“La inteligencia artificial halla patrones en las historias clínicas donde tú no eres capaz de verlos”
Mireia Ladios, jefa de Calidad del grupo Ribera Salud, explica cómo han utilizado modelos predictivos para gestionar el cuidado de los pacientes durante la pandemia
El uso de algoritmos, modelos predictivos e inteligencia artificial es cada vez más común en muchos ámbitos, desde lo más mundano a lo más importante, como la sanidad. En España, Ribera Salud ha sido una de las empresas pioneras en introducir la inteligencia artificial como una ayuda para la toma de decisiones médicas, prediciendo qué pacientes podrían sufrir úlceras por presión o determinando los enfermos de covid con mayores posibilidades de acabar en la UCI. Así lo explica Mireia Ladios, jefa de Calidad del Grupo Ribera, en esta entrevista con Educa-News.
Usted comenzó su carrera como enfermera. ¿Qué fue lo que le llamó la atención sobre las posibilidades de la inteligencia artificial y cómo surgió la posibilidad de desarrollar estos proyectos?
Fue una cuestión casual. Yo soy también la jefa de Calidad del Grupo Ribera y a principios de 2017 estábamos trabajando para mejorar los procesos en las historias clínicas. El equipo de IT de Futurs, que es la rama tecnológica de Ribera Salud, tenía la oportunidad de utilizar la plataforma Microsoft Azure y machine learning para iniciar un proyecto. Contactaron con nosotros porque siempre estamos metidos en temas de seguridad y de calidad asistencial y nos propusieron —con una expectativa muy baja—embarcarnos en algo relacionado con la inteligencia artificial. Varios compañeros conocíamos ya una tesis doctoral sobre la utilización de la inteligencia artificial para predecir eventos adversos y decidimos intentarlo nosotros con algo que conociéramos muy bien, que son las úlceras por presión. Y aunque, como he dicho, las expectativas eran bajas, salió bien.
¿Cuál fue el planteamiento?
La historias clínicas contienen sólo lo que registra el personal y por eso existe una realidad que queda oculta. Siempre damos por hecho que la gente registra bien: cuando abres una historia clínica electrónica tienes unas cajas donde se van introduciendo unos datos determinados, pero aunque lo hayas explicado no todo el mundo lo hace. Por tanto, aunque creas que tienes una buena calidad del dato no es así y las decisiones y la información que obtienes de ahí no es todo lo óptima que uno desearía. Cuando nos pusimos a ver si éramos capaces de predecir qué pacientes iban a ulcerarse y sacamos los datos de prevalencia de úlceras por presión, comprobamos que eran bajos respecto a lo que dice la literatura. Entonces decidimos suponer que no todos estaban registrando bien. En este caso no utilizamos lenguaje natural como tal, pero creamos un algoritmo de forma más básica para poder buscar en los evolutivos de texto libre úlceras. Y lo que encontramos fue que aproximadamente el 40% de la información que queríamos buscar en un sitio estaba en realidad en otro. Intentar extraer conclusiones a partir de un 60% de la información cuando te falta el otro 40 resulta muy duro, porque con datos incompletos tendrás resultados incompletos. Al final realizamos un trabajo exhaustivo que aún hoy continúa, porque aunque le digas al personal que haga las cosas de una manera, a veces lo hace y otras no. Lo más importante en inteligencia artificial es conseguir buena información de calidad, así que implementamos acciones correctoras para que todo estuviera en su sitio y el sistema lo pudiera localizar bien. A partir de ahí programamos un algoritmo para predecir úlceras por presión: primero lo hicimos con los pacientes de la unidad de cuidados intensivos y luego con los hospitalizados que no habían pasado por UCI. Más tarde creamos otro para predecir qué pacientes se van a caer en el hospital y después nos metimos con el covid.
La pandemia ofreció la posibilidad de profundizar en las posibilidades de la inteligencia artificial aplicada al manejo de los pacientes. ¿Cómo abordaron ese reto?
Cuando comenzó la pandemia uno de los directores de Futurs me llamó para preguntarme cómo podíamos ayudar con la información de la que disponíamos. Entonces, con la alta ocupación de unas unidades de cuidados intensivos y todo el personal que se necesitaba, lo vimos muy claro: si fuésemos capaces de predecir qué pacientes son susceptibles de empeorar sería una ayuda fantástica tanto para los profesionales como para los gestores. A partir de ahí procedimos con cierta dificultad porque no existía literatura ni para los médicos ni tampoco respecto al covid y la generación de modelos, aunque es cierto que luego se han publicado miles de estudios. Utilizamos como base artículos sobre empeoramiento clínico que no necesariamente se referían al coronavirus y también toda la literatura que iba surgiendo sobre cuáles eran los perfiles de los pacientes que empeoraban más. Cuando buscas esos perfiles intentas identificar los factores de riesgo como obesidad, tabaquismo, patología respiratoria previa, varón mayor de determinada edad… Y también debes buscar cosas que mitiguen el riesgo y hagan que los pacientes mejoren: los tratamientos experimentales, el uso de corticoides que al principio se dijo que no ayudaban pero resultó que sí, etc. Y hubo muchas dificultades para la validación de pruebas, entre ellas saber qué personas tenían realmente covid y cuáles no, porque a veces las PCR tardaban más de lo deseado. Todo eso se fue solventando, y de hecho, desde que se puso en marcha en septiembre de 2020, el modelo ha sufrido tres iteraciones diferentes. Contactamos con Microsoft y Verne para hacer un chequeo de salud de nuestro trabajo y asegurarnos de que el modelo estaba bien construido. Todo lo que hemos hecho siempre son proyectos de investigación y para nosotros era muy importante que revisaran nuestro trabajo. De hecho nos han acompañado hasta mediados de 2021 y a día de hoy seguimos trabajando en un artículo con vistas a su publicación.
¿Cómo fueron esos primeros días con el modelo ya en funcionamiento?
A partir de ese mes de septiembre de 2020 fuimos viendo cómo daba las predicciones todos los días y ajustándolo… y nos dimos cuenta de que un factor que no habíamos incluido como variante era la limitación terapéutica: Había pacientes que habían formado parte de la muestra y sobre los que ya se había decidido con la familia que no se iba a realizar ningún esfuerzo terapéutico y que no eran candidatos para entrar en UCI. Tuvimos que rehacerlo, cambiando otras variables e introduciendo nuevas como el fenómeno de la vacunación o los tratamientos que han ido surgiendo. Y lo mejor es que cuando hablamos con nuestros clínicos nos dijeron que esto había sido una ayuda en la toma de decisiones de forma real. La jefa de anestesia del Hospital de Torrejón me decía que a las tres de la tarde se reunían todos los responsables de neumología, de la UCI, de medicina interna, etc. y tenían el listado de los pacientes que el modelo consideraba de riesgo. Además ellos unían los que acababan de ingresar de urgencias y cualquier paciente que ellos desde el punto de vista clínico que ellos creían necesario ver. Cuando hay 200 pacientes ingresados importa tener claro desde el principio los 20 que necesitas ver. Les enfocas la mirada en base a los datos de que dispones, pero tampoco sin limitarles a que no miren más. Hay tanta información en las historias clínicas que es imposible que una persona pueda procesarla por completo. Los modelos hacen ese trabajo por ti y encuentran patrones donde tú no eres capaz de verlos, y eso facilita mucho el trabajo.
¿La mayor dificultad al desarrollar estos modelos es asegurarse de que cuentas con la información más actualizada posible?
Claro, de hecho hace dos semanas, cuando llegó el último tratamiento que se había aprobado, mandé un correo a los farmacéuticos preguntando qué código le iban a asignar para empezar a controlar si su evolución, como decían, iba a cambiar el curso de la historia. Tienes que estar pendiente de todas las novedades. Los modelos no se pueden dejar solos sin un seguimiento posterior. Este en concreto del covid requiere quizá más atención porque hay que ir viendo si funciona bien con el paso del tiempo, aunque con los de úlceras y caídas pasa lo mismo. Todos los años se tienen que reentrenar con la nueva información disponible para saber si ese modelo sigue prediciendo o no.
¿Cómo reaccionan los médicos ante la ‘disrupción’ que provoca la tecnología?
Lo viven como una gran ayuda. No hay que verlo como si una máquina fuera a partir de ahora a decidir las cosas por mí, todo lo contrario. Se trata de proporcionar toda la información de la mejor manera posible para que puedas tomar mejores decisiones. Es verdad que el colectivo clínico es escéptico mientras no les puedas demostrar las cosas. Pero si al final coincide con lo que ellos están observando, entonces ven que lo que les ofreces es algo útil. Iniciamos el proyecto sin poder contar con los profesionales de la UCI porque esa gente estaba trabajando las 24 horas con los pacientes, pero en cuanto pudimos ofrecérselo fueron viendo la utilidad que tenía hasta que se incorporó en el día a día. Sí es verdad que hay cierto grado de incredulidad, pero si luego las cosas funcionan y facilitan el trabajo la gente lo valora mucho porque su tiempo es muy importante.
¿Corremos el peligro en el futuro de ‘delegar’ demasiado en los algoritmos? Como la historia aquella sobre los pilotos que ya no saben manejar el avión sin el automático.
Yo quiero pensar que no. Su misión es facilitarnos la vida, pero en ningún momento van a sustituir los elementos de valoración clínica porque no son capaces de captar todas las esencias. La máquina, al menos tal como funciona hoy, no puede ver el estado de ánimo del paciente o captar la información que te da el familiar. Esto último es muy importante porque se sabe, por ejemplo, que los padres son capaces de percibir cambios en el estado de salud de sus hijos que quizá no resultarían evidentes para otras personas.
¿Cuáles son las principales líneas de investigación en el uso de modelos predictivos? ¿Qué podemos esperar en el futuro?
Creo que el futuro está en el desarrollo de nuevas herramientas farmacológicas, en avanzar en la investigación de enfermedades raras, etc. En el Hospital de Torrejón hemos trabajado con una startup que se llama Tucuvi en un algoritmo entrenado para entender las contestaciones de los pacientes y que permite llamarles y mantener una conversación muy natural con ellos. Es algo que permite hacer otro tipo de acompañamiento y llegar a más pacientes con los mismos recursos.
