Fuente: PhotoXpress
Una de las motivaciones fundamental para cualquier investigación científica es la capacidad de facilitar la toma de decisiones apoyadas en resultados fiables. En algunos casos la elección entre diferentes opciones es fácil, pero la situación se complica cuando intervienen múltiples factores.
Ahora, investigadores de la Universidad de Pennsylvania (Penn) y la Universidad de Pittsburgh (Pitt), en Estados Unidos, han desarrollado un algoritmo que compara y sopesa múltiples variables, con el fin de tomar la mejor decisión. Lo han bautizado como ‘Personalized Advantage Index’, que se podría traducir como Índice de ventaja personalizada.
De momento, este sistema analítico se ha experimentado en el campo de la medicina personalizada, dirigida al tratamiento ante una enfermedad de un paciente concreto, por lo que se debate sobre el fármaco más idóneo o las dosis adecuadas de forma personal, en función de su individualidad química y genética.
Según explica la Universidad de Penn en un comunicado, el objetivo es poner a prueba un nuevo método que integre información predictiva para ayudar en la selección del procedimiento adecuado, utilizando para ello datos de una comparación de tratamientos de forma aleatoria.
Sin embargo, el algoritmo podría utilizarse en cualquier escenario de toma de decisiones que implique variables complejas y potencialmente conflictivas, desde qué antibiótico usar en una infección, elegir el material adecuado para la fabricación de un panel solar, o decidir cuándo lanzar un satélite.
Ahora, investigadores de la Universidad de Pennsylvania (Penn) y la Universidad de Pittsburgh (Pitt), en Estados Unidos, han desarrollado un algoritmo que compara y sopesa múltiples variables, con el fin de tomar la mejor decisión. Lo han bautizado como ‘Personalized Advantage Index’, que se podría traducir como Índice de ventaja personalizada.
De momento, este sistema analítico se ha experimentado en el campo de la medicina personalizada, dirigida al tratamiento ante una enfermedad de un paciente concreto, por lo que se debate sobre el fármaco más idóneo o las dosis adecuadas de forma personal, en función de su individualidad química y genética.
Según explica la Universidad de Penn en un comunicado, el objetivo es poner a prueba un nuevo método que integre información predictiva para ayudar en la selección del procedimiento adecuado, utilizando para ello datos de una comparación de tratamientos de forma aleatoria.
Sin embargo, el algoritmo podría utilizarse en cualquier escenario de toma de decisiones que implique variables complejas y potencialmente conflictivas, desde qué antibiótico usar en una infección, elegir el material adecuado para la fabricación de un panel solar, o decidir cuándo lanzar un satélite.
Robert DeRubeis. Fuente: Penn
Antidepresivos
El estudio fue dirigido por Robert DeRubeis y Zachary Cohen, del Departamento de Psicología de Penn, por lo que para sondear el algoritmo eligieron un caso de toma de decisiones con el que estaban familiarizados como psicólogos: qué tratamiento sería más eficaz para tratar una depresión, si terapia cognitivo-conductual o medicación. Aunque ambos han demostrado su eficacia, algunos pacientes responden mejor a un tipo que a otro.
Los investigadores se basaron en un ensayo con 154 pacientes que recibieron ambos tratamientos. Además, se incluyeron cinco variables aleatorias como el estado civil, la situación laboral, experiencias negativas vividas en el último año, trastornos de personalidad y exposiciones previas a medicamentos antidepresivos, información valiosa para predecir una respuesta diferencial en el cálculo del Índice de ventaja personalizada de cada paciente.
Hasta ahora los psicólogos han utilizado este tipo de información para hacer recomendaciones clínicas, pero nunca observando todos los datos relevantes de una manera integral. “Si se presta atención a una sola variable para tomar una decisión se entiende que todo lo demás da igual", explica DeRubeis. “Pero sabemos que no da igual. Tenemos que tomar todas esas variables en cuenta a la vez para averiguar lo que probablemente funcione mejor”, añade.
En la misma línea, su compañero de trabajo lamenta que “el status quo durante muchas décadas para los médicos en cualquier juicio ha sido utilizar la intuición basándose en lo que han hecho antes y los resultados obtenidos, o usar una única variable para empujar la decisión en una dirección u otra”. Si bien en ciertos casos se evidencia la correlación de ciertos rasgos con la eficacia de un tratamiento, existe una seria limitación al aplicarlos a la toma de decisiones clínicas.
Por el contrario, el objetivo de esta investigación no era determinar en qué variable confiar por encima del resto, sino comprobar el papel que juega cada una en la consecución del resultado. De esta forma repitieron el proceso con cada uno de los pacientes, utilizando el método de validación de "dejar uno fuera", por el cual comprobaban las relaciones entre variables y los resultados de los otros 153 para predecir los del 154.
Según las conclusiones del estudio, publicadas en la revista Plos One, para el 60 por ciento de la muestra se predijo una ventaja clínica significativa con uno de los tratamientos frente al otro.
El estudio fue dirigido por Robert DeRubeis y Zachary Cohen, del Departamento de Psicología de Penn, por lo que para sondear el algoritmo eligieron un caso de toma de decisiones con el que estaban familiarizados como psicólogos: qué tratamiento sería más eficaz para tratar una depresión, si terapia cognitivo-conductual o medicación. Aunque ambos han demostrado su eficacia, algunos pacientes responden mejor a un tipo que a otro.
Los investigadores se basaron en un ensayo con 154 pacientes que recibieron ambos tratamientos. Además, se incluyeron cinco variables aleatorias como el estado civil, la situación laboral, experiencias negativas vividas en el último año, trastornos de personalidad y exposiciones previas a medicamentos antidepresivos, información valiosa para predecir una respuesta diferencial en el cálculo del Índice de ventaja personalizada de cada paciente.
Hasta ahora los psicólogos han utilizado este tipo de información para hacer recomendaciones clínicas, pero nunca observando todos los datos relevantes de una manera integral. “Si se presta atención a una sola variable para tomar una decisión se entiende que todo lo demás da igual", explica DeRubeis. “Pero sabemos que no da igual. Tenemos que tomar todas esas variables en cuenta a la vez para averiguar lo que probablemente funcione mejor”, añade.
En la misma línea, su compañero de trabajo lamenta que “el status quo durante muchas décadas para los médicos en cualquier juicio ha sido utilizar la intuición basándose en lo que han hecho antes y los resultados obtenidos, o usar una única variable para empujar la decisión en una dirección u otra”. Si bien en ciertos casos se evidencia la correlación de ciertos rasgos con la eficacia de un tratamiento, existe una seria limitación al aplicarlos a la toma de decisiones clínicas.
Por el contrario, el objetivo de esta investigación no era determinar en qué variable confiar por encima del resto, sino comprobar el papel que juega cada una en la consecución del resultado. De esta forma repitieron el proceso con cada uno de los pacientes, utilizando el método de validación de "dejar uno fuera", por el cual comprobaban las relaciones entre variables y los resultados de los otros 153 para predecir los del 154.
Según las conclusiones del estudio, publicadas en la revista Plos One, para el 60 por ciento de la muestra se predijo una ventaja clínica significativa con uno de los tratamientos frente al otro.
Conclusiones
Se trata por tanto de un método importante para evitar “sobreajustes” o un exceso en el uso de variables que conduce a una predicción precisa en aquellos casos cuyos datos se utilizan para desarrollar el algoritmo de predicción, pero no logra ser completamente generalizable a los que quedan fuera de esos datos.
El resultado de esta técnica estadística es un algoritmo que maximiza el valor predictivo del grupo de variables, asignándole un peso a cada una. Esto es positivo para aquellas variables que tanto la intuición como algunos estudios sugieren que puede desempeñar un papel en el resultado de una decisión determinada, así como un nuevo enfoque con respecto a la eficacia de esas variables individuales.
“Los enfoques de medicina personalizada pueden implicar ensayos genéticos, de neuroimagen u otro tipo de diagnóstico”, recuerda Cohen. Por ello, “el coste de recopilar todos estos datos debe ser compensado con la eficacia que el nuevo sistema aportaría a la investigación”, añade.
Si bien los investigadores aún no pueden confirmar la exactitud de las predicciones del algoritmo fuera del contexto de prueba, los primeros resultados sugieren que tendría valor clínico. “Si este ensayo se hubiera llevado a cabo cuando nuestros pacientes estaban siendo tratados realmente, se habría obtenido una ventaja equivalente a la que se ve entre grupos que reciben la medicación o un placebo”, asegura DeRubeis.
Con todo, el aprendizaje automático y otras técnicas de inteligencia artificial podrían mejorar aún más esta herramienta, abriendo la puerta a una nueva forma de hacer análisis para muchos tipos de aplicaciones, incluyendo las que presentan variables y resultados más complejos.
Se trata por tanto de un método importante para evitar “sobreajustes” o un exceso en el uso de variables que conduce a una predicción precisa en aquellos casos cuyos datos se utilizan para desarrollar el algoritmo de predicción, pero no logra ser completamente generalizable a los que quedan fuera de esos datos.
El resultado de esta técnica estadística es un algoritmo que maximiza el valor predictivo del grupo de variables, asignándole un peso a cada una. Esto es positivo para aquellas variables que tanto la intuición como algunos estudios sugieren que puede desempeñar un papel en el resultado de una decisión determinada, así como un nuevo enfoque con respecto a la eficacia de esas variables individuales.
“Los enfoques de medicina personalizada pueden implicar ensayos genéticos, de neuroimagen u otro tipo de diagnóstico”, recuerda Cohen. Por ello, “el coste de recopilar todos estos datos debe ser compensado con la eficacia que el nuevo sistema aportaría a la investigación”, añade.
Si bien los investigadores aún no pueden confirmar la exactitud de las predicciones del algoritmo fuera del contexto de prueba, los primeros resultados sugieren que tendría valor clínico. “Si este ensayo se hubiera llevado a cabo cuando nuestros pacientes estaban siendo tratados realmente, se habría obtenido una ventaja equivalente a la que se ve entre grupos que reciben la medicación o un placebo”, asegura DeRubeis.
Con todo, el aprendizaje automático y otras técnicas de inteligencia artificial podrían mejorar aún más esta herramienta, abriendo la puerta a una nueva forma de hacer análisis para muchos tipos de aplicaciones, incluyendo las que presentan variables y resultados más complejos.