Andres Rico. CEO AIpocrates, Médico Especialista en Medicina Interna. Profesor Adscrito de la Pontificia Universidad Javeriana

¿La medicina ha sido inmutable?

El papel del médico a través del tiempo ha cambiado, lo hemos visto con el transcurrir de la historia de la humanidad, pero lo más impactante de esa transformación, es que ha estado vinculada con la evolución de la manera de pensar, de la forma como se ve y se representan el mundo con sus interrelaciones, el establecimiento de las normas y reglas que guían la interpretación de la información y la toma de decisiones, que constituyen un conjunto de creencias, patrones de pensamiento y prácticas, todo ello forman un marco de referencia, al que se le llama paradigma.

Podríamos entonces representar las diferentes etapas en la evolución médica y contextualizarlos en un marco temporal, es decir hablar de los cambios del paradigma médico como veremos a continuación.

Cambios en el paradigma médico

Evolución de los Paradigmas en Medicina: Un Viaje a Través de las Eras

Paradigma Mágico-Religioso:

En las épocas ancestrales, el papel del médico estaba impregnado de misticismo y creencias religiosas. Chamanes y figuras similares guiaban la atención médica, en un contexto donde lo sobrenatural influía en las percepciones de la salud y la enfermedad.

Paradigma Naturalista:

Durante la Grecia antigua, Hipócrates introdujo un enfoque basado en los cuatro elementos y los humores, destacando la influencia de la naturaleza en la salud. Este período sentó las bases para una comprensión más sistémica de la medicina.

Paradigma Ontológico:

La transición hacia la Edad Media marcó la ontología en la medicina, donde la realidad de la enfermedad se exploraba a través de interpretaciones filosóficas y metafísicas. Este enfoque ontológico evolucionó hacia el período moderno.

Paradigma Moderno Escolástico:

Desde el Renacimiento hasta la Ilustración, la medicina adoptó un enfoque escolástico, dando paso al empirismo y positivismo.

El método científico se convirtió en el cimiento, enfocándose en explicación, predicción y diagnóstico preciso.

Se busco la conceptualización del control de la enfermedad, descripción de la historia natural de la enfermedad y las características fijas y variables, con un abordaje específico para cada enfermedad.

Paradigma Anatomo-Patológico:

Con el avance de la anatomía y la patología, la enfermedad se definió por lesiones anatómicas. Síntomas y signos se convirtieron en indicadores cruciales para el diagnóstico y tratamiento, estableciendo una conexión entre la observación clínica y la anatomía.

Paradigma Fisiopatológico:

La experimentación se convirtió en un punto esencial para la validación de las observaciones, buscando comprender la finalidad instrumental de cada órgano o función. Este paradigma reconoció la independencia de la realidad funcional respecto a la estructura, permitiendo una comprensión más profunda de los procesos fisiológicos y patológicos.

Paradigma de la Enfermedad como Proceso Fisiológico-Patológico:

La alteración funcional se destacó como el inicio de la enfermedad, manifestándose como síntomas incluso antes de que se evidenciaran lesiones anatómicas. Este cambio en la perspectiva temporal revolucionó la comprensión de la progresión de las enfermedades.

Paradigma Microbiano:

La identificación de los microbios como causa de enfermedades dio lugar a la generación de modelos epidemiológicos. Este paradigma cambió radicalmente la percepción de la transmisión de enfermedades y la necesidad de medidas preventivas.

Paradigma Ecléctico:

En este período, se adoptó una concepción biologicista que integró diversas perspectivas. La medicina ecléctica buscó combinar enfoques para obtener una comprensión más completa de la salud y la enfermedad.

Paradigma Tecnocrático:

La introducción de la historia clínica electrónica marcó un hito en la medicina postmoderna, simbolizando el cambio hacia un modelo más industrializado. Este avance tecnológico ha transformado la gestión de la información médica y la experiencia del paciente, reflejando la influencia de múltiples tecnologías en la atención sanitaria contemporánea de pacientes, comunidades y poblaciones.

A pesar de los desarrollos, el diseño de los flujos de trabajo para lograr el objetivo de la productividad, ha puesto en el foco como los médicos ven más las pantallas del computador que la cara y los ojos de los pacientes, dando la percepción de la deshumanización de la medicina, la tecnología en lugar de acercarnos nos separó.

Este modelo, tiene un síntoma, el afán de la productividad, siendo un reflejo del modelo industrial, que podemos ver descrito en una obra literaria “La Ciudadela” de AJ Cronin.

Cada una de las etapas anteriores, sin límites o rangos temporales claros, usualmente difuminados y superpuestos, tienen en común que están determinadas por avances tecnológicos. No obstante, debido a los extensos períodos entre cada una de estas etapas, nos vemos afectados por la relatividad del tiempo. Esta percepción nos lleva a creer en la inmutabilidad de nuestro entorno, especialmente en el ámbito de los campos de práctica médica.

El futuro que es hoy 

En la actualidad, la intersección entre la medicina y la inteligencia artificial ha suscitado un notable interés, desplazando la atención hacia una nueva realidad que revela la incertidumbre y plantea numerosas interrogantes. No obstante, brindar respuestas definitivas sobre las capacidades de la inteligencia artificial podría resultar reduccionista y limitar su verdadero potencial.

Desde una perspectiva de salud poblacional, se ha observado que la inteligencia artificial puede desempeñar un papel crucial en el manejo de pandemias, como fue evidente durante la crisis del COVID-19. Además, su capacidad para prever la aparición de brotes permite intervenciones tempranas, facilita la predicción de riesgos y contribuye a la elaboración de estrategias para el control de enfermedades crónicas. En el ámbito de la atención médica individual, la inteligencia artificial emerge como una herramienta valiosa para comprender la historia natural de las enfermedades, optimizando la toma de decisiones y favoreciendo la realización de diagnósticos tempranos y tratamientos personalizados.

Desde la perspectiva institucional, la implementación de la inteligencia artificial posibilita la automatización de tareas administrativas, agilizando procesos y aliviando la carga sobre el personal asistencial. Asimismo, contribuye a una mejor trazabilidad de los procedimientos, mejorando la experiencia general de los pacientes durante su travesía a través del proceso de atención médica.

En el ámbito de la investigación, la inteligencia artificial desempeña un papel crucial al facilitar el manejo, procesamiento y extracción de información a partir de grandes volúmenes de datos con mínima intervención humana. Esto permite que los profesionales de la salud se centren en actividades de mayor valor, llevando la investigación médica a nuevas instancias, logrando optimizaciones y reducciones en el tiempo de la investigación.

Desmitificando la inteligencia artificial

¿Qué es?

Actualmente, empleamos diversas clasificaciones para la inteligencia artificial, siendo una de las más comunes aquella que se basa en la función, las tareas ejecutadas y la arquitectura del modelo. La discusión sobre si los agentes actuales son máquinas reactivas, poseen memoria limitada, cumplen con la teoría de la mente o poseen conciencia propia está fuera del alcance de este escrito.

Podemos optar por la clasificación que divide la inteligencia artificial en general y estrecha. A su vez, la categoría estrecha se subdivide en inteligencia artificial clásica y profunda, siendo esta última, que se fundamenta en redes neurales, la precursora de la inteligencia artificial generativa.

En el panorama de los enfoques de aprendizaje en inteligencia artificial, se destacan tres modalidades fundamentales:

• Aprendizaje Supervisado: Este enfoque implica entrenar el algoritmo y el modelo con datos previamente marcados. En otras palabras, el sistema se nutre de información donde las entradas están etiquetadas con las salidas deseadas. Es un método eficaz para tareas como clasificación, regresión y predicción, especialmente en contextos donde se buscan patrones y relaciones predefinidos, particularmente eficientes en el procesamiento de imágenes, donde las etiquetas pueden guiar la identificación y clasificación de patrones visuales.
• Aprendizaje por Reforzamiento: En este enfoque, el agente recibe recompensas positivas por alcanzar los objetivos deseados y sanciones o recompensas negativas por no cumplir con la función específica. Este método es especialmente útil en entornos donde las acciones del agente impactan su entorno y necesitan ser ajustadas y perfeccionadas a lo largo del tiempo.
• Aprendizaje No Supervisado: implica que durante la fase de diseño del agente, no se le expone a datos marcados. El sistema debe descubrir patrones y las estructuras inherentes en los datos por sí mismo. Este enfoque es útil para tareas como agrupación (clúster), revelar patrones ocultos en conjuntos de datos complejos, reducción de la dimensionalidad y extractor de características principales.

En la intersección de estos enfoques, surge una red de posibilidades que impulsa la inteligencia artificial, la elección entre estos enfoques depende de los objetivos específicos de la tarea a cumplir y el nicho de aplicaciones.

¿Qué quiero hacer?

Independiente de la clasificación entre variables continuas (valores numéricos y pueden ser medidas con precisión), categóricas (características cualitativas) y ordinales (orden natural, o  la clasificación en «bajo», «medio» o «alto»), que van a ser el sustrato de los algoritmos y la importancia de saber que se necesita.

La elección depende más del problema específico y de la naturaleza de los datos que estás tratando.

Si se requiere una regresión, clasificación o predicción relacionado con una variable de interés, se optará por modelo supervisado.

Un modelo no supervisado se exploran patrones o relaciones en los datos sin una variable objetivo predefinida, explorar la estructura subyacente de los datos, es ideal para descubrir patrones ocultos, agrupar (clúster – identificar grupos de con características similares), encontrar características relevantes, reducción de la dimensionalidad, en un conjunto de datos.

En el modelo de aprendizaje por refuerzo, los componentes principales que determinan el funcionamiento del modelo son:

• Agente es la entidad que realiza acciones en un entorno para alcanzar los objetivos. Un sistema capaz de tomar decisiones y ejecutar acciones, como un programa de computadora o un robot físico.
• Entorno es el contexto en el que el agente opera y toma decisiones. Este responde a las acciones del agente y lo retroalimenta.
• Políticas, estrategias o reglas que guían las acciones del agente en un determinado estado del entorno. Define cómo elige el agente sus acciones en función de la situación en la que se encuentra. Puede ser determinista o estocástica, dependiendo de si la acción elegida es predecible o tiene algún grado de aleatoriedad.
• Recompensas o señales numéricas que el entorno proporciona al agente después de que realiza una acción, una recompensa positiva refuerza el la estrategia seleccionada, una recompensa negativa actúa como una señal de corrección. El objetivo del agente es aprender una política que maximice las recompensas acumuladas a lo largo del tiempo.

Los modelos con aprendizaje por refuerzo son especialmente adecuados para situaciones en las que un agente necesita tomar decisiones secuenciales en un entorno dinámico y aprender a través de la interacción continua con dicho entorno, donde las acciones del agente afectan el estado del entorno y, por ende, influyen en las futuras decisiones y recompensas.

Aprendizaje Autónomo, es decir, el agente aprende de manera autónoma a medida que interactúa con el entorno, es útil en escenarios donde es difícil o costoso proporcionar etiquetas para cada posible acción.

También aborda el equilibrio entre exploración (probar nuevas acciones para descubrir su impacto) y explotación (seguir las acciones conocidas que han llevado a recompensas previas). para descubrir estrategias óptimas en un entorno desconocido.

En juegos y robótica ha tenido éxito en juegos complejos, donde las decisiones deben considerar el contexto global del juego o realizar tareas mediante interacción con el entorno.

Médico ¿necesitas ayuda con Python?

Una limitación frecuentemente expresada por los profesionales médicos es la falta de conocimiento en programación en lenguajes como C++, R o Python, entre otros. Sin embargo, con el auge de la inteligencia artificial generativa y su mejor rendimiento, se ha observado la proliferación de plataformas y aplicaciones que posibilitan la redacción de líneas de código siguiendo las instrucciones del usuario, herramientas como «No Code» y generadores de código impulsados por inteligencia artificial. Un ejemplo de esto es GitHub Copilot, un generador de código que sugiere líneas enteras o bloques de código, agilizando significativamente el proceso de codificación y algunos de ellos ofrecen interfaces visuales para construir flujos de información y automatizar acciones sin la necesidad de escribir código manualmente.

Estas herramientas resultan beneficiosas tanto para la creación rápida de prototipos como para aquellos individuos que carecen de recursos para programar. Ahora es posible crear aplicaciones y automatizar tareas sin necesidad de poseer conocimientos avanzados en programación. Se debe tener en cuenta que estas herramientas no reemplazan a los desarrolladores de software ni programadores.

En el caso de programación con Python, uno de los lenguajes más usados, para verificar la precisión del código proporcionado, se pueden emplear herramientas específicas como Pyright y Pytype. Además, es posible validar entradas y cadenas de texto utilizando métodos como isalnum para asegurar que una cadena sea alfanumérica.

Sin embargo, no se debe tomar como una invitación para la realización de códigos sin conocimiento ni asesoría, por parte de un experto, sin olvidar que estas herramientas facilitan la tarea y ahorran tiempo, para capacitarse hay varios cursos online.

Diferente ser vigilante y prudente Vs ser resistente al cambio

En la actualidad la prioridad es derribar las barreras que condicionan la no adopción de la tecnología, sin generar la alineación del pensamiento crítico ni las necesidades prioritarias del día a día, por lo cual el transformar la resistencia en una colaboración activa y critica es un punto crucial, para evitar experiencias como el de la historia clínica electrónica.

Es imperativo para superar la resistencia al cambio eliminar el analfabetismo digital, sin dejar de lado la prudencia y la vigilancia, generando estrategias que favorezcan el conocer las innovaciones como la inteligencia artificial (IA).

Superar la reticencia a través de una comprensión profunda y educación sobre los beneficios tangibles de la IA en la atención médica es esencial para avanzar hacia un futuro donde la tecnología y la medicina se entrelacen de manera sinérgica, mejorando la calidad de la atención y transformando positivamente la experiencia tanto para los profesionales de la salud como para los pacientes, el manejo eficiente de crisis sanitarias como las pandemias y la optimización de flujos de trabajo, rutas de diagnósticos y tratamiento, y una comprensión más de la historia natural de las enfermedades, como los fenotipos y los endotipos, siendo un apoyo en la toma de decisiones, personalizando y dando precisión a las intervenciones, mejorando la interpretación de imágenes como radiografías, resonancias y laminas histológicas, estudios de función cardiopulmonar o la realización de resúmenes clínicos.

En conclusión, la inteligencia artificial es una herramienta que potencia las capacidades humanas, pero para hacerlo es necesario conocer los tipos, las utilidades de cada uno, los puntos fuertes y las debilidades.

Este cambio no solo representa una evolución necesaria, sino la oportunidad de elevar el cuidado para cumplir la cuádruple meta donde la interacción entre la destreza clínica y la inteligencia artificial da forma a un paradigma que mejora la salud individual, comunitaria y poblacional.