En el artículo anterior expliqué cómo la Inteligencia Artificial (IA) juega un papel importante para la detección del melanoma, así como los retos tecnológicos a los que nos enfrentamos, pues se hace necesario desarrollar una estrategia de gobierno adecuada para poder gestionar de manera eficiente ciertos puntos, que serían los siguientes:
Consultora en Transformación Digital e Inteligencia Artificial en Ibermática Digital.
• Un cáncer de piel es muy variable en su presentación clínica y composición biológica, teniendo un porcentaje muy elevado de casos que no tienen una predicción clara de evolución.
• Habrá que diseñar las funcionalidades de gestión y gobierno de los datos adecuados con los que poder aplicar algoritmos informáticos para obtener diferentes correlaciones entre múltiples factores que podrían responder a preguntas clínicas sobre: opciones de diagnóstico, las decisiones de tratamiento, y factores pronósticos que podría determinar la necesidad de terapias a lo largo del proceso de gestión de los pacientes con melanoma.
El cáncer de mama en cifras
Actualmente, el cáncer de mama es el más frecuente entre las mujeres en todo el mundo, tanto en los países desarrollados como en aquellos en desarrollo, representando el 12% de todos los cánceres femeninos.
Según la Organización Mundial de la Salud, cada año se producen 2,26 millones de nuevos casos de este tipo de cáncer, por lo que su detección precoz y pronóstico temprano supone la piedra angular para su control y mejora de la tasa de supervivencia.
¿Qué es el cáncer de mama y de qué medios se disponen para su detección?
El cáncer se origina cuando las células saludables de la mama comienzan a cambiar y proliferar sin control, produciendo una masa o una aglomeración de células que se denomina tumor, que puede ser maligno o benigno. Normalmente se puede identificar a través de una radiografía o palpando los bultos que suelen aparecer en los senos.
Su diagnóstico involucra a un gran número de profesionales en diferentes niveles asistenciales: médicos de cabecera, ginecólogos, radiólogos, patólogos, oncólogos, responsables de citaciones…, y con muy diversos recursos diagnósticos y de tratamiento, lo que aumenta mucho la complejidad del proceso. Esto supone un reto organizativo, ya que su alcance llega a todos los niveles de actuación de un hospital, con múltiples servicios y diferentes profesionales interactuando para que su diagnóstico llegue a buen fin.
Mamografía de un tumor.
También, las decisiones de estos médicos que van viendo a los pacientes (no siempre será el mismo), se toman de forma individualizada y serán responsables de que a cada caso se le dé un tratamiento u otro, aunque generalmente hay un protocolo escrito de cómo proceder de forma general.
Aplicando la Inteligencia Artificial en casos de uso reales
Actualmente se están realizando proyectos de investigación enfocados al desarrollo de sistemas de apoyo de toma de decisiones médicas, basados en IA. El objetivo es evitar errores humanos, buscar nuevos indicadores y mejorar los límites de éstos, y añadir la inferencia de conocimiento automático con el que se puedan identificar anomalías patológicas de malignidad de cáncer de mama, de manera que sirvan como apoyo al diagnóstico médico, permitiendo simular el impacto de un medicamento en un paciente concreto.
Estos sistemas de apoyo al diagnóstico clínico aumentarán las condiciones de seguridad del paciente ante la actividad asistencial, disminuyendo el tiempo de demora en el acceso al diagnóstico de dicha patología. La personalización del tratamiento previene de alguna forma también el riesgo sanitario al que está expuesto el paciente por la implicación de los factores que se han expuesto anteriormente para coordinar y dar una respuesta eficaz y certera en el menor tiempo posible del diagnóstico.
Los componentes principales de un sistema de apoyo de toma de decisiones médicas en el diagnóstico de cáncer de mama son los siguientes puntos de aspecto funcional y tecnológico en el campo de la IA:
• Fuentes de datos: La integración de información de diferentes fuentes de conocimiento, tales como las imágenes radiológicas, guías clínicas, contraindicaciones , datos farmacológicos, etcétera, que aparecen relacionadas con el caso concreto de consulta, mostrándose de manera contextual y orientada a la decisión, se hacen imprescindibles a la hora de usarlo como histórico.
• Semántica y Tecnologías del Lenguaje: Es imprescindible diseñar un dominio en el que se codifique y homogenice la representación del conocimiento médico en el ámbito del diagnóstico de anomalía patológica del cáncer de mama. Que garantice un entendimiento común y compartido y que asegure la identificación del diagnóstico a través de la inferencia de conocimiento con IA.
Haciendo uso de herramientas como ontologías, árboles de decisión, etcétera, se puede representar el conocimiento de los patólogos respecto al diagnóstico de anatomía patológica de malignidad de cáncer de mama, así como inferir conocimiento que facilite el diagnóstico de este tipo de cáncer y la planificación coordinada e inteligente de las citas de todos los servicios asistenciales involucrados de forma rápida, fiable y segura.
• Definición de una arquitectura orientada a servicios: Es necesario hacer uso de estándares de comunicación con otros sistemas, de forma que los desarrollos se integren en un entorno heterogéneo donde la trazabilidad de la información de los sistemas sea interoperable y explotable por un sistema de IA.
Retos tecnológicos para el desarrollo de soluciones aplicados al cáncer de mama
Para asumir los retos tecnológicos a los que nos enfrentamos en el desarrollo del diagnóstico del cáncer de mama, hay que tener en cuenta varios puntos:
• En el momento actual, el diagnóstico definitivo de los casos sospechosos requiere de una serie de pasos coordinados y del concurso de diferentes herramientas informáticas, que son utilizadas e interpretadas de forma manual por los distintos responsables intervinientes en su diagnóstico y tratamiento.
• El uso de herramientas como ontologías, árboles de decisión, etcétera, son clave para estructurar bien el know-how, debido a que el conocimiento que un patólogo posee sobre un diagnóstico es difícilmente transferible. Por dos motivos: primero porque su conocimiento está basado en gran medida en la experiencia propia y en la que no están nítidamente definidos los parámetros que identifican el diagnóstico; y en segundo lugar, la forma en que el patólogo representa su conocimiento para explicarlo a los demás es en muchos casos poco homogénea. Esta falta de homogeneidad de formas de representación supone un claro inconveniente a la hora de utilizar esa información, para que otros patólogos interesados pudieran trabajar con los mismos estándares para poder compartir y comparar sus conocimientos.
• Los distintos servicios asistenciales que intervienen en el proceso de detección y tratamiento de cáncer de mama funcionan como islas de información independientes, y aunque hay interacción entre las diferentes fuentes de información, con puntuales colaboraciones entre éstas, no hay una explotación sistemática. La intervención humana genera demoras de tiempo que podrían evitarse en gran medida si se dispusiese de una arquitectura orientada a servicios interoperable y orquestada de forma conveniente.
En conclusión, aunque se plantean retos tecnológicos que hay que asumir en esta tipología de proyectos, los verdaderos beneficios potenciales que traerá la IA serán sumando las habilidades de los humanos, con el potencial que nos ofrece esta tecnología, para realizar una predicción efectiva del riesgo de padecer este tipo de cáncer, pudiendo mejorar la asistencia y la confianza en los programas de detección de dicha patología.
