El enfoque interdisciplinario del Instituto Sistemas Complejos de Ingeniería (ISCI) ha permitido abordar distintos problemas de salud pública con herramientas propias de la Ingeniería, la Inteligencia Artificial y la Ciencia de Datos, sentando las bases para la generación de políticas públicas, apoyando la práctica del personal de salud, e impactando en la vida cotidiana de los pacientes. En esta historia abordamos tres casos de impacto desarrollados por investigadores del Instituto:
- Desde el área del Gestión de Operaciones y Analytics, Susana Mondschein estudia la prevención del cáncer de mama enfocando su investigación en la reducción de las inequidades. A partir de sus resultados genera bases de información relevante para diseñar políticas públicas que impacten en la población más vulnerable a estas enfermedades.
- Marcelo Olivares, líder del grupo de Gestión de Operaciones y Analytics de ISCI, ha desarrollado un modelo de riesgo de falla del injerto renal para la población chilena, que permite priorizar los pacientes del Sistema de Trasplantes Nacional y disminuir los tiempos de espera por un órgano.
- Juan D. Velásquez pertenece a la línea de Data Science y utiliza el potencial de la Inteligencia Artificial para desarrollar una herramienta capaz de detectar casos probables de melanoma a través de fotografías tomadas con un celular y determinar qué pacientes derivar a biopsia.
Caso 1:
La importancia de los datos para luchar contra la inequidad en la epidemiología del cáncer
La académica Susana Mondschein inició su trabajo de investigación aplicado en cáncer motivada por mejorar la prevención de esta enfermedad y su detección precoz. Inicialmente, se concentró en estudiar la epidemiología del cáncer de mama en Chile, que cada año provoca el fallecimiento de alrededor de 1.600 personas, y es la primera causa de muerte en mujeres en edad reproductiva (Fuente: International Agency for Research on Cancer, Globocan 2020).
Pese a su incidencia, a la fecha no existe un registro nacional de cáncer, por lo que la investigadora y su equipo se propusieron generar los datos que les permitieran sacar conclusiones y trabajar en prevención.
El desafío fue construir la data del cáncer de mama en Chile entre los años 2007 y 2018, en base a una metodología inédita que permitía estimar la magnitud de las personas que padecieron la enfermedad.
Para obtener información accedieron a dos bases de datos anonimizadas
“Algo llamativo que encontramos es que el año 2007 se diagnosticaron 3.785 casos de cáncer de mama, lo que contrasta con los 5.435 casos diagnosticados en 2018. O sea, un incremento del 43,6% en este período. Al comparar la incidencia por sistema de previsión, encontramos que la tasa ajustada por edad fue de 60.6 x 100.000 mujeres en el caso de las beneficiarias de Isapre y de 38.8, para las beneficiarias de Fonasa. Esta diferencia nos sorprendió, porque las mujeres que se atienden por Fonasa tienen derecho al tratamiento completo de forma gratuita a través del programa GES (Garantías Explícitas en Salud), una política pública que se creó para igualar la cancha, y garantizar la equidad en el acceso rápido al mejor tratamiento disponible y con protección financiera una vez que se sospecha que el paciente tiene esta enfermedad, independientemente del seguro de salud. Sin embargo, algo estaba posando que seguía existiendo una desigualdad significativa”,
afirma Susana Mondschein.
Esta desigualdad también se reflejaba al comparar la sobrevivencia a 5 años de las pacientes que recibieron tratamiento: en el caso de las mujeres que pertenecían al sistema Isapre fue un 90,1%, mientras que entre las beneficiarias de Fonasa este porcentaje disminuyó a un 80,6%. Las cifras de letalidad de pacientes diagnosticadas cuya causa de muerte fue el cáncer de mama también son consistentes: en Isapre correspondió a un 15,7% versus un 27,5%, en Fonasa en el mismo periodo.
“Queremos entender desde la ciencia la razón de esta inequidad, basando nuestras conclusiones en los datos que hemos obtenido, para generar las políticas públicas necesarias y mejorar la situación. Hemos seguido investigando y constatamos que las mujeres beneficiarias de Isapre se realizan más mamografías preventivas que las mujeres afiliadas al sistema público, pese a que en ciertos tramos de edad la cobertura del examen está garantizada. Estos datos evidencian que hay que poner recursos en aumentar la prevención y la detección precoz en esos segmentos de la población. Otros factores que parecen incidir son las diferencias en los estilos de vida, la dieta y el uso de terapia de reemplazo hormonal. A partir de esta base, se pueden evaluar políticas públicas que aborden la obesidad o el sedentarismo, para que la gente llegue en mejores condiciones si tienen que enfrentar la enfermedad”,
concluye la investigadora.
Caso 2:
Modelos apoyan la priorización de pacientes de trasplante de riñón en el Sistema de Trasplantes Nacional
Anualmente se hacen en torno a 300 trasplantes de riñones en el país, pero hay una lista de espera de más de 2000 personas. ¿Hay formas de optimizar el proceso utilizando el potencial de la ciencia de datos?
Esta es la pregunta que motivó al investigador Marcelo Olivares y a su equipo diseñar simulaciones para generar predicciones sobre la compatibilidad y la vida útil de un órgano disponible al ser trasplantado en distintos pacientes, para aumentar la eficiencia del sistema y disminuir los tiempos de espera por un órgano.
“En nuestro modelo identificamos las características del donante-receptor relacionadas con la supervivencia del injerto renal en la población chilena. Dada la gran cantidad de predictores potenciales en relación con el tamaño de la muestra, implementamos un mecanismo automatizado de selección de variables. Un punto importante es que trabajamos con una muestra de 822 receptores adultos, trasplantados entre los años 1998 y 2018, hasta donde sabemos, es base de datos de trasplante renal más grande que existe a la fecha en Chile”,
explica Marcelo Olivares.
Para mejorar la eficiencia en la asignación de un órgano disponible se establecieron siete variables que aumentan el riesgo de falla del trasplante renal y se le asignaron un “peso” dentro del modelo. En el caso de los donantes, la edad, el sexo masculino, los antecedentes de hipertensión y los antecedentes de diabetes. En el caso del receptor, los años que fue sometido a diálisis y los antecedentes de trasplante de órgano.
En base a los resultados de la simulación, es posible definir qué personas en el Sistema de Trasplantes Nacional tienen prioridad.
Otra forma de apoyar la disminución de la lista de espera es generando incentivos para aumentar la lista de donantes vivos.
“El problema es que no se puede permitir que cualquier donante vivo le entregue un riñón a otra persona desconocida, ya que eso podría generar problemas a nivel social. Por lo tanto, estamos interesados en implementar un modelo que ha sido exitoso en otros países, llamado Sistema de Trasplante Nacional Cruzado. Lo que se busca es mejorar la tasa de donantes vivos permitiendo que un sistema centralizado permita intercambiar órganos entre donantes cuando son incompatibles con el paciente asociado a cada donante. Creemos que esta es otra forma en la que podemos seguir mejorando nuestro sistema nacional trasplantes desde nuestra área de investigación”,
concluye el investigador.
Caso 3:
App basada en algoritmos de Deep Learning detecta a través de imágenes lesiones precoces de melanoma
En Chile, cada año se diagnostican 800 personas aproximadamente con melanoma y 300 fallecen (fuente: International Agency for Research on Cancer, Globocan 2020). Los estudios muestran un aumento de la incidencia y esto podría explicarse a consecuencia del deterioro de la capa de ozono y los altos niveles de radiaciones que tenemos en el país.
El melanoma es el más agresivo de los cánceres de piel, por lo que la detección precoz es clave en el desenlace de la enfermedad. Normalmente, las lesiones sospechosas son detectadas visualmente por los dermatólogos y se solicita un análisis histopatológico, a través de una biopsia. En este contexto, el error humano en la detección de este tipo de cáncer está en torno al 15%.
¿Cómo apoyar a los médicos, que no tienen formación dermatológica o que atienden en zonas aisladas, que encuentran en un paciente una lesión sospechosa, pero que no tienen las facilidades para realizar una biopsia?
Esta pregunta convocó a un equipo de expertos en Inteligencia Artificial, liderados por el investigador del ISCI y Prof. Titular del Dpto. Ing. Industrial de la Universidad de Chile, Dr. Juan D. Velásquez, y a un equipo de profesionales de la salud, liderados la Dra. María Flavia Guiñazu, neuróloga e histopatóloga de la Clínica Psiquiátrica y el dermatólogo Fernando Valenzuela, del Dpto. de Dermatología, ambos del Hospital Clínico de la de la Universidad de Chile, para crear una solución innovadora.
“Dado a que la detección del melanoma es, en primera instancia, visual, creamos una herramienta capaz de identificar a través de imágenes sencillas, que podían ser tomadas con un celular, patrones de lesiones sospechosas en la piel, determinando en una escala la probabilidad de tener efectivamente un melanoma. De esta forma, solo si la probabilidad es alta, se deriva al paciente para biopsiar la lesión. Esta herramienta es de alto impacto, ya que apoya en el proceso de derivación de los pacientes y permite priorizar a bajo costo qué lesiones estudiar, sin la necesidad de recargar al sistema”,
afirma el investigador.
¿Cómo se diseñó esta herramienta?
En primera instancia, el equipo recopiló una base de datos europea de imágenes de más de 35.000 melanomas y con ellas entrenó a un algoritmo de Deep Learning, capaz de emular las redes neuronales del cerebro humano, para aprender a reconocer patrones entre las fotografías de las lesiones.
Sin embargo, se enfrentaron al desafío de adaptar al algoritmo a la realidad nacional, ya que el fenotipo de la población chilena está influenciado por el territorio en el que habita. Con este objetivo, calibraron el modelo específicamente para Chile, agregando más de 500 imágenes de lesiones extraídas de las bases de datos del Hospital Clínico de la Universidad de Chile.
Para validar el proceso, consideraron un universo de 100.000 muestras, algunas de las cuales incluían melanoma y le entregaron un 70% de los datos a la herramienta. Luego, tomaron 20.000 imágenes conocidas, para calibrar el algoritmo. Con el 10% de las imágenes restantes testearon la herramienta, obteniendo más de un 85% de asertividad en la detección por patrones visuales de melanoma, con una alta especificidad y cobertura.
“Nosotros estamos generando conocimiento en Chile para chilenos y eso es un cambio de paradigma. Las soluciones en salud no se pueden importar fácilmente desde otros países, porque no se adaptan a nuestras propias necesidades. Es por esto que, dentro de nuestros desafíos, nos hemos propuesto generar un banco de lesiones cutáneas que tenga el 100% de las muestras con fenotipo chileno, para aumentar la precisión de la herramienta de detección. Hay que destacar que nuestra propuesta no reemplaza a los médicos, sino que los apoya. Todas las imágenes que fueron utilizadas para el entrenamiento del algoritmo fueron evaluadas y etiquetas por dermatólogos alrededor del mundo. Por lo tanto, al subir una imagen local, es como si en una junta médica tuviera a cientos de dermatólogos mirando la lesión y comparándola con las que ya fueron etiquetadas como melanoma. Esta herramienta le permite al médico tener una una mejor prestación a la hora de hacer un diagnóstico”,
concluye Juan D. Velásquez.
Estas tres investigaciones demuestran que al unir la ingeniería con el conocimiento experto del área de salud a nivel de administración y de especialistas médicos, y trabajar como equipo, con una mirada sistémica, se logra generar conocimiento base para la construcción de políticas públicas e innovaciones tecnológicas que impactan en la práctica médica y la calidad de vida de sus pacientes.