Estudio de aplicabilidad de técnicas de aprendizaje y razonamiento automáticas para el apoyo al diagnóstico clínico y tratamiento de enfermedades

Resumen

En la práctica médica clínica comúnmente se llevan a cabo dos procesos fundamentales: la interpretación de los síntomas y signos para realizar el diagnóstico, y la indicación del tratamiento. La utilización apropiada del conocimiento existente resulta vital para el éxito de estos procesos. Con toda la información disponible, el médico desarrolla y pone a prueba una serie de hipótesis, para llegar finalmente a un diagnóstico o conjunto de diagnósticos candidatos. A partir de éstos, y generalmente en base a protocolos o pautas estandarizadas o comúnmente aceptadas, el médico diseña e indica un tratamiento apropiado. En los últimos años, la cantidad de información disponible para el médico clínico que se encuentra en la situación referida ha aumentado significativamente, se podría decir que tiene una escala computacional. No ha sucedido lo mismo con la capacidad del especialista (escala humana) para comprender, sintetizar y aprovechar efectivamente toda esta información en el tiempo, siempre escaso, disponible durante el acto médico. Es decir que la cantidad de información disponible al momento del diagnóstico ha crecido a mucho mayor ritmo que la capacidad del experto humano para aprovecharla. Irónicamente, las modernas tecnologías de la información incrementan significativamente la cantidad de información accesible, probablemente complicando aún más la situación. Las Ciencias de la Computación y la Inteligencia Artificial han sido aplicadas desde los años 1960 para ayudar a usar más eficientemente el tiempo disponible para aprovechar esta información, en lo que se conoce como Sistemas de Apoyo a la Decisión Clínica (SADC). Una de las técnicas más recientes y que presenta interesantes características es la conocida como Razonamiento Basado en Casos (RBC), la cual se basa en un paradigma asociativo común entre los expertos humanos: a problemas similares corresponden soluciones similares. En la primera fase de esta investigación se introduce esta técnica en forma comparativa con otra más tradicional inferencia bayesiana y se establece la factibilidad y conveniencia de su aplicación para la tarea de diagnóstico. En la segunda fase se evalúa la aplicación de esta técnica a una actividad diferente y más compleja: la selección de un tratamiento apropiado en una instancia de consulta de VIH-SIDA, evaluando los resultados en contraste con las prescripciones médicas reales. Como casos de estudio de aplicación de las técnicas consideradas se han abordado dos enfermedades con impacto social importante en nuestros países, particularmente a nivel pediátrico: Meningitis Aguda Supurada (MAS) y el Virus de la Inmunodeficiencia Humana - Síndrome de Inmunodeficiencia Adquirida (VIH-SIDA). Se han desarrollado dos SADC: el Sistema Experto de Diagnóstico de Meningitis Aguda Supurada (SEDMAS-RBC), y el sistema Recomendador de Tratamientos para VIH-SIDA (RETRAVIS), ambos basados en RBC. Utilizando bases de datos representativas de la población en referencia a estas enfermedades, se han realizado las pruebas correspondientes de ambos sistemas, concluyendo que las tecnologías consideradas son aplicables y convenientes para la realización de SADC de esta naturaleza. En las pruebas realizadas, el SADC SEDMAS-RBC exhibió un comportamiento superior al sistema usado como referencia (SEDMAS, basado en motor de inferencia bayesiana), con una tasa de acierto superior al 97%. Debido a su construcción como RBC, la incorporación de nueva experiencia en la base de conocimientos aprendizaje resulta automática y transparente para el usuario. De la misma manera, el comportamiento del SADC RETRAVIS, contrastado con las prescripciones de tratamientos efectuadas por los expertos médicos para el conjunto de casos de prueba, superó el 88 % de aciertos, exhibiendo capacidades de aprendizaje homólogas.