martes, 16 de mayo de 2017

Watson...y Sherlock



Watson no es sólo el entrañable colaborador de Sherlock Holmes. Es el nombre de un poderoso sistema de inteligencia artificial  desarrollado por IBM que ,según algunos, revolucionará próximamente el mundo de la medicina convirtiendo en superfluos los esfuerzos médicos para llegar a un diagnóstico: puede incorporar bancos de datos con todo tipo de información sobre síntomas, enfermedades o tratamientos, que jamás persona alguna será capaz de memorizar y asimilar; también puede incorporar la información disponible sobre cada paciente, sus parámetros analíticos, tal vez su genoma, incluso la de sus familiares. Como escribe Yuval Noah Harari “con ese Watson por ahí, no habrá necesidad de ningún Sherlock”. En un estudio publicado en Wired, un algoritmo fue capaz de diagnosticar el 90% de los casos de cáncer de pulmón, mientras que clínicos expertos apenas llegaban al 50%. Cuando pueda estar disponible, y por caro que sea, podrá atender 24 horas al día, 365 años, a todo tipo de pacientes (si pagan lo suficiente claro), sin fatiga, turnos ni reivindicación de salario. Parece ser que I si le introducimos algunos datos biométricos incluso sea capaz de adaptar sus mensajes a nuestras necesidades.
Siddhartha Mukherjee, el autor de El emperador de todos los males, y de quien ya hablamos aquí, publicó sus reflexiones sobre el duelo entre médicos y máquinas hace unas semanas en The New Yorker. Describe con detenimiento la complejidad de la identificación de una enfermedad, la dificultad del diagnóstico en el trabajo diario de neurólogos, radiólogos o dermatólogos expertos. Basándose en los trabajos del filósofo británico Gibert Ryle diferencia dos tipos diferentes de conocimiento: el “saber qué” y el “saber cómo”. Es posible explicar y describir detalladamente el proceso de conducir una bicicleta ( el qué), pero para montar realmente en ella, deberemos aprender de otra manera, balanceando el cuerpo entre los dos pedales, cayéndonos y volviendo a empezar. Los dos conocimientos son interdependientes: el primero nos permite avanzar en el segundo y viceversa. Pero ningún libro de normas, ninguna receta nos enseñará realmente a montar en bicicleta o preparar un marmitako. Solo practicando llegaremos a ser expertos.
Tradicionalmente los sistemas de inteligencia artificial se han basado en reglas y algoritmos que enseñan a “saber qué”. Sin embargo, los más recientes estudios realizados en Stanford están avanzando en la replicación de los mecanismos que empleamos en “aprender el cómo” a través de la creación de algo similar a redes neurales similares a las que usa el cerebro. Se trataría de “enseñar” a la máquina a pensar como el humano, a reconocer los patrones como éste los reconoce a partir de su experiencia.
Estos sistemas reciben el nombre de sistemas de inteligencia artificial de aprendizaje profundo ( Deep Learning).Pretenden conocer lo que se esconde en la “caja negra” de nuestros cerebros, qué sistemas de aprendizaje utilizamos y cómo funcionan. Pero sin embargo, existe un tercer tipo de aprendizaje, aún más importante y útil que el “saber qué” y el “saber cómo”. No son los hechos ni el patrón que conforman. Consiste en el “saber por qué”, según Murkherjee. Los sistemas de inteligencia artificial no tienen esa capacidad explicatoria de lo que ocurre: sabrán identificar un cáncer de mama entre millones de muestras pero no por qué sucede.Y probablemente tampoco a discriminar cuando ese tumor pondrá en peligro la vida y cuando no.
Para Murkherjee el clínico y el investigador se asemejan al jugador de baseball y al físico que calcula trayectorias: el primero sabrá con gran precisión donde caerá la pelota tras haber realizado cientos de miles de lanzamientos; el segundo quizá pueda calcular el lugar exacto conociendo velocidad, fuerza y efecto. Ambos se complementan: necesitamos clínicos expertos en identificar enfermedades e investigadores capaces de descubrir por qué éstas ocurren.; el camino debería comenzar en el primero, a partir de cuya información trabajará el segundo. Si progresivamente el trabajo del clínico experto se va sustituyendo por máquinas  (opacos artificios de aprendizaje sin capacidad de explicación de lo que hacen),  el “saber qué”, “el saber cómo” y “el saber por qué” se irán desvaneciendo en la niebla de la maquinación. Quizá seamos mejores haciendo lo que hasta ahora hemos venido detectando, pero también menos capaces de reflexionar sobre lo que deberíamos estar haciendo.
El término Diagnóstico etimológicamente señala la capacidad de discernir, de diferenciar algo del resto. Watson, quizá sea capaz de hacerlo mejor que el humano, pero éste siempre debería ser capaz de hacer algo demasiado complicado para Watson: integrar y convertir los tres tipos de conocimiento en uno solo.  Es decir, hacer aquello que tan bien hacía Sherlock en las novelas de Conan Doyle.

Si aún tenemos algún futuro éste vendrá de la mano de integrar la información en conocimiento, algo muy difícil, en las antípodas de los modernos modelos de medicina basados en estandarizaciones, protocolos, y estratificaciones. Si solo nos interesa eso hay que reconocer que es mucho mejor confiar en Watson

3 comentarios:

  1. Excelente. Una pena que a los gestores de carteras, algoritmos, protocolos y estratificaciones SOLO les interese Watson, hasta el punto de cambiarte las medicaciones de tu universo de pacientes de una sola tacada o de llevarte a juicio (como única alternativa) porque decides pautar un producto

    ResponderEliminar
  2. Si ..., pero yo , Nunca cambiaría a ningun "ser" con inteligencia artificial , por un abrazo , ni una mirada cómplice ante un diagnóstico incierto ....
    Un abrazo ..

    ResponderEliminar
  3. Muchas gracias a los dos y perdonad el retraso en subir los comentarios ( algo extraño está pasando en blogger últimamente que también le pasa a Vicente Baos).
    Si, yo también sigo prefiriendo a los Sherlock pero,... cada vez se les aprecia y ayuda menos, y se presiona más para que entren a decidir los Watson
    De nosotros depende
    Abrazos

    ResponderEliminar