Los límites de la mente humana y el futuro de la medicina | 17 OCT 17
Perdidos en el pensamiento
Hoy en día, pensar parece muy diferente: lo hacemos solo bañados por la luz azul de las pantallas del ordenador
Autor: Ziad Obermeyer, M.D., and Thomas H. Lee, M.D. Fuente: N Engl J Med 2017; 377:1209-1211September 28, 2017DOI: 10.1056/NEJMp1705348 Lost in Thought — The Limits of the Human Mind and the Future of Medicine
En los buenos tiempos, los médicos pensaban en grupos; "en rondas", ya sea en las salas o en la sala de lectura de radiología, era una oportunidad para que los colegas trabajaran juntos en problemas demasiado difíciles de resolver por una sola mente.
Hoy en día, pensar parece muy diferente: lo hacemos solo, bañados por la luz azul de las pantallas del ordenador.
Nuestra reacción precipitada es culpar a la computadora, pero las raíces de este cambio funcionan mucho en un nivel más profundo. El pensamiento médico se ha vuelto mucho más complejo, reflejando los cambios en nuestros pacientes, nuestro sistema de atención médica y la ciencia médica. La complejidad de la medicina ahora excede la capacidad de la mente humana.
Es irónico que justo cuando los médicos sienten que no hay tiempo en sus rutinas diarias para pensar, la necesidad de un pensamiento profundo es más urgente que nunca. El conocimiento médico se está expandiendo rápidamente, con una amplia gama de terapias y diagnósticos alimentados por los avances en inmunología, genética y biología de sistemas. Los pacientes son mayores, con más enfermedades coexistentes y más medicamentos. Ellos ven a más especialistas y se someten a más pruebas de diagnóstico, lo que conduce a la acumulación exponencial de los datos de registro de salud electrónica (EHR). Cada paciente es ahora un desafío de "grandes datos", con grandes cantidades de información sobre trayectorias pasadas y estados actuales.
Toda esta información pone en tensión nuestra capacidad colectiva de pensar. La toma de decisiones médicas se ha vuelto enloquecedoramente compleja. Los pacientes y los médicos quieren respuestas sencillas, pero sabemos poco acerca de a quién remitir para una prueba de BRCA o a quién tratar con los inhibidores de PCSK9. Los procesos comunes que antes eran sencillos - descartar la embolia pulmonar o gestionar una nueva fibrilación auricular - ahora requieren de numerosas decisiones.
Por lo tanto, no es sorprendente que tomemos muchas de estas decisiones mal. Los pacientes que buscan atención de emergencia son a menudo ingresados en el hospital innecesariamente, pero muchos también mueren repentinamente poco después de ser enviados a casa.2 En general, ofrecemos mucho menos beneficio a nuestros pacientes de lo que esperamos. Estos fracasos contribuyen a la profunda insatisfacción y agotamiento entre los médicos y amenazan la sostenibilidad financiera del sistema de salud.
Si una de las causas principales de nuestros retos es la complejidad, es poco probable que las soluciones sean simples. Pedir a los médicos que trabajen más duro o que sean más inteligentes no ayudará. Las llamadas para reducir la atención "innecesaria" caen de plano: todos sabemos lo difícil que es llegar a identificar qué atención es necesaria y cuál no lo es. Cambiar los incentivos es una palanca atractiva para los formuladores de políticas, pero eso por sí solo no hará las decisiones más fáciles: podemos recompensar a los médicos por ofrecer menos atención, pero el resultado final puede ser simplemente ofrecer menos cuidado, no una mejor atención.
El primer paso hacia una solución es reconocer el profundo desajuste entre las capacidades de la mente humana y la complejidad de la medicina. Hace mucho tiempo, nos dimos cuenta de que nuestro sensorio innato era inadecuado para escudriñar el funcionamiento interno del cuerpo, por lo tanto, desarrollamos microscopios, estetoscopios, electrocardiogramas y radiografías. ¿Nuestro conocimiento innato resolverá por sí solo los misterios de la salud y la enfermedad en un nuevo siglo? El estado de nuestro sistema de salud ofrece pocas razones para el optimismo.
Pero hay esperanza. Los mismos ordenadores que hoy nos atormentan con casillas de verificación y formularios sin fin mañana serán capaces de procesar y sintetizar los datos médicos de una forma que nunca podríamos hacer nosotros mismos. Ya hay indicios de que la ciencia de datos puede ayudarnos con los problemas críticos.
Considere el desafío de leer electrocardiogramas. Los médicos buscan un puñado de características para diagnosticar la isquemia o los trastornos del ritmo – pero, ¿podemos realmente "leer" las formas de las ondas en un seguimiento de 10 segundos, y mucho menos la grabación de varios días de un monitor Holter? Los algoritmos, por el contrario, pueden analizar sistemáticamente cada latido del corazón. Hay signos tempranos de que tales análisis pueden identificar sutiles variaciones microscópicas relacionadas con la muerte cardíaca súbita.3 Si se validan, tales algoritmos podrían ayudarnos a identificar y a tratar a decenas de miles de personas que de lo contrario podrían caer muertos inesperadamente en un año determinado. Y podrían guiar la investigación básica sobre los mecanismos de los predictores recién descubiertos.
También se han desplegado algoritmos para analizar cantidades masivas de datos cuyos resultados sugieren que la diabetes tipo 2 tiene tres subtipos, cada uno con su propia firma biológica y trayectoria de la enfermedad4. Saber qué tipo de pacientes estamos tratando puede ayudarnos a administrar tratamientos para aquellos que más se benefician y pueden ayudarnos a entender por qué algunos pacientes tienen complicaciones y otros no.
No hay duda de que los algoritmos transformarán el pensamiento de la medicina. La única pregunta es si esta transformación será impulsada por fuerzas de dentro o de fuera del campo de la medicina. Si la medicina desea permanecer en control de su propio futuro, los médicos no solo tendrán que adoptar algoritmos, sino que también tendrá que sobresalir en el desarrollo y la evaluación de ellos, trayendo métodos de aprendizaje de las máquinas al ámbito médico.
El aprendizaje automático ya ha estimulado la innovación en campos que van desde la astrofísica hasta la ecología. En estas disciplinas, se busca el asesoramiento experto de los informáticos cuando se necesitan algoritmos de vanguardia para problemas espinosos, pero expertos en el campo - astrofísicos o ecologistas - establecen el programa de investigación y dirigen el día a día de la aplicación del aprendizaje automático a los datos pertinentes.
Pero ignorar el pensamiento clínico es peligroso. Imagine un algoritmo altamente preciso que utilice los datos para predecir qué pacientes del departamento de urgencias tienen un alto riesgo de sufrir un accidente cerebrovascular. Aprendería a diagnosticar el accidente cerebrovascular por evaluación a través de grandes conjuntos de datos recogidos rutinariamente. De forma crítica, todos estos datos son producto de decisiones humanas: la decisión de un paciente de buscar atención, la decisión de un médico de ordenar una prueba, la decisión de un médico diagnosticador de llamar a la condición un derrame cerebral. Por lo tanto, en lugar de predecir el fenómeno biológico de la isquemia cerebral, el algoritmo predeciría la cadena de decisiones humanas que conduce a la codificación del accidente cerebrovascular.
Los algoritmos que aprenden de las decisiones humanas también aprenderán los errores humanos, como la sobreexposición y el exceso de diagnóstico, el hecho de no considerar a las personas que carecen de acceso a la atención, someter a pruebas a quienes no pueden pagarlas y reflejar los sesgos de raza o género. Hacer caso omiso de estos hechos, resultará en la automatización e incluso en la ampliación de los problemas en nuestro actual sistema de salud.5 Observar y deshacer estos problemas requiere de una profunda familiaridad con las decisiones clínicas y con los datos que producen. Una realidad que destaca la importancia de que los médicos vean a los algoritmos como compañeros de pensamiento más que como sustitutos de los médicos.
En última instancia, el aprendizaje mecánico en medicina será un juego de equipo, como la propia medicina. Pero el equipo necesitará algunos nuevos jugadores: médicos capacitados en estadística e informática que pueden contribuir de manera significativa al desarrollo y evaluación de los algoritmos. El sistema de educación médica actual está mal preparado para satisfacer estas necesidades. Los requisitos pre-médicos de pregrado son absurdamente anticuados. La educación médica hace poco para capacitar a los médicos en la ciencia de los datos, la estadística o la ciencia del comportamiento necesarias para desarrollar, evaluar y aplicar algoritmos en la práctica clínica.
La integración de la ciencia de datos y la medicina no está tan lejos como puede parecer: la biología celular y la genética, alguna vez también “extranjeros” a la medicina, están ahora en el centro de la investigación y la educación médica ha hecho a todos los médicos informados consumidores de estos campos . Se necesitan urgentemente esfuerzos similares en ciencia de datos. Si sentamos las bases hoy, los clínicos del siglo XXI pueden tener las herramientas que necesitan para procesar datos, tomar decisiones y dominar la complejidad de los pacientes del siglo XXI.
Hoy en día, pensar parece muy diferente: lo hacemos solo, bañados por la luz azul de las pantallas del ordenador.
Nuestra reacción precipitada es culpar a la computadora, pero las raíces de este cambio funcionan mucho en un nivel más profundo. El pensamiento médico se ha vuelto mucho más complejo, reflejando los cambios en nuestros pacientes, nuestro sistema de atención médica y la ciencia médica. La complejidad de la medicina ahora excede la capacidad de la mente humana.
Es irónico que justo cuando los médicos sienten que no hay tiempo en sus rutinas diarias para pensar, la necesidad de un pensamiento profundo es más urgente que nuncaLas computadoras, lejos de ser el problema, son la solución. Pero su uso para manejar la complejidad de la medicina del siglo XXI requerirá cambios fundamentales en la forma en que pensamos y en la estructura de la educación médica y la investigación.
Es irónico que justo cuando los médicos sienten que no hay tiempo en sus rutinas diarias para pensar, la necesidad de un pensamiento profundo es más urgente que nunca. El conocimiento médico se está expandiendo rápidamente, con una amplia gama de terapias y diagnósticos alimentados por los avances en inmunología, genética y biología de sistemas. Los pacientes son mayores, con más enfermedades coexistentes y más medicamentos. Ellos ven a más especialistas y se someten a más pruebas de diagnóstico, lo que conduce a la acumulación exponencial de los datos de registro de salud electrónica (EHR). Cada paciente es ahora un desafío de "grandes datos", con grandes cantidades de información sobre trayectorias pasadas y estados actuales.
Toda esta información pone en tensión nuestra capacidad colectiva de pensar. La toma de decisiones médicas se ha vuelto enloquecedoramente compleja. Los pacientes y los médicos quieren respuestas sencillas, pero sabemos poco acerca de a quién remitir para una prueba de BRCA o a quién tratar con los inhibidores de PCSK9. Los procesos comunes que antes eran sencillos - descartar la embolia pulmonar o gestionar una nueva fibrilación auricular - ahora requieren de numerosas decisiones.
Por lo tanto, no es sorprendente que tomemos muchas de estas decisiones mal. Los pacientes que buscan atención de emergencia son a menudo ingresados en el hospital innecesariamente, pero muchos también mueren repentinamente poco después de ser enviados a casa.2 En general, ofrecemos mucho menos beneficio a nuestros pacientes de lo que esperamos. Estos fracasos contribuyen a la profunda insatisfacción y agotamiento entre los médicos y amenazan la sostenibilidad financiera del sistema de salud.
Si una de las causas principales de nuestros retos es la complejidad, es poco probable que las soluciones sean simples. Pedir a los médicos que trabajen más duro o que sean más inteligentes no ayudará. Las llamadas para reducir la atención "innecesaria" caen de plano: todos sabemos lo difícil que es llegar a identificar qué atención es necesaria y cuál no lo es. Cambiar los incentivos es una palanca atractiva para los formuladores de políticas, pero eso por sí solo no hará las decisiones más fáciles: podemos recompensar a los médicos por ofrecer menos atención, pero el resultado final puede ser simplemente ofrecer menos cuidado, no una mejor atención.
El primer paso hacia una solución es reconocer el profundo desajuste entre las capacidades de la mente humana y la complejidad de la medicina. Hace mucho tiempo, nos dimos cuenta de que nuestro sensorio innato era inadecuado para escudriñar el funcionamiento interno del cuerpo, por lo tanto, desarrollamos microscopios, estetoscopios, electrocardiogramas y radiografías. ¿Nuestro conocimiento innato resolverá por sí solo los misterios de la salud y la enfermedad en un nuevo siglo? El estado de nuestro sistema de salud ofrece pocas razones para el optimismo.
Pero hay esperanza. Los mismos ordenadores que hoy nos atormentan con casillas de verificación y formularios sin fin mañana serán capaces de procesar y sintetizar los datos médicos de una forma que nunca podríamos hacer nosotros mismos. Ya hay indicios de que la ciencia de datos puede ayudarnos con los problemas críticos.
Considere el desafío de leer electrocardiogramas. Los médicos buscan un puñado de características para diagnosticar la isquemia o los trastornos del ritmo – pero, ¿podemos realmente "leer" las formas de las ondas en un seguimiento de 10 segundos, y mucho menos la grabación de varios días de un monitor Holter? Los algoritmos, por el contrario, pueden analizar sistemáticamente cada latido del corazón. Hay signos tempranos de que tales análisis pueden identificar sutiles variaciones microscópicas relacionadas con la muerte cardíaca súbita.3 Si se validan, tales algoritmos podrían ayudarnos a identificar y a tratar a decenas de miles de personas que de lo contrario podrían caer muertos inesperadamente en un año determinado. Y podrían guiar la investigación básica sobre los mecanismos de los predictores recién descubiertos.
También se han desplegado algoritmos para analizar cantidades masivas de datos cuyos resultados sugieren que la diabetes tipo 2 tiene tres subtipos, cada uno con su propia firma biológica y trayectoria de la enfermedad4. Saber qué tipo de pacientes estamos tratando puede ayudarnos a administrar tratamientos para aquellos que más se benefician y pueden ayudarnos a entender por qué algunos pacientes tienen complicaciones y otros no.
No hay duda de que los algoritmos transformarán el pensamiento de la medicina. La única pregunta es si esta transformación será impulsada por fuerzas de dentro o de fuera del campo de la medicina. Si la medicina desea permanecer en control de su propio futuro, los médicos no solo tendrán que adoptar algoritmos, sino que también tendrá que sobresalir en el desarrollo y la evaluación de ellos, trayendo métodos de aprendizaje de las máquinas al ámbito médico.
El aprendizaje automático ya ha estimulado la innovación en campos que van desde la astrofísica hasta la ecología. En estas disciplinas, se busca el asesoramiento experto de los informáticos cuando se necesitan algoritmos de vanguardia para problemas espinosos, pero expertos en el campo - astrofísicos o ecologistas - establecen el programa de investigación y dirigen el día a día de la aplicación del aprendizaje automático a los datos pertinentes.
Ignorar el pensamiento clínico es peligrosoEn medicina, por el contrario, los registros clínicos se consideran tesoros de datos para investigadores de disciplinas no clínicas. Los médicos no son necesarios para inscribir a los pacientes - por lo que son consultados sólo ocasionalmente, tal vez para sugerir un resultado interesante para predecir. Están lejos del centro intelectual del trabajo y rara vez se involucran de manera significativa en pensar cómo se desarrollan los algoritmos o qué pasaría si fueran aplicados clínicamente.
Pero ignorar el pensamiento clínico es peligroso. Imagine un algoritmo altamente preciso que utilice los datos para predecir qué pacientes del departamento de urgencias tienen un alto riesgo de sufrir un accidente cerebrovascular. Aprendería a diagnosticar el accidente cerebrovascular por evaluación a través de grandes conjuntos de datos recogidos rutinariamente. De forma crítica, todos estos datos son producto de decisiones humanas: la decisión de un paciente de buscar atención, la decisión de un médico de ordenar una prueba, la decisión de un médico diagnosticador de llamar a la condición un derrame cerebral. Por lo tanto, en lugar de predecir el fenómeno biológico de la isquemia cerebral, el algoritmo predeciría la cadena de decisiones humanas que conduce a la codificación del accidente cerebrovascular.
Los algoritmos que aprenden de las decisiones humanas también aprenderán los errores humanos, como la sobreexposición y el exceso de diagnóstico, el hecho de no considerar a las personas que carecen de acceso a la atención, someter a pruebas a quienes no pueden pagarlas y reflejar los sesgos de raza o género. Hacer caso omiso de estos hechos, resultará en la automatización e incluso en la ampliación de los problemas en nuestro actual sistema de salud.5 Observar y deshacer estos problemas requiere de una profunda familiaridad con las decisiones clínicas y con los datos que producen. Una realidad que destaca la importancia de que los médicos vean a los algoritmos como compañeros de pensamiento más que como sustitutos de los médicos.
En última instancia, el aprendizaje mecánico en medicina será un juego de equipo, como la propia medicina. Pero el equipo necesitará algunos nuevos jugadores: médicos capacitados en estadística e informática que pueden contribuir de manera significativa al desarrollo y evaluación de los algoritmos. El sistema de educación médica actual está mal preparado para satisfacer estas necesidades. Los requisitos pre-médicos de pregrado son absurdamente anticuados. La educación médica hace poco para capacitar a los médicos en la ciencia de los datos, la estadística o la ciencia del comportamiento necesarias para desarrollar, evaluar y aplicar algoritmos en la práctica clínica.
La integración de la ciencia de datos y la medicina no está tan lejos como puede parecer: la biología celular y la genética, alguna vez también “extranjeros” a la medicina, están ahora en el centro de la investigación y la educación médica ha hecho a todos los médicos informados consumidores de estos campos . Se necesitan urgentemente esfuerzos similares en ciencia de datos. Si sentamos las bases hoy, los clínicos del siglo XXI pueden tener las herramientas que necesitan para procesar datos, tomar decisiones y dominar la complejidad de los pacientes del siglo XXI.
No hay comentarios:
Publicar un comentario