Las máquinas llevan siglos sustituyendo a los humanos en todo tipo de trabajos. Algunas mujeres que aún están entre nosotros recuerdan cómo la llegada de las lavadoras les dejó tiempo libre para leer o escuchar la radio. No han faltado también las reacciones airadas contra las máquinas por llegar a robar empleos y el consiguiente sustento. Aquella tendencia, sin embargo, solía afectar más a las personas menos cualificadas, porque hasta ahora eran sus tareas las más fáciles de automatizar. La llegada de la inteligencia artificial, sin embargo, puede amenazar trabajos reservados tradicionalmente para la élite profesional.

Texto: Daniel Mediavilla | Periodista científico

A unque los primeros empleos que está destruyendo la robotización son los que implican tareas repetitivas y no requieren creatividad, es posible que, en un futuro no muy lejano, muchos de los afectados por este proceso no sean los habituales. Las probabilidades de que un trabajo se automatice no dependen tanto de que sea repetitivo, como de que sea predecible.Si lo es, es probable que en un futuro no muy lejano una máquina sea capaz de hacerlo mejor. 

Sistemas como Watson, de IBM, ya han logrado ganar a seres humanos en juegos donde es necesario ir más allá de la computación de cantidades ingentes de datos, como sucedía con las míticas partidas de ajedrez de Deep Blue contra el campeón ruso Gary Kasparov. La máquina también ha vencido en un juego como Jeopardy en el que es importante entender dobles sentidos o emplear razonamientos creativos. Este logro es un ejemplo de los efectos completamente nuevos que puede tener esta nueva fase de la automatización. Watson ya ha sido entrenado para realizar diagnósticos médicos a partir del análisis de imágenes médicas, infinidad de datos diagnósticos y la interpretación de la experiencia del pasado.Si ahora se piensa en una doctora y un enfermero, es muy posible que en las próximas décadas la primera tenga más posibilidades de verse sustituida por una máquina que el segundo. 

El progreso de las máquinas para realizar diagnósticos médicos es relativamente reciente, y algunas revisiones han mostrado que, pese a los avances, los humanos con formación médica aún son imprescindibles. Pero ha habido casos que anuncian un futuro lleno de posibilidades.En agosto de 2018, el Hospital Oftalmológico Moorfields del Reino Unido presentó un trabajo realizado en colaboración con Deep Mind, un laboratorio londinense dependiente de Google especializado en inteligencia artificial. Esta colaboración entre médicos y expertos en la enseñanza de máquinas mostró cómo había sido capaz de entrenar un sistema de inteligencia artificial para identificar más de 50 enfermedades de los ojos a partir de imágenes con un grado de acierto similar al de médicos especialistas.

Meses después, en mayo de 2019, la revista Nature Medicine publicó los resultados de otro equipo mixto en el que Google colaboró con una institución académica, en este caso la Universidad del Noroeste en Illinois (EE UU). Su objetivo era mejorar los sistemas de cribado que permiten descubrir el cáncer de pulmón en estadios de desarrollo temprano. Estas tecnologías, que emplean dosis bajas de radiación, producen falsos positivos y negativos que reducen su fiabilidad.

Investigadores e ingenieros, empleando imágenes de tumores que habían sido confirmados o descartados utilizando biopsias, entrenaron un sistema de inteligencia artificial que empleaba imágenes de tomografía presentes y pasadas de pacientes para predecir su riesgo de desarrollar cáncer de pulmón. Después de analizar 8.000 casos, y comparando sus resultados con los de seis radiólogos, la máquina les venció a la hora de evaluar el riesgo de cáncer cuando solo se contaba con una imagen actual de los pacientes. En esos casos, redujo en un 11% el número de falsos positivos y en un 5% el de falsos negativos. Cuando sí había imágenes previas, máquinas y humanos obtenían resultados similares.

Según explicó entonces Mozziyar Etemadi, investigador de la Universidad del Noroeste y coautor del trabajo, la ventaja de la máquina residía en que gracias a un sistema de aprendizaje automático veía los pulmones en tres dimensiones. Los humanos, sin embargo, tienen que juzgar si los tumores son peligrosos a partir de imágenes en dos dimensiones. Etemadi reconocía que, al menos de momento, este sistema no es fácil de llevar a la práctica clínica habitual, porque para sus análisis necesita una capacidad de computación descomunal, solo disponible para gigantes como Google. 

Por último, un análisis más reciente sobre esta competencia entre humanos y robots en el diagnóstico de enfermedades ofrecía resultados mixtos. En un trabajo publicado en septiembre de 2019 en Lancet Digital Health, Alastair Denniston y Xiaoxuan Liu, de los Hospitales Universitarios de Birmingham (Reino Unido), tomaron 20.000 estudios que desde 2012 habían comparado el grado de acierto diagnóstico de máquinas y humanos. De ellos, solo 14 artículos tenían datos de buena calidad y habían puesto a prueba los sistemas de aprendizaje de las máquinas evaluando su criterio con imágenes diferentes de las que se habían empleado para su enseñanza.

La conclusión era, en primer lugar, que gran parte de los estudios publicados en este campo no cumplen unos estándares de calidad suficiente. Entre los que sí los cumplían, las máquinas identificaron las enfermedades en un 87% de los casos, frente al 86% de los humanos. Cuando no había dolencia que detectar, las máquinas acertaron que el paciente estaba sano en un 93% de los casos frente al 91% de los médicos. Aunque hay una ventaja para la inteligencia artificial, es muy leve.

Recientemente, la revista Journal of the National Cancer Institute ha publicado otro trabajo en el que una máquina igualaba a los humanos en la evaluación de tumores. Un equipo de los Institutos Nacionales de Salud de EE. UU. desarrolló un algoritmo para analizar imágenes del cuello del útero de mujeres en busca de lesiones precancerosas que podrían necesitar atención médica. Este tipo de tecnología podría servir para que las personas en lugares con pocos recursos pudiesen acceder a un sistema diagnóstico muy barato, porque se podría aplicar solo con un teléfono móvil. Esta capacidad para mejorar el acceso es uno de los puntos que los expertos consideran interesante de los métodos diagnósticos automatizados.

Joan Seoane, director de Medicina Traslacional del Instituto de Oncología del Vall d’Hebron en Barcelona, señala que el “análisis en detalle de los tumores ha producido una cantidad de datos espectacular. Queremos entender qué es relevante de esos datos e intentar asociarlos con experiencias previas, con el resultado de muchos ensayos clínicos —continúa—. En esa línea, aunque yo creo que todavía estamos un poquito lejos, está lo que puede aportar la inteligencia artificial”. En general, profesionales como Seoane consideran que, cada vez más, el análisis de pacientes y de la información que se obtiene de los ensayos clínicos requiere de equipos multidisciplinares en los que se incluyan matemáticos o bioinformáticos, pero creen que la visión humana sigue siendo imprescindible. 

A diferencia de lo que sucede con los programas informáticos tradicionales, en los que la máquina sigue unas reglas estrictas escritas por humanos, los algoritmos de inteligencia artificial pueden tomar grandes cantidades de datos y aprender de ellos. En muchas ocasiones son capaces de descubrir pautas dentro de esos datos que a un humano se le habrían escapado. Sin embargo, como explica Seoane, si están solas, las máquinas pueden cometer errores estúpidos.

Richard Caruana, un ingeniero de Microsoft Research, ofreció el año pasado en la revista Engineering and Technology un ejemplo clásico de este tipo de errores. En los 90, Caruana trabajó con unos sistemas incipientes de aprendizaje automático para predecir si la neumonía de un paciente era de alto o de bajo riesgo. Entonces, el modelo informático no fue capaz de interpretar que personas con asma, debido a sus dificultades respiratorias, debían considerarse más proclives a sufrir una neumonía grave. Un médico nunca habría cometido este error de principiante. Y algo parecido sucede con casos infrecuentes o que no coinciden con la información que ha servido a los sistemas de inteligencia artificial para aprender qué está bien y qué está mal.

Los sistemas de diagnóstico han mejorado mucho desde los tiempos que rememora Caruana, pero aún se encuentran lejos de la perfección. Por un lado, reflejan los prejuicios de los datos que se utilizan para entrenarlos y, en esos casos, pueden perpetuar defectos habituales en la profesión médica. Además, como se observó con Tay, el robot de conversación creado para Twitter por Microsoft, a la inteligencia artificial se la puede manipular para que acabe considerando bueno lo malo. En este caso, Tay acabó haciendo declaraciones sexistas y racistas pocas horas después de ponerse a interactuar con otros usuarios que le sirvieron como campo de aprendizaje y le contaminaron con sus malos hábitos.

Uno de los aspectos que se tendrán que mejorar para acercar la inteligencia artificial a la medicina diaria es el tipo de entrenamiento al que se debe someter a las máquinas. En un estudio publicado en Computer Methods in Applied Mechanics and Engineering, un equipo de la Universidad del Sur de California (EE. UU.) analizó las diferencias en el nivel de acierto que podía proporcionar un algoritmo dependiendo del tipo de imágenes con las que hubiese aprendido. El algoritmo del equipo estadounidense, liderado por Assad Oberai, fue entrenado con 12.000 imágenes sintéticas debido a que las imágenes de pacientes reales son escasas. Cuando se le volvían a mostrar imágenes sintéticas, el porcentaje de acierto era del 100%, pero descendía cuando se trataba de diagnosticar con imágenes reales. Se le enseñaron al algoritmo diez escáneres, la mitad de lesiones malignas y la otra mitad benignas. En este caso, el grado de acierto llegó al 80%, un resultado moderadamente bueno, pero muy mejorable. Oberai y su equipo creen que con acceso a más imágenes de pacientes reales podrán mejorar la precisión de su algoritmo.

Mientras se consiguen esas mejoras, algunos defensores de la inteligencia artificial plantean que, aunque por ahora no sea capaz de mejorar los resultados en el diagnóstico logrados por los mejores profesionales en cada especialidad, servirán para mejorar los tratamientos de personas que no tienen acceso a la mejor sanidad y reducir en parte los costes sanitarios. En un artículo publicado en Quarz, se estimó que en algunos hospitales de grandes ciudades chinas se pueden diagnosticar hasta 10.000 pacientes diarios, algo casi inasumible para los médicos humanos que deben soportar esa carga de trabajo. Para ellos, aunque fuese imperfecta, este tipo de tecnología podría suponer un apoyo crítico para mejorar los tratamientos y reducir los errores.

Sin embargo, también existen voces que llaman a la cautela a la hora de llevar la inteligencia artificial a la práctica clínica habitual. Junto a los sesgos y limitaciones que por su propio entrenamiento puedan tener las máquinas, se deberá tener cuidado con lo que este tipo de tecnologías significan para la privacidad de las personas. Además, como sucede con otro tipo de avances técnicos, tiene el potencial para mejorar la vida de la mayor parte de la gente, pero también de incrementar las brechas que existen entre quienes tienen recursos y conocimiento para aprovechar sus posibilidades y los que no.

El potencial de las máquinas como sustitutos o apoyo de los profesionales de la medicina y la investigación se puede medir también por el interés que ya está despertando en las grandes empresas del sector. La farmacéutica Bayer ya colabora con compañías tecnológicas para desarrollar programas con los que facilitar el diagnóstico de enfermedades raras o especialmente complejas y ayudar también en la creación de fármacos con los que tratarlas. En un discurso común en este tipo de empresas, los responsables de la compañía afirman que no tratan de sustituir a los profesionales humanos o de dejar completamente en manos de máquinas las decisiones médicas. Más bien, se trataría de que fuesen un apoyo y ofreciesen opciones para facilitar el acierto humano. Según informaba Forbes recientemente, existen ya 148 pequeñas compañías empleando la inteligencia artificial para el descubrimiento de nuevos fármacos. 

Una de estas startups es Atomwise, compañía que acaba de realizar un acuerdo por 1.500 millones de dólares con el grupo farmacéutico chino Jiangsu Hansoh para producir nuevos fármacos contra el cáncer. En ese consorcio, Atomwise proporcionaría su tecnología de inteligencia artificial y la farmacéutica su capacidad para fabricar medicamentos. El objetivo es realizar parte de los ensayos clínicos sin necesidad de pacientes. Para ello tratará de predecir cómo puede unirse una molécula a una proteína para detener el progreso del cáncer. Por el momento, no hay fármacos o tratamientos accesibles para el público general que se hayan creado con sistemas de inteligencia artificial, pero los expertos calculan que es algo que no tardará demasiado en llegar. 

La revolución robótica en la medicina es solo una parte de un terremoto que puede transformar nuestras vidas, probablemente para bien, pero que si no se dirige con sabiduría también puede tener efectos negativos profundos. Los logros de la inteligencia artificial a la hora de recopilar gran cantidad de datos y darles sentido van a acabar con la necesidad de muchos trabajos fuera del ámbito industrial.

La elaboración de informes, por ejemplo, pasará pronto a ser una labor que realicen mejor las máquinas. Ya hay ejemplos también de empresas, como Narrative Sciences, que han demostrado que un algoritmo puede recopilar la información de un evento deportivo o de una presentación de datos económicos y ordenarla en forma de relato, sin que el resultado sea fácilmente distinguible del de un periodista profesional. Una empresa española, Narrativa, en colaboración con la Universidad de Alcalá de Henares, también está desarrollando algo similar. Con un software llamado GabrieleAI, utiliza la inteligencia artificial para escribir, a partir de conjuntos de datos, textos breves y rápidos especialmente pensados para redes sociales y para posicionarse en los buscadores de internet.

En un caso que puede parecer más extremo, hace ya cinco años, una empresa de capital riesgo colocó en su consejo de dirección un algoritmo. El programa, llamado Vital, puede votar en las decisiones sobre invertir en una compañía o no. Las recomendaciones de Vital, que se centran en el sector farmacéutico, llegan a partir del análisis de grandes cantidades de información, desde datos financieros a ensayos clínicos de fármacos particulares, y conocimiento sobre la propiedad intelectual de la empresa en la que se estudia invertir. El criterio humano, tanto en el ámbito médico como en todos los demás, será fundamental para que el ascenso de las máquinas sea beneficioso para la mayoría.