111011

La inteligencia artificial est¨¢ entrando en la medicina. Por un lado est¨¢n los robots, que tienen mejor pulso que el mejor cirujano a la hora de, pongamos, trepanar una perforaci¨®n en el cr¨¢neo para un trasplante coclear. Por otro, y tal vez m¨¢s importante, tenemos los sistemas que ayudan a los m¨¦dicos a diagnosticar las enfermedades de sus pacientes, y por tanto a decidir c¨®mo tratarlos. Un robot cirujano puede humillar nuestra precisi¨®n muscular. Un algoritmo de diagn¨®stico menoscaba nuestro ¨®rgano m¨¢s ¨ªntimo. La mente.

Pero el objetivo de la medicina no es proteger el orgullo intelectual de los m¨¦dicos, sino mejorar el cuerpo de los pacientes, y las m¨¢quinas pueden ser de gran ayuda para lo segundo. Por ejemplo, un sistema para examinar las radiograf¨ªas de t¨®rax desarrollado por una peque?a firma tecnol¨®gica de Israel se est¨¢ propagando por los hospitales de la India porque detecta los casos de tuberculosis mucho antes, y con m¨¢s precisi¨®n, que los m¨¦dicos. Otros cerebros de silicio est¨¢n aprendiendo a distinguir qu¨¦ pacientes se pueden beneficiar de qu¨¦ tratamientos, en lo que ahorrar¨¢ un mont¨®n de sufrimiento innecesario en el futuro inmediato.

Pero hay obst¨¢culos imprevistos por el camino. Tomemos el caso del c¨®digo postal t¨®xico, que he conocido por un trabajo de Linda Nordling para Nature. A finales de 2017, los cient¨ªficos de la computaci¨®n de la Universidad de Chicago desarrollaron un algoritmo para analizar, y predecir, el tiempo de estancia en el hospital de cada paciente que ingresa. El truco aqu¨ª es alimentar a la m¨¢quina con todos los datos de ingresos hospitalarios de los ¨²ltimos a?os y ver con qu¨¦ indicadores cl¨ªnicos correlaciona mejor el tiempo de estancia. Para su infinita sorpresa, el factor que mejor correlacionaba con ese tiempo no era el colesterol, ni las transaminasas ni la espirometr¨ªa. Era el c¨®digo postal. Menos mal que la m¨¢quina se fij¨® tambi¨¦n en ese dato, puesto que el colesterol y todo lo dem¨¢s daban m¨¢s o menos igual.

Los barrios m¨¢s afroamericanos de Chicago son los que producen pacientes de mayor perseverancia hospitalaria. ?Por qu¨¦? Ni siquiera la m¨¢quina lo sabe. Tal vez los sistemas de cribado funcionen peor en los barrios pobres y por tanto los pacientes negros ingresen en el hospital cuando su enfermedad est¨¢ m¨¢s avanzada. Tal vez haya un sesgo en atenci¨®n primaria que haga menos probable que un negro reciba las recetas necesarias. Esto ¨²ltimo no es una especulaci¨®n salvaje: en los servicios de urgencias de Estados Unidos, los pacientes negros reciben un 40% menos de analg¨¦sicos que los blancos. Es como ¡°tome, joven, pero no se lo gaste en drogas¡±.

El aprendizaje de m¨¢quina (machine learning) se alimenta de producciones humanas. Un algoritmo aprende un lenguaje trag¨¢ndose la Britannica, la Wikipedia, un millar de diccionarios y un bill¨®n de textos salidos de la mano humana, y luego los digiere, los procesa y elabora un modelo interno de nuestro l¨¦xico, nuestra sintaxis y todas las dem¨¢s asignaturas de la ling¨¹¨ªstica. Pero ese proceso, naturalmente, absorbe todos los sesgos, prejuicios y miop¨ªas que los humanos hubi¨¦ramos vertido en el material de partida, de forma premeditada o ¡ªpeor a¨²n¡ª inconsciente.

Para terminar, adivine el lector cu¨¢ntos a?os cumplo hoy (hay una pista en el titular).