En estos días, en los que somos más conscientes de que la salud es un tema prioritario, las empresas tecnológicas y los que formamos parte de ellas tenemos el compromiso de orientarnos hacia aquellas soluciones que no solo generen una mayor competitividad y productividad, sino que, además, lo hagan en aras de un bien común.
Aplicar algoritmos o redes neuronales por el mero hecho de poder hacerlo, sin que vaya acompañado de una propuesta clara de valor y un entendimiento pleno entre los que poseen el conocimiento técnico y el funcional, convierte a la tecnología en un fin en sí mismo y no en una herramienta.
Vamos a centrarnos en cómo optimizar una de las tareas que más tiempo ocupa en las consultas: la transcripción médica
En el contexto de la salud hay un gran camino por recorrer. Se dice que, en un futuro, la inteligencia artificial (IA) sustituirá al profesional médico porque será capaz de realizar estas tareas con una precisión y rapidez análogas, y ,en algunos casos, superior. No creo que este sea un enfoque adecuado. La IA debe ocuparse de tareas repetitivas, tediosas y de escaso valor, para que el profesional sanitario pueda centrarse en lo que verdaderamente importa: el paciente.
Hablar de IA en el ámbito sanitario podría incluir conceptos como el diagnóstico a través de imágenes médicas, operaciones quirúrgicas con robots, telemedicina o el descubrimiento de nuevos tratamientos. No obstante, en este caso vamos a centrarnos en cómo optimizar una de las tareas que más tiempo ocupa en las consultas: la transcripción médica.
Escucha activa
No es preciso realizar un gran esfuerzo de abstracción para evocar alguna situación en la que nuestro médico de cabecera haya dedicado más tiempo a introducir en el sistema (con mayor o menor fortuna técnica) nuestro historial médico, que a establecer con nosotros un contacto visual y darnos de este modo la sensación de ser objeto de una escucha activa.
Sería estupendo contar con una herramienta que permitiera realizar una transcripción de nuestro relato como paciente, registrarlo en nuestra historia, reconocer las palabras clave que pudieran ayudar al profesional a establecer un diagnóstico y tratamiento, o incluso proponer uno con base en síntomas, historia clínica y posibles incompatibilidades con fármacos previamente prescritos o alergias que tenga el paciente. Y, todo ello, mientras nuestro médico se centra en lo realmente importante: en escucharnos.
Procesar el lenguaje
NLP (natural language processing) es la herramienta que podría ayudarnos a conseguir todo esto. Es un subcampo de la inteligencia artificial que se ocupa de las interacciones entre las computadoras y los lenguajes humanos (naturales). Se utiliza para aplicar algoritmos de aprendizaje automático a texto y voz. Entre sus principales aplicaciones, se encuentran el reconocimiento de voz, el resumen de documentos, traducción automática, detección de spam, reconocimiento de entidades (ENR), respuestas a preguntas (Q&A), autocompletar o escritura predictiva, entre otros.
El primer paso sería la propia transcripción del diálogo a texto
Vamos a ver cómo podrá ser el proceso. El primer paso sería la propia transcripción del diálogo a texto. Para ello, ya existen múltiples herramientas, si bien es importante elegir aquella que sea capaz de reconocer las especificidades de este ámbito (términos médicos, nombres de fármacos, enfermedades, tratamientos…).
Tras ello habrá que preprocesar el texto dividiéndolo en unidades semánticas (tokens en su nombre técnico), ya que, además de identificar las palabras, la máquina debe ‘entender’ cómo están relacionadas en un contexto determinado. Puesto que la complejidad aumentará según el número de tokens, es importante identificar qué unidades semánticas no aportarán valor (artículos, preposiciones…) para eliminarlas y reducir la complejidad.
Por otro lado, hay que tener en cuenta que los textos pueden contener diferentes formas de un verbo (doler, duele, dolió) y que podemos tener palabras relacionadas con significados similares (medicamento, medicina…). El objetivo de la lematización y el stemming, que es como se denomina a estas técnicas, es reducir estas inflexiones y derivaciones gramaticales a una base común: de nuevo, menor complejidad.
Estos procesos permiten tener los datos ya preparados para remitirlos al algoritmo/red neuronal de NLP. Dependiendo del caso de uso, habrá que optar por unos algoritmos u otros. En el ejemplo de la transcripción médica, se pueden emplear algoritmos de reconocimiento de entidades para identificar nombres de enfermedades, fármacos, lugares o personas; algoritmos de traducción; de análisis de sentimientos para categorizar el estado del paciente por las palabras que utiliza en su relato; y así hasta un largo etcétera.
Hacer que suceda
Volviendo a nuestro caso de uso, contar con una herramienta de este tipo abre un sinfín de posibilidades. La gran mayoría de los profesionales de la inteligencia artificial —al menos, de los que me rodeo— estamos deseando darle un sentido más allá del tecnológico o el económico (por supuesto importantes, pero carentes de sentido si no persiguen un fin más elevado). Son retos en los que debemos aprender de los profesionales que dominan una materia tan vital como es la salud. Debemos ir más allá de las pruebas de laboratorio que no conducen más que a métricas más o menos autocomplacientes.
¡Hablemos! Empecemos a montar un equipo de trabajo entre profesionales de la salud, expertos en IA y demás actores con influencia en este ámbito
Sigamos aplaudiendo a los profesionales sanitarios, pero démosles aquello que más necesitan: herramientas y recursos. En cuestiones de IA no basta “saber que se puede”, sino que “hay que hacer que suceda”. Revolucionemos la sanidad, hagamos que los recursos se destinen de manera eficiente, equitativa, ética y humana. Ahorremos costes, optimicemos recursos, generemos impacto, maximicemos beneficio. ¿Quién dijo que el negocio y el bien común debían ser antagónicos?
Es importante destacar que estas técnicas no solo son aplicables al sector sanitario, se podrían utilizar en cualquier ámbito profesional. Más de una vez, en algún curso o charla que he impartido, algún intrépido asistente ha expuesto una duda comenzado de la siguiente forma: «seguro que va a ser una tontería, pero ¿podríamos utilizar NLP para…?». Curiosamente, o no, han sido casos de uso muy interesantes y perfectamente viables relacionados con el mantenimiento preventivo, el scoring de clientes, previsiones de ventas…
Desde estas líneas os animo a preguntar, por muy loca que pueda parecer la idea. Si tienes algún tipo de margen de decisión en este tipo de materias, (ya sea desde el ámbito público o privado), ¡hablemos! Empecemos a montar un equipo de trabajo entre profesionales de la salud, expertos en IA y demás actores con influencia en este ámbito. Identifiquemos un problema (yo he propuesto algunas ideas), diseñemos la solución (la parte técnica la tenemos clara), midamos impacto, iteremos, mejorémosla, pero, sobre todo, pongámonos manos a la obra.