Xiling Sheng, director del Centro Woo para Big Data y Medicina de Precisión y miembro principal del Centro de Genómica y Biología Computacional de la Universidad de Duke (Estados Unidos), dirige un laboratorio especializado en medicina de precisión y biología de sistemas que integra técnicas de ingeniería, computacionales y biológicas para estudiar el cáncer, las células madre y la microbiota.
"En un principio las aplicaciones de big data estaban desarrolladas por ingenieros, gente que se dedicaba a la tecnología. Y tenían una noción algo ingenua de que podían copiar los modelos de Google o Facebook para la salud. Lo que entendieron es que la industria de la salud es muy diferente de otras disciplinas. Principalmente debido a la regulación a la que se la somete, la privacidad del paciente y también el estándar más alto de seguridad que tienen que tener", afirmó a Clarín en una entrevista.
Según Sheng, ", en Estados Unidos son los centros médicos los que están liderando el movimiento. Y en China, en el marco de las reformas de políticas de salud que está encarando, el big data se estableció como una de las fuerzas más importantes. Una ventaja que tiene sobre Estados Unidos es que los hospitales más grandes son públicos y los datos le pertenecen al gobierno, lo que les permite realizar pruebas mucho más grandes por los datos poblaciones de los que dispone".
El uso de "point-of-care diagnostics" en áreas rurales de China es una muestra cabal de cómo interactúan todas las herramientas.
"Hay una regla que establece que los médicos de las ciudades deben permanecer un año allí, pero no se quedan. Para escuchar el corazón de una persona que vive en el campo era necesario que se lo examinara con un estetoscopio. Ahora, por ejemplo, un aparato puede registrar los latidos y, a través del celular, el monitoreo se transmite hasta dónde está el médico. Hay un algoritmo que identifica a quienes presentan condiciones anormales y esos casos son revisados por profesionales que están en las grandes ciudades", explicó el especialista.
Además, agregó: "Los algoritmos de IA aprenden a interpretar las lecturas del aparato, lo que se complementa con telemedicina. También es aplicable a diagnósticos por imagen. A su vez, esa información está más concentrada en los centros que reciben estas imágenes, lo que les permite a grandes hospitales y a los gobiernos analizar esa información para identificar riesgos, índices de prevalencia".
Actualmente, uno de los grandes casos de éxito de la Universidad de Duke es una aplicación para el diagnóstico temprano del autismo. "Es una condición que es muy importante detectarla en forma temprana, idealmente antes de los dos años, porque en ese momento el cerebro tiene flexibilidad para adaptarse. El diagnóstico requiere llevar a los niños al hospital y la realización de pruebas vinculadas al comportamiento y electroncefalogramas. Hay un gran estigma asociado a esas pruebas, por eso muchos padres no llevan a sus hijos hasta que están seguros y se los sugiere las escuela", indicó Sheng.
La app desarrollada y probada en el marco de una investigación que utilizó la cámara frontal del teléfono para recopilar videos de las reacciones de los niños mientras miran imágenes diseñadas para detectar patrones de riesgo de autismo ("registra cuán distraídos están o cuán rápido responden").
En el marco del estudio, la app tuvo más de 10.000 descargas, y participaron 1.756 familias con niños de uno a seis años, que subieron más de 4.400 videos.
La utilidad, la equidad y la generalización de modelos predictivos aplicables tanto a enfermedades muy prevalentes como infrecuentes requiere del acceso a una gran cantidad de datos poblacionales vinculados a la salud de las personas.
Para Sheng, otro desafío es el modelo de negocios: "¿Quién va a pagar por esto y cómo obtienen ganancias las compañías?" Porque la investigación en big data no coincide con el modelo tradicional de pagar una cuota por un servicio".
También se refirió a la regulación: "Hay diferencias culturales y marcos regulatorios en cada país, que hace que los modelos no se puedan transferir rápidamente de uno a otro".
Esas característas hacen que el proceso para ver el cambio rotundo que el big data y la IA imprimirán en la práctica médica sea "más lento de lo que esperamos, porque requiere el cambio de todo el sistema: desde el médico, la compañía de seguros, los proveedores y el paciente".