Pasar al contenido principal
Entrevista a Roger Garriga, estudiante de doctorado y Research Data Scientist en Koa Health

“Hemos demostrado que las crisis de salud mental se pueden detectar con un margen de cuatro semanas usando datos que están disponibles en cualquier hospital público”

Koa Health y Birmingham and Solihull Mental Health NHS Foundation Trust anunciaron recientemente los resultados de un innovador algoritmo de aprendizaje automático capaz de predecir las crisis de salud mental cuatro semanas antes de que estas ocurran. Roger Garriga, estudiante de doctorado en la Universitat Pompeu Fabra de Barcelona y Research Data Scientist en Koa Health ha sido el primer autor de esta importante investigación y, en esta entrevista con Soziable.es, nos cuenta qué significa para la ciencia, la tecnología y, sobre todo, para la medicina este descubrimiento y cuáles son los siguientes pasos a seguir.

Roger Garriga, estudiante de doctorado y Research Data Scientist en Koa Health
Roger Garriga, estudiante de doctorado y Research Data Scientist en Koa Health

Los problemas de salud mental han sido un tema tabú durante mucho tiempo, un asunto del que nadie quiere hablar, estigmatizado y que nadie quiere reconocer como suyo. Sin embargo, cada vez son más las personas que se atreven a visibilizar estas situaciones y la sociedad comienza a ser consciente de la importancia de prestar atención no solo a su cuerpo, sino también a su mente.

Las crisis de salud mental tienen un gran impacto en la vida de las personas que las sufren, reduciendo su calidad de vida tanto a corto como a largo plazo.

Según nos cuenta Roger Garriga en esta entrevista con Soziable.es, “las crisis de salud mental tienen un gran impacto en la vida de las personas que las sufren, reduciendo su calidad de vida tanto a corto como a largo plazo. Además, en los casos más graves, pueden llevar a intentos de suicidio o agresiones a uno mismo o a terceras personas”.

Por ello, detectar estos problemas lo antes posible es fundamental para minimizar riesgos. No obstante, y tal y como explica Garriga, “en la actualidad, los sistemas sanitarios están preparados para atender este tipo de problemas de forma reactiva, es decir, una vez se han producido, pero, en muchos casos, el daño ya está hecho. Para poder actuar de forma preventiva, es necesario monitorear los pacientes de forma continua para saber cuándo están empezando a deteriorarse, pero esto, generalmente, conlleva costes muy elevados y no hay suficiente personal para hacerlo”.

Así pues, el proyecto de Koa Health, proveedor global de soluciones digitales de atención de la salud mental, y Birmingham and Solihull Mental Health NHS Foundation Trust, entidad encargada de brindar un servicio integral de atención de la salud mental a los residentes de Birmingham y Solihull (Reino Unido), surge para dar una solución a este problema y para detectar las crisis de salud mental incluso antes de que estas ocurran.

- ¿Qué significa que sea un algoritmo ‘de aprendizaje automático’?

Un algoritmo de aprendizaje automático es un tipo de algoritmo que descubre relaciones entre variables a través de ejemplos u “observaciones”. El nuestro es un algoritmo de clasificación, lo que significa que, dada una serie de variables asociadas a una observación, clasifica la observación como positiva (crisis) o negativa (no crisis). Para que pueda aprender la relación entre las variables asociadas a la observación y su clasificación, tenemos que darle al algoritmo ejemplos de observaciones donde los pacientes tuvieron una crisis y observaciones donde no. A partir de esos ejemplos, el algoritmo “aprende” que cuando ciertas variables tienen unos valores determinados es más probable que el paciente tenga crisis sin que un humano especifique la relación entre variables y resultado explícitamente.

- Según la investigación, se ha encontrado que el modelo predice correctamente más de la mitad de las crisis con 28 días de anticipación. ¿Qué quiere decir esto?

En este tipo de aplicaciones médicas, es muy importante balancear los falsos positivos con los falsos negativos para reducir el número de casos falsos que reciben los médicos, pero manteniendo un nivel elevado de casos detectados. En este caso, limitamos el número de falsos positivos al 15% al definir el valor a partir del cual el algoritmo predice que el paciente tiene riesgo de sufrir crisis y conseguimos detectar el 58% de las crisis. Esto significa que, si se implementara este algoritmo con todos los pacientes del hospital, los psiquiatras podrían intervenir para intentar mitigar o prevenir el 58% de crisis que ocurrirían.

Con este algoitmo imitamos el número de falsos positivos al 15% y conseguimos detectar el 58% de las crisis

- Cuéntenos un poco cuál es el funcionamiento de este algoritmo.

El algoritmo recibe los datos relacionados con interacciones entre el paciente y el hospital. Por ejemplo, cada visita que el paciente tiene, qué equipo trató al paciente, cual es la diagnosis del paciente, las hospitalizaciones del paciente, etc. Esos datos son transformados y agregados semanalmente para generar variables que definen el estado del paciente cada semana. Ejemplos de esas variables son: cuántas semanas hace que tuvo la última crisis, si el paciente tiene riesgo de suicidio, si tuvo una visita no planeada en las últimas semanas, etc. El algoritmo usa estas variables para estimar el riesgo de crisis de salud mental y produce un valor entre 0 y 1 para cada paciente cada semana. Finalmente, se ordenan los pacientes de menor a mayor valor, donde cuanto más alto es el valor, significa que el paciente tiene más riesgo de sufrir una crisis en las próximas cuatro semanas.

- ¿En qué ha consistido su trabajo durante la investigación y elaboración del algoritmo?

Yo formé parte del equipo que desarrolló el algoritmo y que creó el sistema que genera predicciones semanales para que los médicos pudieran consultarlos. Es decir, realizamos el diseño del algoritmo, procesamos los datos anonimizados para generar las variables que usaríamos e implementamos el sistema que cada semana producía el valor de riesgo para cada paciente. En este proceso, trabajé junto al resto del equipo de Koa Health, especialmente con Javier Mas, con el que trabajamos codo con codo durante toda la parte del proyecto.

 Finalmente, lideré la escritura del artículo junto al Dr. Matic e hice los análisis relacionados con la interpretación del modelo y de equidad con respecto a los grupos demográficos vulnerables.

- ¿Cómo ha sido el proceso de creación de este algoritmo? ¿Qué pasos se han seguido?

En primer lugar, el equipo de datos del hospital preparó un sistema de seguridad donde pudimos acceder de forma controlada y segura durante la realización del estudio y generó una base de datos anonimizada dentro de su sistema para preservar la identidad de los pacientes y asegurarse de que ningún dato saliera de sus premisas. Después, los investigadores estuvimos colaborando durante semanas con los psiquiatras del hospital para entender el problema y diseñar la solución y creamos una serie de variables agregadas semanalmente para capturar el historial médico de los pacientes e implementamos diferentes modelos.

También iteramos en la generación de variables y el uso de modelos matemáticos con inputs de los psiquiatras para seleccionar el algoritmo que funcionara mejor para su problema. Realizamos un análisis para interpretar cómo el algoritmo estimaba el riesgo de crisis y, finalmente, implementamos un sistema que generara las variables y predicciones de riesgo de forma semanal para cada paciente.

- ¿Es necesario que la medicina invierta y se acerque cada vez más a la tecnología?

Las aplicaciones usando algoritmos de aprendizaje automático serán el siguiente gran paso que permita mejorar el tratamiento y la prevención de problemas de salud

La tecnología ya está aportando muchos beneficios al sector médico. Un ejemplo son las numerosas pruebas diagnósticas que de un modo u otro incorporan tecnología para medir o transformar datos médicos. Aún así, la tecnología avanza muy deprisa y va a seguir mejorando y aportando nuevas soluciones en el ámbito de la medicina. Desde mi punto de vista, las aplicaciones usando algoritmos de aprendizaje automático serán el siguiente gran paso que permita mejorar el tratamiento y la prevención de problemas de salud en los pacientes.

Estos algoritmos han demostrado ser muy buenos en identificar patrones en radiografías, resonancias magnéticas o ultrasonidos, permitiendo reducir los errores humanos. También son buenos sintetizando la información contenida en las anotaciones de los médicos o en los historiales, permitiendo reducir el tiempo que necesita un médico para leer toda la información clínica de los pacientes. En general, estos algoritmos tienen mucho potencial como herramientas de soporte a la toma de decisiones de los médicos y la forma para que se puedan incorporar a la prácticas médicas es a través de la colaboración entre médicos e investigadores dentro de los hospitales.

- ¿Qué representa este avance para el mundo de la medicina y de la tecnología? ¿Cree que puede marcar un antes y un después en la detección, tratamiento y prevención de crisis de salud mental?

Nuestro estudio es un ejemplo de cómo la ciencia de datos y el aprendizaje automático pueden ayudar a la detección de eventos adversos en la salud de los pacientes usando datos cínicos. Una de las aportaciones que hemos hecho a la comunidad es proponer una metodología para tener un valor de riesgo actualizado de forma continua. Hemos demostrado que las crisis de salud mental se pueden detectar con un margen de cuatro semanas usando datos que están disponibles en cualquier hospital público y que estas predicciones son útiles para prevenir crisis. Espero que nuestra investigación sea precursora de este tipo de estudios y que se extiendan a otros hospitales. 

- ¿De qué forma, exactamente, va a beneficiar este algoritmo a las personas con un problema de salud mental? ¿Hasta qué punto va a ser notable la mejora que puedan experimentar estas personas en su calidad de vida?

Nuestro algoritmo señala esos pacientes con mayor riesgo de crisis, algunos de los cuales habrían pasado inadvertidos sin el algoritmo. Esto permite a los médicos actuar y aplicar medidas preventivas que eviten o mitiguen los efectos de la crisis mental. Evitar que el paciente sufra una crisis de salud mental tiene un impacto directo en la calidad de vida del paciente. Actuando a tiempo podemos evitar que el paciente tenga que ser ingresado en el hospital, se deteriore su vida social o incluso evitar un intento de suicidio. Esto permite que puedan permanecer psicológicamente estables durante un tiempo más prolongado y que puedan seguir teniendo una vida normal y ser más felices.

- ¿El siguiente paso es introducir este avance en el sistema público de salud? ¿Cuánto queda exactamente para conseguir que redunde en todas las personas que lo necesitan?

El siguiente paso es llevar el algoritmo a otro hospital para replicar los resultados y validar el procedimiento en diferentes sistemas sanitarios. Por suerte o por desgracia, los cambios en los sistemas sanitarios son bastante lentos e introducir esta tecnología en los hospitales requiere mucho tiempo para validar la utilidad y los riesgos asociados. Es difícil estimar el tiempo que hará falta para poder incorporar este sistema de forma global, pero seguramente harán falta algunos años. Para acelerar el proceso de adopción, lo mejor es que se invierta en I+D aplicada a la salud y que estas iniciativas se promuevan desde los hospitales.

El siguiente paso es llevar el algoritmo a otro hospital para replicar los resultados y validar el procedimiento en diferentes sistemas sanitarios

- ¿Qué significa para usted ser el primer autor de esta importante investigación?

Para mí ha sido un gran orgullo realizar esta investigación y aún más que se reconozca la relevancia del estudio en una revista tan importante como es Nature Medicine. El hecho de ser el primer autor del artículo es un reconocimiento más para lo que es el pilar fundamental de mi doctorado. Pero para mí es aún más importante saber que el trabajo realizado ha ayudado a unas cuantas personas y que aún puede ayudar a muchísimas más. Eso me produce una gran satisfacción.