A pesar del increíble progreso realizado por la medicina moderna, la epilepsia sigue siendo una enfermedad con una cura que está disponible para muy pocos. Se ha establecido durante décadas que la cirugía de resección es muy superior a la terapia con medicamentos en términos de resultados de libertad de crisis, sin embargo, solo una pequeña fracción de los pacientes elegibles se someten a cirugía.

Uno de los muchos desafíos es cómo predecir esta libertad de crisis a largo plazo. Como se expone en un reciente artículo en la revista Epilepsia, allá por 1947, el gran pionero de la cirugía de la epilepsia, el Dr. Penfield informó que el 55,8 % de sus pacientes «se consideraban al 100% curados o casi». Casi 70 años después con la aparición de nuestros medios diagnósticos más sofisticados en pruebas de neuroimagen, la electroencefalografía digital, la electroencefalografía cuantitativa, la magnetoencefalografía, la resonancia magnética funcional, el PET, el SPECT…etc, un metaanálisis reciente revela cifras de tan solo entre un 40% y un 50% de libertad de crisis a largo plazo. Un revisión profunda de la literatura encontró que ninguno de los predictores de estudios previos o características clínicas pronosticaba bien los resultados de la cirugía. Mirado fríamente, uno puede llegar a la conclusión de que la decisión de recomendar la cirugía permanece en manos de médicos expertos que acaban teniendo razón solo entre el 40 % y el 50 % de las ocasiones. 

Estas estadísticas son inaceptables y nos indican que hay necesidad de mejorarlas. ¿Pueden los nuevos sistemas de IA ser capaces de darnos mejores resultados?

Hoy por hoy, sigue habiendo muchas dificultades metodológicas en estos algoritmos, y tendemos a creerlos más infalibles y perfectos de lo que realmente pueden serlo en este momento.

Su ventaja clave reside en la capacidad para ser entrenados para identificar patrones sin que se enumeren reglas explícitas cuando se presentan datos de calidad suficientemente buena. Y en la segunda parte del enunciado está el problema….¿Cómo conseguir darle al sistema una colección de datos que resulte en predicciones realmente fiables? Un problema clave con estos sistemas, es que se pueden desarrollar imprudentemente, teniendo como consecuencia que sus resultados no  llegan a verse generalizados o corroborados fuera de la colección de pacientes testados en el modelo. En muchos dominios ya se ha constatado esta crisis en la reproducibilidad en la ciencia del aprendizaje automático.

Pero, como siempre, es el factor humano el último determinante en estas decisiones.

Dejando de lado la decisión última que depende lógicamente de un paciente bien informado, la actitud de los  médicos ante la cirugía suele dividirse en dos grandes categorías: optimistas y pesimistas. 

El optimista recomendará cirugía incluso si las posibilidades de éxito son bajas (por ejemplo, 10%-20%), porque la perspectiva de una libertad de crisis es un resultado tan deseable que justificaría los riesgos, e incluso  pueden ser más altas que la alternativa de probar más medicamentos (<10%). El pesimista (a veces un optimista bien informado), por el contrario solo recomendará la cirugía a los «mejores» casos, a los que más posibilidades de éxito tienen. Es poco probable que los modelos de IA de la generación actual (con predicciones optimistas pero con una mala estimación del valor predictivo negativo, es decir, para predecir los casos que no van a tener los resultados deseados) lleguen a modificar la actitud de los pesimistas y que remitan a muchos otros tipos de pacientes a cirugía. Por el contrario, es poco probable que las herramientas actuales de IA disuadan a los optimistas, porque éstos están dispuestos a proceder incluso a pesar de un alto riesgo de fracaso. ¿Cuándo podría la IA ayudar a resolver estas conductas humanas tan dispares? Cuando pudiera proporcionar a ambos tipos de médicos un valor predictivo negativo de alta tasa de precisión (90% o mejor). Incluso el optimista podría recomendar evitar la cirugía en los candidatos más pobres, y es probable que el pesimista se vuelva más selectivo que antes. Con este nuevo modelo, ambos tipos de médicos podrían terminar refiriendo cirugías más significativas y tendrán tasas de éxito más altas y mejor calidad de vida para los pacientes.

Para saber más:

Goldenholz, D. M. (2023). «Can machine learning solve this one? Clinical pitfalls in surgical outcome prediction.» Epilepsia. DOI: 10.1111/epi.17559 

Lones MA. How to avoid machine learning pitfalls: a guide for
academic researchers. arXiv preprint arXiv:2108.02497 2021; http://arxiv.org/abs/2108.02497