Continuamos con la serie de formación en hemodinámica. En esta entrega dejamos brevemente los dispositivos y las técnicas de intervención para abordar una herramienta transversal que ya está presente, en mayor o menor medida, en buena parte de lo explicado en capítulos anteriores: la inteligencia artificial y, dentro de ella, el aprendizaje automático o machine learning.
El interés no es únicamente tecnológico. Los algoritmos de aprendizaje automático ya ayudan a medir el anillo aórtico antes de un TAVI, a mejorar la calidad de imagen radiológica con menos dosis de radiación, a segmentar arterias coronarias de forma automática o a transcribir informes clínicos por voz. Entender, aunque sea de forma general, cómo funcionan estos sistemas y cuáles son sus limitaciones resulta cada vez más útil para cualquier profesional de una sala de hemodinámica, sin necesidad de programar una sola línea de código.
Qué entendemos por inteligencia artificial
La inteligencia artificial es el campo de la computación que busca comprender y construir entidades inteligentes, una definición tan amplia que admite múltiples interpretaciones: actuar como un ser humano, pensar como un ser humano, pensar racionalmente o actuar racionalmente. El test más conocido para evaluar la primera de estas aproximaciones es el test de Turing, en el que un interrogador humano intenta discernir, mediante preguntas escritas, si conversa con una persona o con una máquina.
El deseo de crear máquinas capaces de pensar es muy anterior a la informática, con antecedentes en los mitos griegos de la caja de Pandora o el gigante de bronce Talos, pero ese sueño no empezó a tomar forma real hasta 1842, cuando Ada Lovelace diseñó la primera computadora analítica. Existen distintos hitos que sirven como puntos de partida de la disciplina, desde la máquina de Turing hasta los primeros modelos matemáticos del funcionamiento neuronal, en las décadas de 1940 y 1950; en los años sesenta y setenta la mayoría de los desarrollos se basaron en sistemas de reglas lógicas explícitas, y la primera gran expansión real no llegó hasta los años ochenta, cuando la corriente conexionista centrada en redes neuronales empezó a integrarse de forma más amplia en la industria y la investigación.
Los sistemas expertos: el antecedente en cardiología
Una de las aplicaciones más desarrolladas en aquella época fueron los sistemas expertos, programas que representan el conocimiento de expertos humanos en un dominio concreto mediante reglas lógicas. En cardiología intervencionista existió un ejemplo directo: CASSPERT, desarrollado a principios de los noventa para ayudar en la toma de decisiones durante la angioplastia coronaria, entre ellas la selección de pacientes, la técnica a emplear o la composición del equipo durante la intervención. Su conocimiento procedía de largas entrevistas a hemodinamistas expertos, transcritas y estructuradas después en bases de datos.
La ventaja clara de estos sistemas era su interpretabilidad: cualquier recomendación podía argumentarse de forma comprensible, ya que se basaba en reglas explícitas construidas sobre un conocimiento base. El proceso, sin embargo, era laborioso y obligaba a actualizar ese conocimiento de forma periódica. Tanto en los ochenta como en los noventa las redes neuronales obtuvieron resultados prometedores sin demostrar una ventaja clara frente a métodos más sencillos; no fue hasta hace poco más de veinte años cuando volvieron a cobrar el protagonismo que tienen hoy.
Aprendizaje automático: cómo aprenden los algoritmos
Uno de los objetivos principales de la inteligencia artificial es conseguir que un agente, ya sea un robot o un programa informático, aprenda a ejercer las tareas que se le encomiendan a través de la observación de su entorno. Existen tres formas de aprendizaje: supervisado, no supervisado y por refuerzo. En los tres hay elementos comunes: el conocimiento previo del agente, es decir, la información que le suministramos (imágenes, bases de datos, electrocardiogramas u otros registros); y el retorno o feedback que cuantifica cómo de bien ha desempeñado su tarea.
Aprendizaje supervisado
Es el tipo de aprendizaje más sencillo de comprender y también el más extendido. El agente observa pares de conjuntos de entrada (inputs) y de salida (outputs), aprendiendo una función que obtiene resultados similares a las salidas reales a través de entradas parecidas. Un ejemplo lo aclara: imaginemos que queremos construir un algoritmo de predicción de reestenosis tras una intervención percutánea, con un registro nacional de 500 pacientes. El conjunto de entrada lo formarían variables demográficas, clínicas y angiográficas ya registradas; la salida sería la presencia o no de reestenosis en un año, con una tasa observada del 9 % en nuestra muestra histórica.
Según sus características, el algoritmo se define como de clasificación o de regresión: en nuestro ejemplo sería de clasificación, ya que el objetivo es discernir si la reestenosis se producirá o no; si en cambio quisiéramos predecir el porcentaje de estrechez del lumen a los doce meses, sería de regresión, al tratarse de un número continuo. Dentro de los modelos existen familias paramétricas y no paramétricas: un modelo paramétrico se define por un número finito de parámetros, como la regresión logística, mientras que uno no paramétrico, como un árbol de decisión, aprende reglas simples inferidas directamente de los datos, sin esa limitación de partida.
Uno de los problemas más habituales al ajustar estos algoritmos es el sobreajuste, o la falta de generalización del modelo. Con un conjunto de datos pequeño y desequilibrado —en nuestro ejemplo, solo el 9 % de los casos presentan reestenosis— es fácil ajustar bien el algoritmo a esos 500 pacientes y no ser capaces de generalizar el resultado a un hospital distinto. Existen varias soluciones: disponer de más datos y con mayor variedad, no siempre factible; recurrir a la validación externa, aplicando el algoritmo a un registro de otro centro; o utilizar la validación interna o cruzada, dividiendo los datos en subconjuntos de distinto tamaño, ajustando el modelo con el mayor y evaluándolo con el resto, con variantes que van desde particiones aleatorias hasta esquemas estratificados o con repeticiones. Para comparar modelos entre sí conviene además definir una métrica de ajuste; en problemas de clasificación como el de nuestro ejemplo, una métrica clásica es el área bajo la curva ROC, que informa del equilibrio entre sensibilidad y especificidad.
Aprendizaje no supervisado
A diferencia del supervisado, en el aprendizaje no supervisado el algoritmo aprende propiedades intrínsecas de un conjunto de datos sin que exista una variable de salida conocida de antemano. Su tarea clásica consiste en encontrar la mejor representación posible de los datos, conservando el máximo de información posible al tiempo que se simplifica. Dentro de esta familia, dos aproximaciones son especialmente relevantes en medicina: la reducción dimensional y la búsqueda de grupos o clustering.
Imaginemos un conjunto de biomarcadores de distinto tipo del mismo grupo de pacientes del ejemplo anterior, con tantas variables como sujetos analizados. La reducción dimensional permite crear variables latentes que representan las reales de forma más eficiente, filtrando la información más relevante. Si en cambio desconocemos qué pacientes presentarán eventos pero queremos conocer semejanzas entre ellos para estratificar el riesgo, recurrimos al clustering, cuyo objetivo es dividir el conjunto de datos en agrupaciones basadas en esas semejanzas. Existen técnicas más clásicas, como el análisis de componentes principales o el clustering jerárquico aglomerado, y otras más recientes, como la aproximación uniforme de variedad (UMAP) o el agrupamiento espacial basado en densidad (DBSCAN).
Aprendizaje por refuerzo y diferencias con la estadística
En el aprendizaje por refuerzo el agente aprende a través de premios y castigos: revisando los pasos dados antes de recibir el refuerzo o la penalización, aprende cómo actuar después. Este tipo de algoritmos, aunque presentes en medicina, no está del todo desarrollado debido al riesgo que implicaría aplicarlos directamente en la práctica clínica sin supervisión.
Conviene distinguir el aprendizaje automático de la estadística clásica: comparten aspectos comunes pero persiguen objetivos distintos. La estadística clásica se sustenta en la inferencia, extendiendo lo observado en una muestra a toda la población a través de un modelo matemático con fines explicativos. El aprendizaje automático fundamenta su fortaleza en la cantidad de información disponible, sin preocuparse tanto por explicar las relaciones entre los datos, y utiliza la inferencia sobre todo para mejorar sus predicciones. Según los datos disponibles y el análisis que se quiera efectuar, unas técnicas u otras resultarán más apropiadas.
Aprendizaje profundo y redes neuronales
La corriente conexionista, basada en redes neuronales, ha experimentado un crecimiento exponencial en la última década gracias a dos factores: el aumento del tamaño de las bases de datos disponibles y la mejora de la capacidad de cómputo, impulsada en buena parte por las tarjetas gráficas desarrolladas originalmente para el videojuego. Ambos factores han hecho posible crear redes neuronales cada vez más complejas y aplicables a nuestro día a día.
La unidad básica de estos modelos es el perceptrón, el modelo matemático más simple de una neurona: en lugar de axones y dendritas, utiliza señales de entrada que se ponderan mediante unos pesos y se combinan para producir una salida. El poder de las redes neuronales reside, como en el cerebro, en las conexiones entre múltiples perceptrones organizados en distintas capas.
La red neuronal feedforward
Las redes feedforward, también conocidas como redes multicapa, son la esencia de los modelos de aprendizaje profundo: aproximan una función que relaciona la información de entrada con la de salida a través de una capa de entrada, una o varias capas ocultas y una capa de salida. Son precisamente esas capas ocultas las que dan nombre al término profundo. Al aumentar su número, el modelo puede encontrar relaciones no lineales difíciles de identificar con algoritmos más sencillos, aunque también aumenta el número de operaciones necesarias durante el entrenamiento, que puede volverse largo y costoso.
Tipos de redes neuronales y sus aplicaciones en hemodinámica
Existen distintas arquitecturas de redes neuronales con aplicaciones diversas en la medicina actual. Las redes convolucionales están especializadas en procesar datos que pueden representarse en forma de cuadrícula, como las imágenes; su base neurocientífica se apoya en los descubrimientos de los premios Nobel David H. Hubel y Torsten Wiesel sobre cómo las neuronas del cerebro del gato respondían con mayor fuerza a patrones de luz proyectados en ubicaciones concretas de la retina. Sus aplicaciones en imagen médica son notables, y la hemodinámica no es una excepción: permiten predecir el perímetro y el área del anillo aórtico de forma automática para facilitar la implantación de prótesis TAVI, mejorar la calidad de imágenes de rayos X obtenidas con dosis bajas de radiación, o segmentar automáticamente las arterias coronarias. Algunas de estas aplicaciones ya están presentes en la práctica clínica o llegarán a ella en los próximos años.
Las redes recurrentes están pensadas para el procesamiento de datos secuenciales, para lo que comparten parámetros entre las diferentes partes del modelo, lo que facilita el análisis temporal. Son de gran utilidad en el procesamiento de lenguaje natural; en medicina destacan por su papel en la generación de informes clínicos mediante reconocimiento de voz o en la clasificación de textos clínicos por patrones lingüísticos. Combinadas con redes convolucionales resultan útiles en el análisis de imágenes en movimiento.
Las redes generadoras crean elementos ficticios de manera no supervisada a partir de los ejemplos introducidos, y de las familias descritas es la que más está en fase de desarrollo. Una potencial aplicación para la hemodinámica estaría ligada a la realidad aumentada, generando imágenes ficticias de intervenciones o de futuros pacientes, aunque se trata todavía de un campo por explorar.
Robótica en la sala de hemodinámica
Los robots son agentes físicos que manipulan su entorno mediante elementos como ruedas, brazos o codos, además de sensores que les permiten interactuar con el medio que les rodea. Existen desde hace tiempo, desde brazos en cadenas de montaje hasta robots de precisión para labores quirúrgicas; en las intervenciones percutáneas están presentes de una forma u otra, casi siempre en labores de asistencia al hemodinamista.
La irrupción del aprendizaje automático y profundo en los últimos años permite pensar en futuras aplicaciones endovasculares más autónomas. Hasta ahora, sin embargo, todas estas aplicaciones se han desarrollado para asistir al hemodinamista, y en ningún momento se ha demostrado que un agente físico sea capaz de realizar una intervención por sí mismo en humanos; sí existen intentos en modelos animales que apuntan a la viabilidad de estos robots en el futuro.
Limitaciones: datos, generalización y opacidad
Una de las principales limitaciones de los modelos de inteligencia artificial actuales, ya mencionada al hablar del aprendizaje supervisado, es la falta de generalización: uno de los puntos fuertes de estos algoritmos reside en la capacidad de alimentarse de grandes cantidades de datos, y si eso no ocurre, aumenta el riesgo de sobreajuste. Una de las soluciones que más se ha popularizado para paliar este defecto son los sistemas de aprendizaje federado.
El aprendizaje federado, también conocido como aprendizaje colaborativo, consiste en ajustar un algoritmo a través de múltiples dispositivos descentralizados —en nuestro caso, centros hospitalarios— sin intercambiar sus datos entre sí. Cada hospital entrena un modelo local con sus propios datos privados, y solo ese modelo, no los datos, se envía a un servidor federado que lo combina con los de otros centros para construir un modelo global más robusto. Este método permite a varios hospitales construir modelos más sólidos sin compartir datos entre ellos, respetando la reglamentación de privacidad de los pacientes.
Otra limitación importante de la inteligencia artificial es su opacidad. Interpretar los resultados de un algoritmo, sobre todo en los de aprendizaje profundo, es complejo, y en medicina puede generar desconfianza tanto en el profesional como en el paciente: saber por qué una red neuronal ha recomendado un determinado tratamiento no siempre resulta sencillo. En los últimos años se ha dedicado un esfuerzo importante a investigar métodos que ayuden a interpretar las decisiones de redes neuronales y otros algoritmos de aprendizaje automático, destacando los parámetros más relevantes de una imagen o los términos más determinantes de un texto que han llevado al agente a una decisión concreta, de forma que el usuario pueda conocer su motivo real.
El campo evoluciona con rapidez, y buena parte de lo descrito en este capítulo seguirá cambiando en los próximos años. Para quien quiera profundizar más allá de esta introducción, existen tanto libros de divulgación como revisiones bibliográficas específicas sobre las aplicaciones de la inteligencia artificial en cardiología.
Este artículo tiene un enfoque divulgativo dirigido a profesionales y personas interesadas en la cardiología intervencionista; no sustituye la formación reglada ni los protocolos específicos de cada centro. Contenido elaborado a partir de los temas tratados en el capítulo 64, «Inteligencia artificial en la sala de hemodinámica. Machine Learning», del Manual de Hemodinámica e Intervencionismo Cardíaco (Unidad de Hemodinámica, Servicio de Cardiología, Hospital Universitario Fundación Jiménez Díaz, Madrid), utilizado aquí como obra de referencia.