pulmón resecado. De manera similar, los pacientes con el gen de fusión gen de fusión ALK-ELM4, se les ofrecerá entrar al ensayo ALCHEMIST ALK en el que recibirán crizotinib o placebo para investigar el uso del crizotinib como tratamiento adyuvante del cáncer de pulmón. Estos ensayos entran en el contexto de lo que NCI llama medicina de precisión, que justamente se trata de adaptar al nivel molecular el mejor tratamiento para cada paciente. No puedo dejar pasar por alto la importancia de los ensayos clínicos: es imprescindible que las decisiones de utilización de estos modernos tratamientos se tomen en base a los resultados de ensayos clínicos críticamente realizados y analizados.

Un tema no menor es el costo de estos tratamientos. A mi manera de ver, este tipo de medicina personalizada ya está aquí y todo indica que la tendencia será por este camino: estrategias personalizadas a las necesidades de cada paciente y muchas veces más costosas. Incluso no sería difícil pensar en que en un futuro no muy lejano el diagnóstico de estas anomalías genéticas pueda hacerse por imágenes o estudios no invasivos que no precisen de biopsias. ¿Cómo se pueden disminuir los costos de estas medicaciones? Muchas de ellas han demostrado aumentar la sobrevida de los pacientes tratados, pero otro tipo de métricas como la calidad de vida ajustada por año o QALY (Quality-Adjusted Life-Years) que contempla el incremento en la sobrevida en proporción a la calidad de vida obtenida, no son de uso común. Podría pensarse que el precio que tengan estas medicaciones esté un poco más relacionado al valor que le agrega al paciente y no solamente a si prolongan la vida o no (para los que les interese el tema les recomiendo el artículo de Mayo Clinic Proceedings de Siddiqui y Rajkumar). Otro desafío es encontrar formas de administrar la medicina de manera más eficiente para compensar estos costos. Todos sabemos que la salud está llena de ineficiencias, tal vez más costosas que estos tratamientos, pero con las que nos acostumbramos a convivir y muchas veces ni siquiera reconocemos.

Internet de las cosas y salud

Me llamó mucho la atención cuando escuché por primera vez hablar de la internet de las cosas o de internet of things (IoT). La primera pregunta que me hice fue ¿qué es esto de la internet de las cosas? Se trata de la conectividad que tienen entre si muchos de los objetos que usamos a diario y que les permiten intercambiar información entre sí. Puede ser un smart phone y una tablet, una tablet y una PC, un smart TV con una tablet, o cualquier tipo de dispositivo que se conecte con otro y sea capaz de enviar alguna información que le es introducida por nosotros mismos y de manera automática. La internet de las cosas es un concepto relacionado y más amplio al de comunicaciones máquina a máquina o machine-to-machine (M2M) communications. 

internet de las cosas 3Es importante mencionar que en estas comunicaciones se transfieren enormes cantidades de información, que incluyen una gran cantidad de variables. Por esta razón, para que el desarrollo de la internet de las cosas tenga algún sentido de utilidad es necesario que se acompañe de un desarrollo paralelo del procesamiento de grandes cantidades de datos, o lo que en algún momento llamamos big data. El procesamiento de estos datos es lo que finalmente provee la retroalimentación necesaria para tomar decisiones. Veamos algún ejemplo:

Internet de las cosasMayo Clinic desarrolló junto con una compañía de software llamada Preventice, un dispositivo llamado Body Guardian que consiste en un sensor que se adhiere a la piel de una persona y en tiempo real puede transmitir información sobre la persona que lo tiene colocado. Puede registrar la frecuencia cardíaca, el ritmo, nivel de actividad, posición del cuerpo y otras variables y estas ser analizadas por el profesional de manera remota. Así se puede se puede hacer el seguimiento de un paciente sin necesariamente tenerlo internado e incluso contactarlo para hacer cambios de medicación u otros que el médico considere necesario.

Me es difícil pensar en los límites que puedan tener este tipo de desarrollos. Esto es sólo el comienzo; olvidemos por un momento lo que un dispositivo así pueda servirle con un paciente en particular. Imaginen toda la información que este dispositivo es capaz de transmitir, multiplíquenlo por la cantidad de pacientes que puedan usarlo y piensen en la enormidad de datos para analizar y sacar conclusiones, ya no sólo sobre un paciente, sino de toda una población. Con esto podría idearse mejores intervenciones, mejores tratamiento y esperemos una mejor calidad de vida.

Este es sólo un ejemplo, hay otros tantos. Existen contenedores para  medicaciones que nos alertan a través de nuestros dispositivos o del mismo contenedor que es hora de tomar una medicación. Pensamos en la cantidad de pacientes que existen tomando medicaciones de manera reglada y las visitas e internaciones hospitalarias que existen debido a la falta de adherencia al tratamiento. Un producto como este podría ser de enorme ayuda en algunos de estos casos.

Internet de las cosas 2Fuera del ámbito de la salud los ejemplos son innumerables. Uno de ellos es la Magic Band de Walt Disney. Se dice que la implementación de este producto le costó a Walt Disney unos 1000 millones de dólares. Se trata de una pequeña pulsera plástica que se les entrega a todos los huéspedes de Walt Disney donde están almacenados todos los datos del huésped. Esta pulsera se utiliza para hacer reservas en restaurantes, registrarse en un entretenimiento o abrir la puerta de la habitación del hotel. A través de tecnología RFID (Radio Frequency Identification), esta pulsera transmite todos estos datos. Imaginen ustedes el potencial de uso de estos datos: desde simplificar las operaciones del parque o hacerlas más eficientes, hasta patrones de comportamiento de los huéspedes dentro del parque. Para los que les interesa este caso, hay un artículo muy interesante sobre esto en la revista Wired.

Entiendo que a muchas personas este tipo de tecnología puede resultarle un riesgo para la privacidad. Cómo veamos este tipo de innovaciones y qué uso queramos darle depende de nosotros. Su cauteloso uso, con todas las reservas que implica la confidencialidad de la información relacionada con la salud de las personas, creo nos ofrece una gran oportunidad de mejora en la calidad de vida de nuestros pacientes.

Google y medicina: no sólo búsquedas

Pensar en cómo Google colaboró con la medicina, automáticamente nos hace pensar en la fabulosa herramienta de búsqueda que Google ofrece para mantenernos informados y aprender. Y bueno, la misión de Google es organizar la información del mundo para que esté fácilmente disponible. Sin embargo, los beneficios que Google le ofrece a la medicina, sólo empiezan con las búsquedas: hay muchas cosas más que la medicina puede aprender de Google y además beneficiarse. Veamos porqué…

google medicina

Google sea tal vez una de las empresas que más rápido crecimiento ha experimentado. Veamos resultados económicos: en el año fiscal terminado en el 2013, reportó ventas por casi 60 billones de dólares con una ganancia neta de casi 13 billones (un margen neto de 21%). Tanto las ventas como las ganancias netas no han hecho otra cosa que aumentar en los últimos años. La pregunta es ¿qué es lo que hace de Google una empresa tan exitosa económicamente?

Podría resumirse en la primera creencia de Google:  “Piensa en el usuario y lo demás vendrá solo”. Tal vez suene raro de una empresa que factura que 60 billones de USD. Pero piensen para cuántas cosas usan Google y para cuantas pagan por usarlo: las búsquedas son gratuitas, también lo es el Gmail, Google docs, Google drive, Google Analytics, Google maps y tantas otras aplicaciones. Y no sólo esto, sino que la experiencia de uso es fantástica: muchas de estas herramientas existen para solucionarnos problemas, están pensadas para el usuario. Entonces ¿cómo hace dinero Google? Publicidad es la respuesta. Google reinventó la publicidad, la hizo accesible, económica y sólo la cobra por las personas a las que esa publicidad le fue útil (lo que se llama pay-per-click o PPC), en lugar de cobrar por espacio o tiempo.

La primera regla de Google no puede aplicarse más a la medicina: “Piensa en el usuario”. Focalizarse en el paciente, lo demás vendrá sólo. Parece tan obvio a pesar de que tantas veces corremos detrás de cosas que poco tienen que ver con el paciente. Es difícil pensar sólo en el paciente cuando hay necesidades, usualmente económicas, más urgentes que atender; aún así el foco, debería ponerse en el servicio que ofrecemos, no en cómo obtenemos beneficios.

Otras lecciones de Google: el uso de la información. Google es una empresa de ingeniería, todas las decisiones se toman en base a hechos concretos, justificados con números y no a impresiones o experiencia personales. Puede sonar antipático con la medicina, pero nadie puede negar lo tan cierto que es que las decisiones se toman en base a la experiencia de los médicos, más que a los datos concretos disponibles. Por ejemplo, si bien existen, proporcionalmente son pocos los esfuerzos para realizar y mantener bases de datos colaborativas. Hay tareas magníficas como las base de datos de la Society of Thoracic Surgeons de la que tantas publicaciones han surgido. Pero, qué lejos estamos en países como el mío de este tipo de esfuerzos.

Relacionado con lo anterior, Google ha hecho que la información sea accesible y trasparente. Todo está disponible en a web, si un cliente tuvo una mala experiencia con una marca, no nos llevará más que un par de clicks encontrar su relato. En la medicina todo lo contrario ocurre: los datos se guardan, no se hacen disponibles, las complicaciones se dan poco a conocer y preferimos hablar más de los grandes casos resueltos, que de los que nos trajeron dificultades. Es mucho más lo que se puede aprender de los casos que anduvieron mal que de los que fueron éxitos, ¿porqué privarnos de este aprendizaje? Es una hecho que en USA muchos hospitales reportan sus índices de complicaciones o el número de pacientes tratados con cual o tal patología. ¿Porqué un paciente que viene a verme no debería saber cuántos pacientes he tratado yo con problemas similares al suyo?

Por último, una regla más de Google: “Ser bueno no basta”. Es necesario ser buenos en lo que hacemos, pero claramente no es suficiente para superarnos.

¿Qué otra cosa de Google creen es útil y superadora para la medicina?

Impresión 3D en cirugía

El uso de la impresión 3D en cirugía 20150313_100337fue uno de los temas que se trataron en la 28º edición del General Thoracic Surgical Club (GTSC) que se realizó en Naples, Florida y de la que participé. Comencemos por entender qué es la impresión 3D. La impresión 3D tuvo sus orígenes en los años ‘80 como respuesta a la inquietud de producir modelos industriales en 3 dimensiones, sin originar desperdicios de materia prima. Este llevó al desarrollo de lo que se conoce como fabricación por adición que es un proceso en el cual se van agregando capas de materia prima a un modelo hasta obtener la versión final deseada. La fabricación por adición es el concepto central de la impresión 3D. Llevó varias décadas desarrollar impresoras 3D y softwares que fueran de uso más común. En la actualidad se cree que la industria de impresiones 3D es una de las más disruptivas que hay. Empresas como 3D Systems y Stratasys son los jugadores principales de esta industria.

Actualmente las impresoras 3D funcionan con diferentes tipos de materiales como por ejemplo plásticos. Con un modelo digitalizado en formato 3D (son varias las extensiones de documentos 3D, SLT es una de ellas), la impresora 3D genera el modelo sumando capas sucesivas del material con que funciona, hasta obtener un modelo como el de la figura.

¿Qué tiene que ver la impresión 3D con la cirugía? Ahí llegamos: con todas las imágenes disponibles de un paciente, TC, RNM, etc. las imágenes 2D que proveen estos estudios en versión DICOM pueden ser trasformadas en versión SLT y generar un modelo 3D. Cuanta más resolución tengan las imágenes que tenemos, más detallados serán las formas del modelo 3D. El caso de la foto es un tumor de Pancoast que invade los vasos subclavios, la primera costilla y parte de la 1º vértebra. Imaginen la posibilidad de discutir en equipo con un modelo como este cómo abordar esta patología. El neurocirujano podría ver con exactitud qué tanta vértebra tendrá que resecar, la necesidad de estabilizar la columna y podremos ver con precisión qué tan afectados están los vasos y los nervios. Y todo esto de manera simulada. Antes de iniciar cualquier tipo de cirugía, podríamos ver en el modelo de plástico, exactamente con qué nos vamos a encontrar en la cirugía.

Es verdad que actualmente hacemos estas cirugías sin necesidad de una impresión 3D, pero esto no significa que sea de utilidad disponer de un modelo de este tipo. Muchas veces estas innovaciones parecen redundantes, pero lo cierto es su uso racional nos ofrece mucho mayor detalle acerca de la cirugía que vamos a realizar. Demás está decir que el potencial educativo de esta tecnología es enorme:podríamos explicarle a nuestros residentes detalladamente qué es lo que vamos a hacer en este caso antes siquiera de haber llegado al quirófano.

Se preguntarán cuánto es el costo de esta tecnología. La verdad es que no parece una tecnología muy costosa. Por lo que pude averiguar hacer un modelo 3D como el de la foto podría salir unos USD 2000. Los modelos más grandes podrían costar hasta USD 5000. Las impresoras 3D se inician en aproximadamente unos USD 1000. Lo que parece más costoso es la mano de obra para realizar este trabajo, lo que incluye a la persona que realiza el trabajo de convertir las imágenes en formato DICOM a SLT. Hacer un modelo de este tipo podría llevar uno o dos días.

Este es un caso más que nos muestra cómo los límites entre las diferentes disciplinas es cada vez menos marcado. ¿Quién hubiese imaginado hace unos años que la impresión 3D podría utilizarse en cirugía? Y esto es sólo el comienzo, imaginen diseñar prótesis hechas a medida del paciente para luego ser impresas y utilizadas en una cirugía. La tecnología ya está aquí, sólo habrá que ver qué tipo de materiales podrán ser utilizados como materias primas de las impresoras y que sean biocompatibles. Este tipo de cosas serán hechos comunes en un cercano futuro; está en cada uno de nosotros identificar estas oportunidades en nuestras disciplinas y sumarnos.