El eslabón perdido: móviles, wearables e Inteligencia Artificial

Hay tres dimensiones clave que contribuyen y nos permiten evaluar y predecir nuestro estado de salud: (1) nuestro fenotipo, (2) nuestra genética y (3) nuestro entorno, circunstancias sociales y patrones de comportamiento. De estos tres factores, medir y comprender el último ha sido muy difícil durante mucho tiempo, a pesar de su gran contribución -estimada en ~ 60% por algunos autores- a nuestra salud.

En las últimas décadas, hemos desarrollado métodos cada vez más sofisticados y precisos para evaluar y caracterizar nuestro fenotipo a través de una amplia gama de pruebas diagnósticas que hoy están disponibles en forma digital y forman parte de nuestras historias clínicas electrónicas. En cuanto a nuestra genética, desde 2003, hemos sido capaces de secuenciar los 6.400 millones de pares de bases del genoma humano a precios exponencialmente más baratos.

Sin embargo, medir y analizar el tercer factor (nuestro entorno, circunstancias sociales y comportamiento) ha resultado difícil y se ha basado principalmente en las respuestas a cuestionarios, que son costosos de recopilar, difíciles de escalar y de precisión cuestionable. Afortunadamente, estamos empezando a abordar esta limitación gracias a la amplia adopción de dispositivos móviles, implantables y wearables, así como los objetos conectados (Internet de las cosas) que nos permiten capturar el comportamiento humano y el contexto en el que vivimos a escala. Al igual que nuestro fenotipo y nuestra genética, estamos entrando en una era de digitalización de nuestro comportamiento y nuestro entorno que abre innumerables oportunidades en el contexto de nuestra salud para la prevención, el diagnóstico precoz y el tratamiento de enfermedades.

Los dispositivos móviles (teléfonos inteligentes, wearables, dispositivos implantables, ropa inteligente) nos permiten medir nuestros niveles de actividad (por ejemplo, cuánto caminamos o dormimos), fisiología (por ejemplo, nuestra tasa de audición) y bioquímica. Los dispositivos y sensores integrados en nuestras ciudades, nuestros hogares y nuestros automóviles nos permiten capturar información adicional sobre nuestro entorno físico (por ejemplo, niveles de contaminación, ruido o tráfico a los que estamos expuestos) y circunstancias sociales (por ejemplo, intensidad y cantidad de conexiones sociales).

Como resultado, tenemos y tendremos acceso a un conjunto diverso y cada vez mayor de datos ambientales y de comportamiento humano que sólo podremos analizar y dar sentido analizándolos con algoritmos de Inteligencia Artificial con aplicación directa para la prevención, el diagnóstico y el tratamiento de enfermedades, a una escala sin precedentes y más allá. largos períodos de tiempo. La ubicuidad de los teléfonos móviles permite llegar a millones de personas a costos asequibles, lo que es especialmente relevante para las economías en desarrollo o las regiones donde la atención médica tradicional no está disponible.

Una de las áreas más prometedoras es la detección y el diagnóstico tempranos. Ya hay ejemplos de aplicaciones móviles que detectan el cáncer de páncreas o de piel utilizando las cámaras de nuestros teléfonos combinadas con algoritmos de aprendizaje automático para analizar las imágenes y detectar patrones anómalos con precisiones que superan a las de los humanos. Nuestra voz, nuestra manera de caminar, los patrones de sueño, ciclos de fertilidad o simplemente nuestro peso también pueden ser capturados por dispositivos móviles y domésticos, y analizados mediante técnicas de aprendizaje automático para detectar anomalías que podrían ser imperceptibles para nosotros los humanos y podrían estar correlacionadas con las primeras etapas de distintas enfermedades, incluyendo el cáncer. La omnipresencia de los dispositivos móviles, tanto en las economías desarrolladas como en las economías en desarrollo, permitiría la detección temprana y la detección de enfermedades a una gran parte de la población a costos muy asequibles.

En términos de tratamiento y gestión de enfermedades, podemos utilizar tecnologías persuasivas y técnicas de personalización en nuestros teléfonos móviles para aprovechar el aprendizaje automático para ayudar a los pacientes con enfermedades crónicas a tomar sus medicamentos correctamente –como lo hicimos en el proyecto MoviPill ¹, mejorando el incumplimiento de medicamentos en un 60%– o sugerir cambios en sus estilos de vida que tendrían un impacto positivo en su salud. Podemos diseñar redes sociales que permitan a los pacientes con cáncer relacionarse entre sí, compartir sus experiencias y brindar apoyo mutuo. Los asistentes personales impulsados por el aprendizaje automático en nuestros teléfonos móviles o nuestros hogares pueden ayudar a los pacientes de enfermedades crónicas respondiendo preguntas sobre su enfermedad y tratamientos o brindando apoyo; y deberíamos ser capaces de recopilar información conductual y fisiológica in situ para comprender mejor los efectos secundarios de los tratamientos contra distintas enfermedades.

También podemos usar dispositivos móviles para proporcionar información de atención médica personalizada con fines de prevención de enfermedades; y recopilar y analizar señales ambientales, como la contaminación, para estudiar el impacto que los factores ambientales podrían tener en la prevalencia de enfermedades en diferentes regiones del mundo, o incorporar información social para arrojar luz sobre el papel que las conexiones sociales tienen en nuestro sistema inmunológico y nuestra capacidad para hacer frente a la enfermedad.

Las oportunidades son innumerables, y el límite es nuestra propia imaginación. Sin embargo, hay numerosos desafíos que tendríamos que abordar antes de que podamos aprovechar todo el potencial de esta área. En primer lugar, estamos tratando con datos a gran escala, espacio-temporales y muy diversos capturados por diferentes sensores con diferentes niveles de ruido y precisión. En segundo lugar, aunque estos sensores nos permiten capturar información contextual, son una visión parcial de una realidad compleja. Por lo tanto, debemos tener cuidado en el diseño del estudio para controlar las variables externas que podrían influir en los resultados y los posibles sesgos en los datos recopilados y los modelos construidos a partir de dichos datos. En tercer lugar, es difícil definir claramente los conjuntos de datos de entrenamiento y prueba cuando es posible que no tengamos suficientes datos anotados (ground truth). Igualmente difícil es determinar las relaciones causales entre los comportamientos o factores ambientales y la prevalencia o los resultados de la enfermedad. En cuarto lugar, no podemos obviar la sensibilidad de los datos cuyo análisis podría tener implicaciones negativas para la privacidad individual y requiere una fuerte seguridad y garantías éticas.

A pesar de estos desafíos, las tecnologías móviles y ubicuas podrían y revolucionarán la medicina al proporcionar el eslabón perdido: valiosos datos in situ y a gran escala sobre nuestros comportamientos diarios, nuestro entorno y las circunstancias sociales en las que vivimos.