Análisis y predicción en la medicina: Hemorragia subaracnoidea
¿Por qué solemos pedir una segunda opinión cuando nuestra salud está en juego?
La respuesta parece obvia, queremos estar seguros de recibir el mejor tratamiento de la mano de los mejores profesionales. Seguramente nos habrá pasado a todos, que tras pedir una segunda opinión a un médico, éste nos haya recomendado otro tratamiento.
Si se trata de un simple catarro, poco pueden variar los tratamiento que nos recomienden. Sin embargo, si hablamos de algo más serio, la gama de tratamientos disponibles se amplía. Recibir opiniones dispares de dos médicos no es raro y puede causar incertidumbre en el paciente, sobre todo teniendo en cuenta que el factor humano existe y que no se puede ser 100% objetivo.
¿O sí?
Con esta pregunta en mente entramos a formar parte de la segunda edición de AI Saturdays con la esperanza de darle respuesta mediante uso de la todopoderosa y aún misteriosa para nosotros Inteligencia Artificial (IA). Pero como bien sabemos, un gran poder conlleva una gran responsabilidad, por lo que primero tuvimos que desentrañar los misterios que rodean a la IA.
Viaje al centro de la Inteligencia Artificial
Cuando toda la información que has recibido sobre la IA proviene de noticias sensacionalistas, es difícil hacerse una idea sobre como funciona.
Para nosotros siempre había sido como el fuego para los primeros hombres: peligroso e indomable a la vez que inmensamente útil. ¿Cómo entonces conseguimos dominar el fuego?
Gracias a AI6.
AI Saturdays (AI6) es un grupo de estudio que busca democratizar el uso de la IA sin lucrarse. Enseñan de manera pragmática, ensuciándote las manos desde el primer día con los retos que lanzan al final de cada sesión. Y si con eso no has satisfecho tu sed de conocimiento, siempre puedes nadar entre toda la documentación y recursos digitales que te facilitan.
Pero el verdadero reto llega a mitad de curso, cuando las sesiones dejan de ser dirigidas y cada uno se embarca en un proyecto en el que poder aplicar todo lo aprendido hasta la fecha.
Nosotros tomamos rumbo a responder las preguntas con las que empezamos el curso, ¿podemos conseguir que una máquina tome las mejores decisiones de forma objetiva para cualquier paciente?
Sin saber aún si íbamos a ser capaces de alcanzar nuestros objetivos, decidimos enfocar nuestro proyecto al análisis y predicción del tratamiento de la hemorragia subaracnoidea. A no ser que seáis médicos, probablemente jamás hayáis oído hablar de ella.
Entonces, ¿qué es?
Hemorragia subaracnoidea
Como su propio nombre indica, se trata de una hemorragia caracterizada por ocurrir en el espacio subaracnoideo, el cuál se encuentra entre el cerebro y el cráneo.
Estas hemorragias están mayoritariamente causadas por los aneurismas: ensanchamientos anormales en las arterias, los cuales pueden llegar a explotar provocando una hemorragia.
Nuestra idea era crear un modelo que pueda predecir la evolución de un paciente de hemorragia subaracnoidea en base a diversos factores, entre ellos el tratamiento. De esta forma, podemos ver qué tratamiento resulta en una mejor evolución del paciente, todo ello poniendo en práctica todos los conocimientos de Machine Learning aprendidos gracias a AI6. Ahora os contamos como.
Análisis y predicción del tratamiento de la hemorragia subaracnoidea
El primer paso a tomar siempre en un proyecto de IA es analizar y limpiar los datos con los que vas a entrenar a tu modelo.
”Garbage in, garbage out”
Como viene a decir el lema, si entrenas un modelo con basura, obtendrás un modelo mediocre. Al analizar los datos observamos que había 5 pacientes que “revivían”, es decir: estaban muertos antes de llegar a recibir tratamiento y sin embargo figuraban vivos en la evaluación pos-tratamiento. Tras eliminar a estos sujetos de nuestros datos, nuestro modelo mejoró substancialmente.
Una vez limpiados los datos, los hemos usado para entrenar un AdaBoostClassifier el cual predice la evolución final de los pacientes, con una precisión del 82%. Es decir, podemos predecir de forma correcta, la evolución de un paciente con hemorragia subaracnoidea 82 veces de 100.
Fue en este punto en el que nos dimos cuenta que sería prácticamente imposible alcanzar un modelo que predijera la evolución de los pacientes el 100% de las veces, por lo que tenemos que admitir y afrontar que nuestro modelo se equivoca.
Sin embargo, puede ser útil para conseguir una segunda opinión, igual no de forma tan certera como la de un médico, pero sí de forma más fácil y accesible. Y es más, nuestro modelo podría ser usado por los propios médicos para reforzar su toma de decisiones.
Para evaluar realmente la capacidad de nuestro modelo para predecir correctamente, es importante ver dónde y cómo se equivoca. No es lo mismo predecir que un paciente tendrá una evolución negativa cuando en la realidad será positiva que hacer justo lo contrario: predecir una evolución positiva mientras que la real es negativa. Este último caso ha de ser examinado con cuidado, pues es el que más daño puede ocasionar.
Esta evaluación se realiza examinando la matriz de confusión. ¿Y qué es eso? Es una “tabla” en cuyas columnas se muestran las predicciones del modelo, y estas se comparan con los resultados reales, ubicados en las filas. El 0 corresponde con una evolución positiva, mientras que el 1 simboliza la negativa.
Como hemos mencionado anteriormente, el caso más peligroso es aquel en el que nuestro modelo predice un 0 (evolución positiva) cuando el valor real es 1 (evolución negativa).Esto ocurre el 15% de las veces que se predice una evolución positiva (0).
El peligro de este caso reside en que podría causar la falsa sensación al paciente de que se va a recuperar, cuando no tendría porque ser así. Es por esto que recomendamos acudir siempre a un profesional médico.
Pero no nos conformamos con tener solo este modelo. Queremos profundizar en los perfiles de los pacientes y ver si existen grupos, que con las mismas características o similares desembocan en la misma evolución.
Para llevar acabo esto, hemos realizado un PCA y un KernelPCA. Ambos muestran que hay seis perfiles o agrupaciones de pacientes. Esto nos puede ayudar a ubicar a nuevos pacientes en uno de esos seis grupos y en base a eso analizar y comprender mejor su estado. Así se ven las agrupaciones realizadas por el PCA y el KernelPCA:
PCA
KernelPCA
Conclusiones
Tras llevar acabo este proyecto, nos hemos dado cuenta de que las máquinas aún están lejos de reemplazar a los humanos, sobre todo en campos tan complejos como la medicina.
Aunque nuestro proyecto no va a reemplazar a los profesionales que tratan la hemorragia subaracnoidea, si es útil a la hora de orientar a estos a tomar sus decisiones. También resulta útil para facilitar la obtención de una segunda opinión médica.
