Source: The Conversation – (in Spanish) – By Alba Garrido López, Investigadora predoctoral en Tecnologías y Sistemas de Comunicaciones, Universidad Politécnica de Madrid (UPM)
En las facultades de medicina se enseña un mantra de prudencia: “Si oyes galopar, piensa en caballos, no en cebras”. Es una invitación a buscar lo común antes que lo exótico. Si un paciente llega con fiebre y tos, la lógica dicta pensar en una gripe y no en una patología tropical de un valle perdido. Sin embargo, el problema es que las cebras existen.
Aunque cada una de estas patologías afecta a menos de 5 por cada 10 000 habitantes, su impacto global es masivo. Se estima que existen más de 7 000 enfermedades raras –con 6 147 identificadas en el registro Orphanet– que afectan a más de 300 millones de personas en el mundo. Esta paradoja es el corazón del problema: los pacientes son muchos, pero están tan dispersos que el conocimiento sobre ellos permanece fragmentado. Las enfermedades poco frecuentes cargan con una “triple conDena” que bloquea el progreso médico:
-
Diagnóstico: el 57 % de los pacientes sufre una demora diagnóstica superior al año. En España, la media ronda los seis años de incertidumbre, un tiempo en el que el impacto psicosocial sobre el paciente y su familia se agrava profundamente ante la falta de respuestas.
-
Dinero: los llamados “medicamentos huérfanos” rara vez son rentables para el mercado farmacéutico tradicional. Al haber pocos pacientes, la inversión es difícil de recuperar, dejando a miles de patologías sin investigación activa.
-
Datos: el conocimiento médico está encerrado en silos. Un hospital en Madrid ha visto dos casos; otro en Tokio, tres. Cada centro posee una pieza vital del puzle, pero ninguna es suficiente por sí sola para entrenar a una inteligencia artificial.
Hasta ahora, la solución lógica era “juntar los datos”. Pero un historial clínico es la información más íntima que poseemos. Por razones éticas y legales, los datos no pueden (ni deben) circular libremente. El resultado es que el conocimiento se queda aislado.
Aprendizaje federado: los datos no viajan, viaja el algoritmo
La respuesta pasa por invertir la lógica tradicional: en lugar de llevar los datos al algoritmo, llevamos el algoritmo a los datos. Esta técnica, denominada “aprendizaje federado”, permite que un modelo de IA “viaje” a cada hospital, aprenda localmente de sus historiales y regrese a una sede central llevando consigo únicamente parámetros matemáticos. Son patrones, no nombres; tendencias, no fechas.
Es como si cien investigadores estudiaran en bibliotecas distintas de todo el mundo: ninguno saca un solo libro, pero todos comparten sus notas finales
para escribir un manual común. Esta arquitectura ya no es teórica. Modelos federados han demostrado alcanzar hasta el 99 % de la eficacia de aquellos entrenados con datos centralizados.
En España, la lucha contra el aislamiento de estos datos tiene un rostro real: Julián Isla. Ingeniero y padre de un niño con una enfermedad rara, Isla vivió la “odisea del diagnóstico” y entendió que la informática debía ser el aliado perfecto, ya que el diagnóstico de estas patologías requiere analizar cantidades masivas de síntomas que superan la capacidad humana.
De esa urgencia nació la Fundación 29 y herramientas como DxGPT, que ya utilizan más de 6 000 médicos en Madrid para navegar por la complejidad de lo desconocido. Como afirma Isla al reflexionar sobre este avance: “Hemos transformado un problema personal en algo que puede ayudar a los demás”. Si iniciativas como la suya abrieron el camino al demostrar el potencial de la IA en la nube, el aprendizaje federado propone ahora la infraestructura definitiva para el sistema sanitario; la evolución necesaria para que la IA se convierta, siempre con respeto a la privacidad, en ese copiloto que guía al médico cuando los síntomas no encajan en ningún manual conocido.
Contra la ceguera algorítmica
Aquí reside la verdadera justicia social de esta tecnología. La IA no sabe medicina de forma innata; aprende exclusivamente de los datos que le enseñamos. Si un algoritmo se entrena únicamente con historiales de grandes centros urbanos, desarrollará una ceguera algorítmica ante el paciente rural o aquel con una mutación poco frecuente.
El aprendizaje federado actúa como un democratizador de la inteligencia médica: permite que un hospital comarcal aporte sus escasos casos a un modelo global sin ceder la soberanía sobre sus datos y, a cambio, recibe una herramienta enriquecida con la experiencia de instituciones de élite de todo el mundo. Así, la excelencia clínica deja de ser un privilegio geográfico.
Que el médico no esté solo
La meta final es que, cuando un médico se enfrente a una “cebra” clínica, no tenga que recurrir a una búsqueda desesperada en navegadores genéricos.
Imaginemos el escenario: un pediatra detecta un síntoma inusual, introduce su caso en un modelo federado y el sistema lanza un aviso: “He detectado patrones clínicos similares en la red global. Considera analizar este marcador genético”. No es ciencia ficción: herramientas como DxGPT ya permiten a más de 6 000 médicos en Madrid navegar por la complejidad de lo desconocido.
La IA no llega para sustituir al médico, sino para dotarlo de una memoria global compartida. Porque si bien la privacidad es un derecho, el acceso al conocimiento es una cuestión de supervivencia. Los datos se quedan en casa para proteger al paciente; el conocimiento viaja por el mundo para salvarlo.
Alba Garrido López recibe fondos para su investigación a través de proyectos gestionados por la Universidad Politécnica de Madrid. No es asalariada, ni consultora, ni posee acciones, ni recibe financiación de ninguna compañía u organización que pueda obtener beneficio de este artículo, y ha declarado carecer de otros vínculos relevantes más allá de su cargo académico.
– ref. Algoritmos nómadas: el fin del aislamiento de las enfermedades raras – https://theconversation.com/algoritmos-nomadas-el-fin-del-aislamiento-de-las-enfermedades-raras-285713