Google está ensayando Med-PaLM 2, un chatbot especializado entrenado con datos de respuestas de los exámenes de cualificación para el ejercicio de la medicina, capaz de mantener conversaciones sobre cuestiones relacionadas con la atención médica.
La compañía comenzó a probar el sistema con pacientes de la Clínica Mayo en abril: el algoritmo puede generar respuestas a preguntas médicas y llevar a cabo de manera automatizada tareas como el resumen de documentos o la organización de grandes cantidades de datos de salud obtenidos de todo tipo de fuentes.
Este tipo de algoritmos constituyen la base de los futuros sistemas de medicina preventiva que caracterizarán la atención médica de los países desarrollados: pacientes que generan constantemente grandes cantidades de datos sobre sus parámetros de salud gracias a wearables y a dispositivos sencillos de uso cotidiano, que alimentan con ellos algoritmos capaces de generar el equivalente a un digital twin, una imagen de su estado de salud válida para valorar la conveniencia de someterse a exámenes médicos más intensivos.
En principio Med-PaLM 2 es un Large Language Model (LLM) específicamente adiestrado con datos de salud para responder a preguntas sobre este ámbito, que pueden ir desde la diagnóstica hasta la resolución de dudas. La elección de utilizar datos canónicos formulados en preguntas de exámenes para la habilitación médica es simplemente una cuestión de precaución: adiestrarlo con datos reales de historias clínicas plantea numerosos problemas de confidencialidad y privacidad. Sin embargo, hablamos de una cuestión regulatoria que puede ser fácilmente salvada una vez que se pongan en marcha sistemas de anonimización adecuados y que el regulador sea consciente de los enormes avances en la ciencia médica que pueden emerger de un tratamiento masivo de los datos de pacientes reales.
Estamos ante un momento importantísimo en la historia de la Medicina: el salto de una medicina paliativa que únicamente puede operar a partir de una sintomatología perceptible determinada, para pasar a una medicina genuinamente preventiva en la que los pacientes no tienen por qué ser conscientes de que tienen un problema: simplemente es necesario que el algoritmo detecte algún tipo de anomalía y lo valore como algo que merece un ulterior examen más detallado, para que sean citados por su médico, que antes de verlos podrá recibir información completa sobre la situación que ha desencadenado la alerta y solicitar las pruebas pertinentes.
Los wearables, en realidad, nunca debieron ser dispositivos destinados a ser interpretados por el usuario, que en general suele carecer de los conocimientos y la experiencia adecuados para ello. Tanto esos dispositivos como las pruebas diagnósticas de otro tipo pensadas para ser llevadas a cabo de manera cotidiana tiene, en realidad, la función de alimentar sistemas algorítmicos capaces de mantener una monitorización activa y un diagnóstico inicial en modo detección de anomalías. Los sistemas basados en algoritmos generativos pueden ser interesantes a la hora de ofrecer feedback o atención, pero la verdadera importancia, lo que se convertirá en el ser o no ser que permitirá reducir tanto el sufrimiento de los pacientes como el coste de la atención médica, corresponderá a otro tipo de algoritmos centrados en la predicción. Además, darán lugar a toda una nueva generación de investigación en la ciencia médica, con volúmenes de datos muy superiores.
Plantear este tipo de sistemas no es una cuestión de coste, sino un simple problema de ambición: los gestores de los sistemas de salud a nivel de país no son conscientes aún de sus enormes posibilidades, y de las consecuencias que podrían tener a la hora de posicionar un país en la vanguardia de la investigación médica. Quién sea capaz de plantearlo de manera suficientemente ambiciosa obtendrá muchísimos réditos a todos los niveles, y es difícil pensar que vayan a ser países como los Estados Unidos, en donde una simple prueba diagnóstica utilizada para corroborar los datos de un dispositivo puede convertirse en la ruina para cualquier presupuesto familiar. Cabe esperar más ambición en sistemas universales pero sujetos a numerosos problemas de sostenibilidad como los del Reino Unido, España, Alemania o, eventualmente, pequeños «laboratorios» sociales como Singapur.
El momento de cambiar la escala del cuidado y la investigación en la ciencia médica es ahora. Veremos quién es consciente de ello.
