La IA está entrenada para detectar señales de advertencia en los análisis de sangre

Este es el tercer artículo de una serie de seis partes que analiza cómo la IA está cambiando la investigación y los tratamientos médicos.

El cáncer de ovario es “raro, no cuenta con fondos suficientes y es mortal”, afirma Audra Moran, directora de la Ovarian Cancer Research Alliance (Ocra), una organización benéfica mundial con sede en Nueva York.

Como todos los cánceres, cuanto antes se detecte, mejor.

La mayoría del cáncer de ovario comienza en las trompas de Falopio, por lo que cuando llega a los ovarios, es posible que ya se haya extendido a otros lugares.

“Cinco años antes de tener un síntoma es cuando es posible que haya que detectar el cáncer de ovario para influir en la mortalidad”, afirma Moran.

Pero están surgiendo nuevos análisis de sangre que utilizan el poder de la inteligencia artificial (IA) para detectar signos del cáncer en sus primeras etapas.

Y no se trata sólo del cáncer: la IA también puede acelerar otros análisis de sangre para detectar infecciones potencialmente mortales como la neumonía.

El Dr. Daniel Heller es ingeniero biomédico en el Memorial Sloan Kettering Cancer Center de Nueva York.

Su equipo ha desarrollado una tecnología de prueba que utiliza nanotubos, pequeños tubos de carbono que son alrededor de 50.000 veces más pequeños que el diámetro de un cabello humano.

Hace unos 20 años, los científicos comenzaron a descubrir nanotubos que pueden emitir luz fluorescente.

En la última década, los investigadores aprendieron cómo cambiar las propiedades de estos nanotubos para que respondan a casi cualquier cosa en la sangre.

Ahora es posible colocar millones de nanotubos en una muestra de sangre y hacer que emitan diferentes longitudes de onda de luz según lo que se les adhiera.

Pero todavía quedaba la cuestión de interpretar la señal, que el Dr. Heller compara con encontrar una coincidencia con una huella digital.

En este caso, la huella dactilar es un patrón de moléculas que se unen a sensores, con diferentes sensibilidades y fuerzas de unión.

Pero los patrones son demasiado sutiles para que un humano pueda distinguirlos.

“Podemos mirar los datos y no encontraremos ningún sentido en ellos”, afirma. “Sólo podemos ver los patrones que son diferentes con la IA”.

Decodificar los datos de los nanotubos significó cargarlos en un algoritmo de aprendizaje automático e indicarle qué muestras procedían de pacientes con cáncer de ovario y cuáles de personas sin cáncer.

Estos incluían sangre de personas con otras formas de cáncer u otras enfermedades ginecológicas que podrían confundirse con el cáncer de ovario.

Un gran desafío en el uso de la IA para desarrollar análisis de sangre para la investigación del cáncer de ovario es que es relativamente poco común, lo que limita los datos para entrenar algoritmos.

Y gran parte incluso de esos datos están almacenados en los hospitales que los trataron, con un intercambio mínimo de datos para los investigadores.

El Dr. Heller describe el entrenamiento del algoritmo con los datos disponibles de tan solo unos 100 pacientes como un “pase Ave María”.

Pero dice que la IA pudo obtener una mayor precisión que los mejores biomarcadores de cáncer disponibles en la actualidad, y ese fue solo el primer intento.

El sistema se está sometiendo a más estudios para ver si se puede mejorar utilizando conjuntos de sensores más grandes y muestras de muchos más pacientes. Más datos pueden mejorar el algoritmo, del mismo modo que los algoritmos para los vehículos autónomos pueden mejorar con más pruebas en la calle.

El Dr. Heller tiene grandes esperanzas puestas en la tecnología.

“Lo que nos gustaría hacer es clasificar todas las enfermedades ginecológicas, de modo que cuando alguien venga con una queja, podamos darles a los médicos una herramienta que les diga rápidamente si es más probable que sea un cáncer o no, o este cáncer que aquel”.

El Dr. Heller dice que esto puede tardar “entre tres y cinco años”.

La IA no sólo es potencialmente útil para la detección temprana, sino que también acelera otros análisis de sangre.

Para un paciente con cáncer, contraer neumonía puede ser mortal y, como hay alrededor de 600 organismos diferentes que pueden causar neumonía, los médicos deben realizar múltiples pruebas para identificar la infección.

Pero nuevos tipos de análisis de sangre están simplificando y acelerando el proceso.

Karuis, con sede en California, utiliza inteligencia artificial (IA) para ayudar a identificar el patógeno preciso de la neumonía en 24 horas y seleccionar el antibiótico adecuado para él.

“Antes de nuestra prueba, a un paciente con neumonía se le realizarían entre 15 y 20 pruebas diferentes para identificar su infección sólo en su primera semana en el hospital; eso equivale a unos 20.000 dólares en pruebas”, dice el director ejecutivo de Karius, Alec Ford.

Karius tiene una base de datos de ADN microbiano que tiene decenas de miles de millones de puntos de datos. Las muestras de prueba de los pacientes se pueden comparar con esa base de datos para identificar el patógeno exacto.

Ford dice que eso habría sido imposible sin la IA.

Un desafío es que los investigadores no necesariamente comprenden actualmente todas las conexiones que una IA podría establecer entre los biomarcadores de prueba y las enfermedades.

Durante los últimos dos años, el Dr. Slavé Petrovski ha desarrollado una plataforma de inteligencia artificial llamada Milton que, utilizando biomarcadores de los datos del biobanco del Reino Unido, identifica 120 enfermedades con una tasa de éxito superior al 90 %.

Encontrar patrones en tal masa de datos es algo que sólo la IA puede hacer.

“A menudo se trata de patrones complejos, en los que puede que no haya un biomarcador, pero hay que tener en cuenta el patrón completo”, afirma el Dr. Petrovski, investigador del gigante farmacéutico AstraZeneca.

El Dr. Heller utiliza una técnica de comparación de patrones similar en su trabajo sobre el cáncer de ovario.

“Sabemos que el sensor se une y responde a proteínas y moléculas pequeñas en la sangre, pero no sabemos cuáles de las proteínas o moléculas son específicas del cáncer”, dice.

En términos más generales, los datos, o la falta de ellos, siguen siendo un inconveniente.

“La gente no comparte sus datos o no existe un mecanismo para hacerlo”, afirma Moran.

Ocra está financiando un registro de pacientes a gran escala, con registros médicos electrónicos de pacientes que han permitido a los investigadores entrenar algoritmos con sus datos.

“Aún estamos en el lejano oeste de la IA”, afirma Moran.