Paul Tang estaba visitando a su mujer en el hospital justo después de que ella se sometiera a un reemplazo de rodilla, un procedimiento quirúrgico que se practica unas 700.000 veces al año sólo en Estados Unidos. El cirujano pasó por su habitación, y Tang, que es médico de cabecera, preguntó cuándo podría su mujer volver a su rutina habitual, pero  el cirujano sólo le dio respuestas ambiguas. Tang recuerda:  "Por fin caí en la cuenta. [El cirujano] no lo sabía". Y pronto descubriría que la mayoría de los médicos no tiene ni idea de lo que pasa con sus pacientes en casa y en el trabajo, a pesar de que esas son precisamente sus mayores preocupaciones.

Tang aún ejerce como médico, pero también es el director de Transformación Sanitaria de Watson Health, de IBM, que este año ocupa el puesto 39 en la lista de las 50 Empresas más Inteligentes de MIT Technology Review. Watson Health es la rama de la empresa designada para crear aplicaciones de cuidados médicos para Watson, el sistema de aprendizaje automático en el que IBM está apostando su futuro. Watson podría ofrecer información médica de la que los profesionales no disponen actualmente, señala Tang. Gracias al sistema, un médico podría averiguar cuánto tiempo ha tardado un paciente como la mujer de Tang en volver a andar y caminar de forma normal. También podría analizar imágenes y muestras de tejido para determinar el tratamiento más adecuado para cada paciente.

Estas posibilidades son las que han convertido a los cuidados médicos en uno de los sectores más vivos de las tecnologías de aprendizaje automático. La empresa de investigaciones CB Insights calcula que al menos hay 106 start-ups del sector nacidas después de 2013 que aún siguen en operación. 

Ninguna de ellas ha recibido tanta atención como la que consiguió Watson cuando ganó el concurso televisivo Jeopardy! en 2011. Pero últimamente, gran parte de la cobertura mediática sobre Watson ha sido negativa. Su mediática colaboración con el Centro de Cáncer MD Anderson en Houston (EEUU) se disolvió este año. Los ingresos de IBM se están tambaleando y el precio de sus acciones está en continuo vaivén, así que los analistas se preguntan cuándo conseguirá Watson aportar valor real. "Watson es una broma", dijo en CNBC el influyente inversor tecnológico que fundó la empresa de capital riesgo Social Capital, Chamath Palihapitiya.

Pero las críticas al superordenador, incluso las del Centro de Cáncer M.D. Anderson, no tienen que ver con la precisión de la tecnología. Más bien son reacciones a la postura exageradamente optimista de IBM sobre las posibilidades actuales de Watson. De hecho, aún parece probable que Watson Health se convierta en el sistema de inteligencia artificial líder en salud. Pero si de momento no lo ha conseguido, es porque depende de determinados tipos de datos para aprender a los que no siempre es posible acceder. Y Watson no es el único que tiene este problema, en realidad es un círculo vicioso al que se enfrenta todo el campo del aprendizaje automático para cuidados médicos.

Aunque el problema de datos ausentes o inaccesibles podría ralentizar los progresos de Watson, sus rivales podrían salir aún más perjudicados, ya que la mejor forma de conseguir información es aliarse con grandes organizaciones de cuidados médicos, las cuales tienden a ser tecnológicamente conservadoras. Pero hay una cosa que IBM hace muy bien, mejor que las start-ups, e incluso gigantes rivales como Apple y Google. IBM sabe ganarse la confianza de ejecutivos y responsables tecnológicos. Independientemente de lo que le haya pasado con el Centro de Cáncer M.D. Anderson, IBM está introduciendo a Watson en un amplio abanico de centros médicos, grupos de administración de cuidados médicos y empresas de ciencias biológicas. Y todos ellos podrían ofrecer los datos clave necesarios para transformar el futuro de la inteligencia artificial aplicada a la salud.

Plazos poco realistas

La ruptura con el Centro de Cáncer M.D. Anderson dio la impresión de que IBM se estaba ahogando con su propia soga, en forma del bombo que le dió a Watson. Ambas instituciones se unieron en 2012. El objetivo era alimentar al sistema con datos sobre los síntomas, la secuencia genética y los informes patológicos de cualquier paciente, y que los combinara con los apuntes de los médicos sobre el paciente y con artículos de revistas académicas relevantes. El objetivo era ayudar a los médicos a realizar diagnósticos e identificar tratamientos. Pero tanto IBM como el Centro de Cáncer M.D. Anderson generaron unas expectativas exageradas para la tecnología. IBM afirmó en 2013 que ya estaban en "una nueva era de computación" que empezaría a aplicarse a pacientes en cuestión de meses. En 2015, el The Washington Post citó a un supervisor de Watson de IBM que afirmaba que Watson estaba ocupado estableciendo "un modelo de inteligencia colectiva entre hombre y máquina". Según el medio, el sistema informático estaba "entrenando al lado de médicos para hacer lo que ellos no pueden". 

"La industria de los cuidados médicos adopta las nuevas tecnologías vergonzosamente despacio", asegura el médico y experto en informática sanitaria de la Clínica Cleveland (EEUU), Manish Kohli. 

En febrero de este año, la Universidad de Tejas (EEUU), responsable del centro médico, anunció la finalización del proyecto, después de haber pagado a IBM unos 35 millones de euros. El presupuesto inicial del proyecto era de 2,15 millones de euros.  Pero cuatro años después, IBM no ha producido ninguna herramienta para aplicar en pacientes que pueda pasar de las pruebas piloto. El Centro de Cáncer M.D. Anderson rehusó hablar sobre Watson en concreto, pero parece que los problemas nacieron de luchas internas sobre cómo gestionar y financiar el proyecto.

Esto no quiere decir que Watson no sea un problema para IBM. De hecho, el problema es mucho más grande de lo que un único proyecto podría revelar.

Para entender qué es lo que está ralentizando los progresos, hay que saber cómo se entrenan los sistemas como Watson. Para aprender, Watson debe reconfigurar constantemente sus rutinas de procesamiento interno para producir el porcentaje más alto posible de respuestas correctas en cualquier problema determinado, como identificar imágenes radiológicas en las que se aprecia un cáncer. Las respuestas correctas han de conocerse de antemano para que el sistema sepa cuándo ha acertado y cuándo no. Cuantos más problemas de entrenamiento pueda analizar el sistema, mejores serán sus resultados.

El proceso es sencillo de entender en casos como el de reconocer señales malignas en imágenes de rayos X. Pero al aplicarlo a puzles revolucionarios inasumibles por los humanos, como detectar las relaciones entre las variaciones genéticas y las enfermedades, Watson ha topado con el problema de la gallina y el huevo: ¿cómo se entrena un sistema con datos que no existen? "Si entrenas un coche autónomo, cualquiera podría etiquetar un árbol o una señal de tráfico para que el sistema aprenda a reconocerlo", explica el patólogo computacional del Hospital Memorial Sloan-Kettering de Nueva York (EEUU) Thomas Fuchs. "Pero para conseguir un dominio especializado de la medicina, podrías necesitar expertos entrenados durante décadas para etiquetar correctamente la información con la que alimentar el ordenador".

Este reto aparece cada vez que IBM intenta aplicar a Watson. Antes de que el sistema aprenda a analizar vastos conjuntos de datos y extraer las pocas informaciones relevantes para un único paciente, alguien tiene que hacerlo primero a mano, para miles y miles de pacientes. Pero esas combinaciones de historiales genéticos y de paciente pueden resultar difíciles de encontrar. En muchos casos, los datos no están en el formato correcto, en ninguno o dispersos entre docenas de sistemas distintos.

Considere, por ejemplo, el objetivo de ofrecer más datos a los médicos de cabecera para mejorar la atención primaria. Estos profesionales pueden obviar algunas preocupaciones relativamente poco importantes durante una revisión rutinaria. Pero si el problema avanza acabará llevando al paciente a la sala de urgencias o un especialista, lo que empeora su salud y dispara los costes. "Alrededor de un tercio de cada euro gastado en la salud probablemente sea innecesario", sugiere el director médico de Watson Health de IBM, Anil Jain, que también es médico de cabecera. Y la comunidad sabe que el aprendizaje automático podría abordar este problema.

Pero para que Watson consiga ayudar a los médicos de verdad para que mejoren los resultados de los pacientes, tendrá que encontrar correlaciones entre lo que encuentre en los historiales médicos y lo que Tang denomina "todos los determinantes sociales de la salud". Esos factores incluyen si los pacientes consumen drogas, si evitan las comidas poco saludables, si respiran aire limpio, y así sucesivamente. Pero Tang concede que actualmente apenas existen hospitales ni consultas que reciban datos de manera fiable para un porcentaje significativo de pacientes. Parte del problema es que los hospitales no son demasiado ágiles en su proceso de transformación digital. "La industria de los cuidados médicos adopta las nuevas tecnologías vergonzosamente despacio", asegura el médico y experto en informática sanitaria de la Clínica Cleveland (EEUU), Manish Kohli.

Y los datos que IBM sí tiene los ha adquirido a golpe de billetera. La empresa ha comprado a otras compañías como Truven Health Analytics, Explorys y Phytel, que han tenido una gran actividad en la gestión de grandes conjuntos de datos de hospitales y poblaciones de pacientes. E incluso después del colapso con el Centro de Cáncer M.D. Anderson, IBM todavía tiene algunos acuerdos estratégicos para seguir accediendo a datos de pacientes.

Uno de ellos es con Atrius Health, una red de casi 900 médicos, principalmente de cabecera. El acuerdo pretende desarrollar y probar un sistema basado en Watson capaz de extraer información crítica para un paciente individual entre un mar de notas, historiales y artículos. "Buscar toda la información relevante es un trabajo muy complicado para los médicos de cabecera en este momento", apunta el director médico de Atrius Health, Joe Kimura. Los historiales médicos electrónicos incluso pueden haber agravado el problema, ya que aunque han aumentado exponencialmente el volumen de información disponible, no hay ningún formato estándar para extraerla.

De manera crítica, muchos notas de los historiales de los pacientes son frases ininteligibles para los sistemas informáticos convencionales. Pero Watson puede aplicar sus capacidades de procesamiento del lenguaje natural desarrollados para Jeopardy! para extraer su significado. Lo ideal sería que los médicos pudiesen guiar a los pacientes para impedir la necesidad de cuidados exhaustivos. Kimura se pregunta: "¿Por qué deberíamos limitarnos a garantizar que hemos hecho la mejor gestión de la salud de un paciente que se ha roto la cadera cuando podemos intentar predecir qué pacientes corren un riesgo mayor de caídas y ayudarles a no rompérsela para desde el principio? Tenemos que empujar nuestro sistema sanitaria aguas arriba". 

Foto: La médico de leucemia del Centro de Cáncer MD Anderson Courtney DiNardo utilizando el sistema Watson de IBM mientras trataba a un paciente en 2013.

Foto: IBM anunció en 2015 que las capacidades de diagnóstico de Watson serían impulsadas por los datos obtenidos de Merge Healthcare, una compañía de gestión de imágenes médicas que IBM compró por alrededor de 1.000 millones de dólares.

Watson Health también ha unido fuerzas con el Centro de Cuidados Colaborativos de Nueva York, una agencia financiada por el Gobierno que colabora con unos 2.000 proveedores de cuidados médicos del país. El acuerdo está enfocado a conseguir el objetivo de reducir las visitas a urgencias y las readmisiones hospitalarias en un 25%. También proporciona un acceso potencial a vastas cantidades de datos de pacientes.

Existen otras formas de obtener esos datos. Una de las empresas hermanas de Google intenta conseguirlos de los propios pacientes. Verily Life Sciences, una división de cuidados médicos de Alphabet, se ha asociado con la Universidad de Duke y la Universidad de Stanford (ambas en EEUU) para desarrollar una base de datos altamente estructurada con información de unos 10.000 voluntarios. La base de datos estará llena de informaciones procedentes no sólo de sus visitas al médico sino también de dispositivos de rastreo de salud portables. El proyecto podría dar un salto importante en el acceso a los datos, aunque podría hacer falta una década o más para producir resultados útiles.

El grupo de Fuchs en el Hospital Memorial Sloan-Kettering espera entrenar un sistema de IA para analizar muestras teñidas de tejidos, un proceso que requerirá una enorme biblioteca de muestras digitalmente etiquetadas con diagnósticos confirmados y otros datos críticos. El grupo se está preparando para producir 40.000 muestras al mes por sus propios medios. Fuchs afirma: "Es mucho más que cualquier otra cosa. Es una tarea enorme debido a toda la variabilidad de la biología".

Y a pesar del fracaso del proyecto con Watson, incluso el Centro de Cáncer M.D. Anderson sigue trabajando en un programa que arrancó sobre la misma época, que pretende recopilar 1.700 tipos de datos clínicos sobre cada paciente que cruce sus puertas. El científico que dirige el programa, Andy Futreal, dice que combinar esa información con datos de investigación será crucial para los sistemas como Watson. El resposnable detalla:  "Cuando hayamos recopilado los datos, podremos poner el aprendizaje automático manos a la obra para revelar los factores que determinan a quién le sirve un tratamiento y a quién no".

IBM, por su parte, sigue amasando datos mediante sus acuerdos. Para el diagnóstico y los tratamientos para el cáncer, la empresa está trabajando con el Hospital Memorial Sloan-Ketting, la Clínica Mayo, el Instituto Broad de la Universidad de Harvard y el Instituto Tecnológico de Massachusetts y el gigante de las pruebas médicas Quest Diagnostics (todos en EEUU). Esta colaboración ya ha generado un sistema que recorre la literatura médica para informar decisiones de tratamiento, y ya funciona en el Centro Médico Jupiter, radicado en Florida (EEUU), y una cadena de hospitales en la India. En el frente del descubrimiento de fármacos nuevos, Watson Health está colaborando con el Instituto Neurológico Barrow, donde Watson ha ayudado a encontrar cinco genes vinculados con el ELA que nunca antes habían sido asociados con la enfermedad, y con el Instituto Cerebral Ontario (Canadá), donde Watson ha identificado 21 prometedores candidatos para fármacos.

¿Conseguirá Watson marcar la diferencia en nuestros esfuerzos por mejorar los resultados sanitarios y reducir los costes? Probablemente, según el socio de la empresa de capital riesgo Bessemer Venture Partners, Stephen Kraus, especializado en los cuidados médicos e inversor en start-ups de inteligencia artificial para el sector. El experto señala: "Esto va en serio. No se trata de crear bombo para aumentar el precio de las acciones". Pero Kraus coincide con la mayoría de los expertos en advertir sobre los plazos o promesas poco realistas, algunos de los cuales han nacido de la propia IBM. Y concluye: "Es difícil y aún no está pasando, y puede que tampoco llegue dentro de cinco años. Ni va a reemplazar a los médicos".