Los pacientes de hoy están híper conectados, demandan menores tiempos de respuesta y comunicación directa y continua con su especialista de cabecera. En el caso de los tratamientos de fertilidad, esa tendencia se profundiza aún más debido a las expectativas relacionadas con la maternidad. En respuesta a esto, cada vez más profesionales se apoyan en nuevas herramientas basadas en inteligencia artificial (AI), en pos de maximizar las probabilidades de un embarazo exitoso y brindar un seguimiento más cercano.

La tecnología aplicada a la fertilidad no es nueva. Hoy ya podemos ver un gran ecosistema de aplicaciones orientadas a la predicción de ciclos de ovulación a partir de información ―como ciclos menstruales, síntomas físicos u otros― cargada regularmente por los propios pacientes. Pero esto es solo el comienzo: la integración de AI en el proceso de diagnóstico y tratamiento avanza rápidamente y se encuentra en proceso de expansión, por lo que promete revolucionar el funcionamiento de los centros de reproducción como los conocemos hoy día.

Pero ¿cómo es que estas nuevas tecnologías suponen un impacto tan profundo y por qué son diferentes a las anteriores innovaciones técnicas?

Para contestar estas preguntas es necesario reconocer una transformación no solo en la comunicación, como la aparición de Internet o la telefonía móvil, sino que el cambio se presenta también en el modo en el que la máquina funciona, ya que crea sus propias formas de completar tareas y no necesariamente sigue instrucciones específicas programadas por nosotros, los humanos.

¿Qué es la AI?

Dentro de la ciencia de computadoras, la inteligencia artificial o AI es el conjunto de técnicas que buscan, en definitiva, imitar los procesos cognitivos normalmente asociados con las capacidades de la mente humana. Entre ellos, el aprendizaje y la resolución de problemas.

Como subset de esta amplia definición encontramos dos clasificaciones de técnicas más específicas: “machine learning” y “deep learning”. Sus diferencias radican principalmente en el tipo de problemas que resuelven y los recursos subyacentes utilizados para su resolución.

Visión de alto nivel de la organización de técnicas de AI

 

El subconjunto de técnicas de AI conocido como “Machine Learning” (ML) se asocia con la resolución de problemas principalmente estadísticos mediante inferencias o predicciones basadas en experiencias pasadas. Como resultado final se obtienen algoritmos que pueden ser realimentados para adaptarse a la aparición de nuevos datos y, así, evolucionar para mantener o aumentar el índice de exactitud de dichas inferencias, de la misma forma que un humano mejora sus decisiones a medida que se especializa en sus tareas.

Cuando aplicamos ML dentro del dominio de la fertilidad vemos surgir varias herramientas dedicadas a brindar información basada en el conteo de óvulos, la edad, los niveles hormonales y otros indicadores. La potencia de este tipo de soluciones radica en su capacidad de procesar una gran cantidad de variables y contemplar nuevos factores de decisión para dar soporte a inferencias novedosas.

Esto configura una herramienta flexible de amplio espectro que puede ser utilizada por los profesional del sector para explorar nuevas alternativas de tratamientos a medida. Por ejemplo, un especialista en fertilidad podría alimentar una plataforma basada en algoritmos de ML con datos de su paciente y obtener como resultado una serie de pautas que indicarían un potencial diagnóstico orientado a un problema relacionado con un área fuera del expertise del profesional. Esto sería comparable con una interconsulta internacional, solo que a una fracción del costo.

ML vs DL, principales diferencias en su implementación, clasificando si el input recibido es o no un auto

 

Si bien con las técnicas de Deep learning (DL) se pueden realizar las mismas tareas propias de los algoritmos de ML, existen algunas diferencias. En principio, el DL utiliza modelos de redes neuronales artificiales que imitan el funcionamiento de nuestros cerebros y que, a diferencia de los algoritmos estáticos presentes en ML, funcionan sin necesidad de intervención humana para su evolución adaptativa. Esto significa que no requieren datos estructurados para entender el problema a resolver, sino que se “entrenan” tomando conjuntos de datos crudos de prueba y seleccionando sus características claves de forma automática para luego comparar los resultados de sus clasificaciones o inferencias contra un conjunto de resultados testigo, y así, validar la exactitud o el nivel de confianza del programa.

A partir de las posibilidades que habilita la utilización de DL se pueden realizar tareas previamente inalcanzables para el procesamiento automático, como la clasificación de imágenes con nivel de detalle, y lograr un nivel de exactitud que permite, por ejemplo, desbloquear nuestro teléfono móvil mediante reconocimiento facial.

Entrenando para el futuro

El mundo de la medicina ya ha tomado la iniciativa en la utilización de estas técnicas y ha logrado clasificar imágenes de muestras de ganglios linfáticos en busca de cáncer de mama con una exactitud superior al 93%.

La medicina reproductiva no está fuera del alcance de las aplicaciones de AI. Recientemente, una startup canadiense completó la implementación de Violet, su algoritmo de scoring de óvulos, que logró predecir una fertilización exitosa con una precisión del 90% basado en una sola imagen. Sin embargo, Violet tiene mucho que aprender aún sobre el proceso completo de fertilización in vitro. Hoy en día, ha logrado predecir la supervivencia del embrión durante los primeros 5 días solo un 65% de las veces, pero sus creadores esperan mejorar sensiblemente estos números una vez que las clínicas especializadas comiencen a utilizar el sistema y hagan crecer la cantidad de datos disponibles.

Por tal motivo, las aplicaciones de AI en medicina reproductiva prometen ayudarnos a alcanzar nuevos niveles de performance, por lo que es necesario entender estas herramientas que nos ayudan a procesar inmensos volúmenes de datos y realizar diagnósticos con altísima precisión como multiplicadores de las capacidades de los médicos para dar una mejor atención a sus pacientes.

Pablo Bergonzi

Ingeniero en Sistemas de información