Machine learning, perspectivas en la educación en medicina.

 

Es claro el uso que tiene actualmente Machine Learning para muchas empresas con fines comerciales: conocer mejor al cliente de manera individual, a partir de datos sobre comportamiento de compras, preferencias y presupuestos. Con suficientes datos, estos sistemas pueden predecir lo mismo con nuevos clientes, ampliando se margen de distribución, y por ende, sus ganancias a corto plazo. Para compañías como Amazon, plataformas de streaming, o redes sociales, estos datos son proporcionados diariamente en millones, por varios años, y han creado una respuesta muy eficiente, con algoritmos basados en varias posibles conductas y patrones de consumo.

En medicina una de las posibles aplicaciones de Machine Learning está enfocada a proporcionar un presunto diagnóstico y ayudar al médico en la atención al paciente. Para ello se están usando miles de datos clínicos y los algoritmos que se emplean tanto para diagnóstico como para el tratamiento. Si bien esta aplicación puede optimizar los tiempos y dar más herramientas para la atención médica, no deja de lado aspectos muy importantes que no deben ser reemplazados por la tecnología:

1, la experiencia clínica del médico que, basado en la evidencia de los casos que trata, le permite llegar de manera certera a la interpretación de datos y el diagnóstico.

2, actualmente muchas enfermedades deben ser tratadas de manera individual y no puede aplicarse una terapia general para cualquier paciente, basado el algoritmos y bases de datos de muestras grandes.

3, la experiencia, el conocimiento y la capacidad de integración que presenta un buen médico le permite descartar entre casos reales, falsedades o casos de hipocondriacos, y enfermedades raras que requieran de pruebas más específicas.

Los datos de muchas enfermedades se pueden clasificar y ordenar en categorías, segmentarlos en subtipos o variantes del padecimiento, asociar muchas variables, causales o bien de síndromes relacionados, o factores importantes como antecedentes genéticos e historia clínica, incluso realizar regresiones para predecir nuevos casos, tendencias y prevalencias poblacionales.

Sin embargo, nuevamente se vislumbran algunos conflictos que no son completamente resueltos por esta Inteligencia Artificial. Una enfermedad puede compartir características específicas a nivel mundial, y los subtipos pueden ser muy similares, pero cuando se explora a nivel poblacional, por ejemplo, si se presenta en Estados Unidos o en México, las diferencias poblacionales pueden ser muy importantes para el diagnóstico, desarrollo, tratamiento, incluso para las complicaciones. Como lo mencioné anteriormente, justamente los antecedentes familiares y la historia clínica individual del paciente lo hacen casos únicos que no pueden ser diagnosticados ni tratados bajo los algoritmos de Machine Learning, que no pueden equipararse a la experiencia clínica y personalizada del médico.

En cuanto a la docencia, ocurre una situación similar. Como lo han demostrado otras herramientas de la Inteligencia Artificial, con Machine Learning se pueden proporcionar suficientes datos sobre lecturas, información, incluso sobre las respuestas esperadas para exámenes. Se pueden proporcionar los datos de miles de estudiantes, junto con variables relacionadas como demografía, edad, escolaridad, etc, y brindar suficiente información para que con algoritmos específicos se puedan asignar tareas, los alumnos aprendan de acuerdo a sus requerimientos, o se califiquen de manera automática exámenes y trabajos académicos.

Estos conocimientos y estrategias didácticas pueden clasificarse de acuerdo a materias, temas, unidades, subtemas y aspectos específicos, o de manera más específica en “clustering” por objetivos de aprendizaje. Los exámenes y tareas son calificados empleando algoritmos específicos, considerando en contenido, las posibles respuestas, y evaluando el cumplimiento de los objetivos de aprendizaje.

Las cuestiones en contra de esta herramienta incluyen varios aspectos no contemplados. Tomando como ejemplo una materia que imparto, investigación biomédica, las bases de datos tendrían que alimentarse con los datos proporcionados por los profesores del módulo, de cada grupo que han cubierto, a partir de la implementación del plan de estudios. Además de ser una tarea titánica, no se contempla los aspectos particulares de cada profesor, su libertad de cátedra, y las características individuales de cada alumno. Por otro lado, muchos de los contenidos de esta materia requieren de una actualización constante, de modo que lo que se aplicó, en algunos temas específicos, hace 5 años, puede que ya no sea válido u obsoleto en la actualidad y que no pueda aplicarse una regresión predictiva, lo que implica que el docente debe alimentar constantemente la base de datos, además de sus actividades en clase y de sus actualizaciones académicas y científicas.

El otro inconveniente de aplicar Machine Learning a la educación es que se contrapone a la tendencia actual, basada en competencias y en las capacidades individuales. Cada alumno presenta características personales que le permiten su aprendizaje, de acuerdo a sus capacidades, interés personal, disposición de tiempo y formación previa. Encasillarlos a todos bajo un mismo modelo educativo ha demostrado que no es práctico y no cubre el adecuado aprendizaje. Los exámenes generales y departamentales, enfocados en medicina, pretenden calificar a todas las generaciones bajo el mismo criterio de conocimiento: la generación de médicos iguales y generales parece un concepto de la revolución industrial, como producción en masa. Aunque se desarrollen algoritmos basados en los datos de varios casos, no es garantía de una acertada evaluación de un alumno en específico, que no encaje al 100% en esa generalidad.