Ayudar a los médicos a tomar mejores decisiones con datos: Ziad Obermeyer de UC Berkeley

Cuando Ziad Obermeyer era residente en un programa de medicina de urgencias, se pasaba las noches en vela preocupado por los complejos elementos de los diagnósticos. Posteriormente, encontró su camino hacia la ciencia de datos y la investigación. Desde entonces ha sido coautor de numerosos artículos sobre el uso de la IA y el aprendizaje automático en el análisis predictivo en la atención sanitaria.

Ziad se une a Sam Ransbotham y Shervin Khodabandeh para hablar de su trayectoria profesional y destacar algunas de las investigaciones revolucionarias que ha llevado a cabo. Todas ellas hechas con el objetivo de prevenir la muerte por eventos cardíacos o la enfermedad de Alzheimer y tratar otras afecciones agudas y crónicas.

Lo digital es primero, lo físico después: Fiona Tan de Wayfair

Obtén más información sobre nuestro programa y siga la serie en https://sloanreview.mit.edu/aipodcast.

Suscríbete a Me, Myself, and AI en Apple Podcasts, Spotify o Google Podcasts.

Envía tus comentarios en esta encuesta de dos preguntas.

Transcripción

Sam Ransbotham: En la actualidad, los investigadores de aprendizaje automático tienen que rogar y suplicar por los datos de atención médica. Esta escasez limita fundamentalmente nuestro progreso. ¿Qué podría cambiar si consiguiéramos datos abiertos, curados e interesantes? Descúbrelo en el episodio de hoy.

Ziad Obermeyer: Soy Ziad Obermeyer, de Berkeley, y están escuchando Me, Myself, and AI.

Sam Ransbotham: Bienvenido a Me, Myself, and AI, un podcast sobre inteligencia artificial en los negocios. En cada episodio les presentamos a alguien que está innovando con IA. Soy Sam Ransbotham, profesor de analítica en el Boston College. También soy editor invitado de IA y estrategia empresarial en MIT Sloan Management Review.

Shervin Khodabandeh: Y yo soy Shervin Khodabandeh, socio sénior de BCG y uno de los líderes de nuestro negocio de IA. Juntos, MIT SMR y BCG han estado investigando y publicando sobre IA desde 2017. Además han entrevistando a cientos de profesionales sobre lo que se necesita para construir y desplegar y escalar las capacidades de IA.

Sam Ransbotham: Hoy Shervin y yo estamos encantados de tener a Ziad Obermeyer con nosotros. Ziad, gracias por estar aquí. Ziad, gracias por estar aquí.

Ziad Obermeyer: Gracias. Es maravilloso estar aquí.

Sam Ransbotham: Conocí a Ziad en la conferencia del NBER en Toronto, donde habló de algunos de sus trabajos sobre plataformas de datos sanitarios, así que empecemos por ahí.

Ziad, cuéntanos un poco acerca de lo que estás haciendo, lo que esta plataforma emocionante se trata. Háblanos de Nightingale.

Nightingale, la plataforma revolucionaria de datos creada por Ziad Obermeyer

Ziad Obermeyer: Por supuesto. Puedo contarles un poco la historia de fondo, y es que toda mi investigación consiste, de un modo u otro, en aplicar la inteligencia artificial a los datos sanitarios.

Y aunque digo que investigo en este campo, en realidad dedico gran parte de mi tiempo a solicitar el acceso a los datos que necesito para llevar a cabo esa investigación. Usualmente lo hago suplicando, negociando, utilizando todas las redes y contactos que he acumulado a lo largo de los años. Y sigue siendo increíblemente difícil y frustrante.

Así que, dado el tiempo que le dedicaba, uno de mis coautores, Sendhil Mullainathan que trabaja en la Universidad de Chicago, y yo decidimos que probablemente no estábamos solos en este dolor.

Así que hace unos años, gracias al apoyo de Schmidt Futures, la fundación de Eric Schmidt, pudimos lanzar una organización sin ánimo de lucro llamada Nightingale.

Nightingale Open Science es una organización sin ánimo de lucro que utiliza financiación filantrópica para crear conjuntos de datos interesantes en colaboración con los sistemas sanitarios.

Lo digital es primero, lo físico después: Fiona Tan de Wayfair

¿Para qué sirve Nightingale?

Trabajamos con los sistemas sanitarios para entender los problemas prioritarios e interesantes en los que deben trabajar, y creamos conjuntos de datos que toman cantidades masivas de imágenes. Como radiografías de tórax, muestras de biopsias y las combinamos con resultados interesantes de la historia clínica electrónica. Y a veces, con datos de la Seguridad Social cuando queremos mortalidad.

Con eso creamos conjuntos de datos destinados a responder a algunas de las preguntas más interesantes e importantes de la salud y la medicina actuales:

¿Por qué algunos cánceres se extienden y otros no? ¿Por qué a algunas personas les moquea la nariz por COVID y otras acaban en la UCI?

Todas estas cuestiones son áreas en las que el aprendizaje automático puede ser de gran ayuda. No sólo para ayudar a los médicos a tomar mejores decisiones, sino también para impulsar algunos avances científicos. Pero esos conjuntos de datos escasean.

Creamos esos conjuntos de datos con los sistemas sanitarios, los desidentificamos y los colocamos en nuestra plataforma en la nube. Ahí los ponemos a disposición de investigadores de todo el mundo de forma gratuita.

Y creo que nuestra inspiración para gran parte de ese trabajo fue el enorme progreso en otras áreas del aprendizaje automático. Lo que fue impulsado por la disponibilidad de conjuntos de datos abiertos, curados e interesantes que apuntan a problemas importantes y que se ponen a disposición de las personas. Esa es una de las plataformas de datos sanitarios en las que he estado trabajando en los últimos años.

Plataformas abiertas de datos médicos, una realidad que ya existía

Sam Ransbotham: Así que nos dan algunos ejemplos de eso. ¿Cuáles son algunas analogías? ¿A qué otras plataformas se refiere?

Ziad Obermeyer: Creo que la más famosa es ImageNet. Se creó hace unos años básicamente a partir de un montón de imágenes de Internet y pidiendo a la gente que las subtitulara. Así que, ya sabes, tenemos una foto. Es gente jugando al frisbee en la playa. Y entonces, una vez que tenemos millones y millones de esas imágenes, podemos entrenar algoritmos que relacionan la colección de píxeles de esa imagen.

Hay muchos conjuntos de datos de este tipo:

Hay un conjunto de datos de reconocimiento de escritura a mano; hay un conjunto de datos de reconocimiento facial. Y esos conjuntos de datos, como hemos visto una y otra vez, han sido fundamentales para impulsar el progreso en el aprendizaje automático.

Así que la gente forma equipos. Colaboran, compiten entre sí, todos tratando de hacer lo mejor en estas tareas. Y este ha sido un enorme motor de crecimiento que, junto con la potencia de cálculo y el hardware, ha impulsado la innovación en el software.

Ziad, más que un médico es un investigador

Shervin Khodabandeh: Esto es realmente fascinante. Tal vez deberíamos retroceder un poco. Ziad, háblenos un poco de su investigación y de lo que pretende hacer con el aprendizaje automático y los datos.

Tú es médico de formación. También es científico y profesor asociado. Háblanos un poco de su formación, de cómo ha llegado hasta donde está, este increíble unicornio de múltiples disciplinas y habilidades.

Ziad Obermeyer: Es una descripción muy amable. Gracias, Shervin. Estudié Historia en la universidad y luego hice un máster en Historia y Filosofía. Me interesaba mucho la ciencia y estudiar cómo se hacía la ciencia. Cómo se formaban los nuevos campos, cómo los científicos se dividían en facciones y cómo se construía socialmente el conocimiento.

Tras un breve paso por la consultoría de gestión, estudié medicina y fui ayudante de investigación de Chris Murray, que dirigía el proyecto Global Burden of Disease. Ese sigue haciendo un trabajo realmente asombroso en el mundo de la cuantificación de la carga mundial de morbilidad.

Aprendí mucho de Chris sobre cómo investigar. Y creo que ese es un tema recurrente. Gracias a que soy extremadamente afortunado y privilegiado, pude pasar tiempo rodeado de gente muy, muy inteligente que invirtió mucho tiempo y esfuerzo en enseñarme cosas.

La IA como herramienta para ejercitarse: Ameen Kazerouni de Orangetheory Fitness

De la medicina de urgencias a los datos

Me formé en medicina de urgencias. Estar en urgencias es… una experiencia fascinante, interesante y estresante. Eso es porque te enfrentas constantemente a los límites de tu propia capacidad para pensar y comprender los problemas. Así que hice la carrera de medicina y la residencia, y luego empecé a ejercer.

Cuando empecé a practicar fue cuando empecé a ver todas estas cosas acerca de la medicina que eran tan difíciles, y que, ya sabes, literalmente, mantenerme despierto por la noche. Me iba a casa después de un turno y me tumbaba en la cama, y estaba muy estresado por esa paciente que había enviado a casa.

Lo que pasa es que recordaba algo sobre ella o porque había una prueba que debería haber pedido y no la pedí. Así que convertí gran parte de ese estrés en investigación, que (no sé lo que diría el Freud al respecto). Pero probablemente hay algunos temas que tendré que explorar más adelante con mi terapeuta.

Los doctores también son humanos y se equivocan, ante ello, ¿qué son los diagnósticos?

Creo que no importa lo bueno que seas en ese trabajo, si prestas atención, siempre cometes errores. Creo que es una experiencia que tienen casi todos los médicos. Y creo que lo que me di cuenta en algún momento fue que los tipos de errores que los médicos son más propensos a hacer son los tipos de problemas que el aprendizaje automático sería muy, muy bueno.

Así que una de las cosas más difíciles que los médicos tienen que hacer, que en realidad, una actividad fundamental en la medicina , es el diagnóstico.

¿Qué es el diagnóstico? El diagnóstico es mirar a un paciente, mirar todos los resultados de las pruebas, las radiografías y destilar todo eso a una sola variable.

Por ejemplo, ¿tiene neumonía? ¿Tiene insuficiencia cardíaca congestiva o algo parecido? Así que la asignación de este conjunto de datos para saber si tiene el diagnóstico 1, 2 o 3 es una gran tarea de aprendizaje automático.

La medicina está llena de problemas en los que:

A. Los médicos obtienen muy malos resultados en muchas medidas de rendimiento diferentes

B. Si se construyen algoritmos de forma meditada y cuidadosa en torno a esos problemas, podrían mejorar realmente la calidad de la toma de decisiones.

Y esa es la génesis de todo mi programa de investigación: crear algoritmos que ayuden a los médicos a tomar mejores decisiones. Además de tratar de impulsar la ciencia subyacente a algunas de esas decisiones en torno a quién sufre muerte súbita cardíaca, quién desarrolla complicaciones por COVID, etc.

Conjunción del trabajo entre la IA y los humanos, algo esperanzador y posible

Shervin Khodabandeh: Creo que otra cosa que existe en medicina frente a otros campos en los que los humanos y las máquinas trabajan juntos es el hecho de que la opinión del experto ha pasado por mucha más diligencia. Eso es porque hay libros de jugadas y directrices y, en virtud de convertirse en un médico y con licencia y tener la certificación de la junta. Es poco probable que el nivel de desacuerdo o variación entre los expertos en medicina sería más que, digamos, en el campo de la comercialización.

Supongo que eso hace que la parte de formación del algoritmo esté un poco más estandarizada o menos sujeta a la opinión de un experto.

Big Data en la agricultura: Teddy Bekele de Land O’Lakes

Ziad Obermeyer: Es una serie de preguntas muy, muy interesantes. Yo sabía mucho de medicina. Sabía algunas cosas básicas sobre cómo investigar. Pero empecé a trabajar con un economista de la salud en Harvard, David Cutler, y luego con uno de sus colegas, Sendhil Mullainathan. Ahí es donde empecé a invertir mucho tiempo en aprender algunas de las habilidades técnicas que fueron la base de la investigación que estoy haciendo hoy.

A veces intentamos resolver este problema diciendo:

“Bueno, no vamos a tener un solo radiólogo. Vamos a tener cinco radiólogos. Y luego vamos a tomar el voto de la mayoría.”

¿Existe la verdad en el terreno de las opiniones?¿y en el de la medicina?

Pero, ¿realmente practicamos la medicina por mayoría de votos? Así que es uno de estos lugares interesantes donde hacer aprendizaje automático en la medicina es muy diferente de otras áreas. Eso es porque tenemos una relación más complicada con la verdad sobre el terreno.

Y la opinión humana, por muy formados que estén estos expertos y por mucha práctica que hayan adquirido durante años de residencia y formación, no podemos considerarla la verdad.

Artitris, un conocimiento generado hace más de 50 años

Les hablaré de un artículo que escribimos hace unos años. Lo dirigió mi colega Emma Pierson, que es informática en Cornell. Y lo que demostramos es que los radiólogos pasan por alto sistemáticamente cosas en las radiografías. En este caso, radiografías de rodilla que causan dolor de forma desproporcionada en los pacientes negros.

Si nos remontamos a la historia de lo que sabemos sobre la artritis fueron conocimientos que se desarrollaron con mineros del carbón en 1940 y 1950. Así que no es de extrañar que los conocimientos adquiridos en esa época y lugar tan específicos no se correspondan necesariamente con las poblaciones que los médicos atienden hoy en sus consultas.

Y lo demostramos entrenando un algoritmo para que no hiciera lo que la mayoría de la gente habría hecho. Es decir, pasar de la radiografía a lo que el radiólogo habría dicho sobre la radiografía.

Si entrenamos un algoritmo que sólo codifica el conocimiento del radiólogo en un algoritmo, vamos a codificar todos los errores y sesgos que ese radiólogo tiene. Por lo tanto, lo que hicimos en su lugar es entrenar un algoritmo para predecir no lo que el radiólogo dijo acerca de la rodilla, sino lo que el paciente dijo acerca de la rodilla.

No hay que probar la rodilla, hay que probar al radiólogo

Así que entrenamos el algoritmo para predecir básicamente, ¿es esta rodilla una rodilla dolorosa o no? Y así es como diseñamos un algoritmo que podía exponer ese sesgo, no tanto en el radiólogo como en el conocimiento médico. Y realmente proporcionó un camino a seguir … que los algoritmos pueden hacer cosas que los seres humanos no pueden por distintos sesgos.

Pueden encontrar señales en estas complejas imágenes y formas de onda que los humanos pasan por alto. También pueden ser fuerzas a favor de la justicia y la equidad, con la misma facilidad con la que pueden ser fuerzas que refuercen todas las cosas feas de nuestro sistema sanitario.

La creación de una base de datos llevará a la humanidad a descubrir la verdad

Shervin Khodabandeh: El problema de la formación es en realidad mucho más difícil porque no se dispone de la verdad sobre el terreno. Y no sólo se trata de exponer… o de corregir los sesgos o imprecisiones de los modelos, sino también los de los médicos como parte de la formación.

Ziad Obermeyer: Sí, perfectamente dicho. El reto no es sólo construir el algoritmo. No es solo el mismo reto que tenemos en cualquier otro campo. El reto fundamental en la salud es crear el conjunto de datos que hable de esa verdad fundamental.

La buena noticia es que, gracias al enorme éxito de las historias clínicas electrónicas y la capacidad de vincular conjuntos de datos existe una gran cantidad de información que nos permite triangular esa verdad. Pero es un problema clínico muy difícil, no sólo un problema de aprendizaje automático. Creo que esa es una de las principales razones, además de la falta de datos.

Del periodismo a los jeans: las ‘5 C’ exitosas de Katia Walsh de Levi’s

La otra razón por la que no hemos visto que el aprendizaje automático transforme la práctica de la medicina como en otras industrias es porque requieren habilidades bilingües. Hay que entender cómo hacer cosas útiles con los datos. Pero también hay que entender realmente el lado de la medicina clínica de estos problemas para ser eficaz. Eso es porque no se puede simplemente cambiar el juicio del radiólogo por el juicio de si hay un gato o no en esta imagen. Es un problema mucho más difícil.

¿Conocimiento bilingüe?´¿por qué es importante tenerlo?

Sam Ransbotham: Esa cosa bilingüe parece muy difícil, sin embargo. Y me hace pensar en tus antecedentes. Es obvio que estás en una posición en la que has terminado con estos dos idiomas. También tengo curiosidad, ¿hay que tener eso?

Ziad Obermeyer: Sin minimizar la dificultad de este problema, permítanme señalar un ejemplo en el que requiere exactamente el mismo tipo de bilingüismo.

Lo que se necesitaba para que la economía conductual se convirtiera en un campo era que la economía empezara a tomarse en serio el comportamiento humano. Pero también se necesitaba que los psicólogos hicieran grandes inversiones en el aprendizaje de las bases técnicas para demostrar lo que es un sesgo y lo que es un error.

Así que creo que hay una analogía muy bonita con este mundo, en el que los médicos desempeñan el papel de los psicólogos y los informáticos. Pero también los economistas desempeñan el papel de los economistas en el otro mundo.

La brecha que separa el mundo bilingüe de los datos: la dificultad multidisciplinar

Creo que una de las razones por las que estas cosas son difíciles es que no somos muy buenos dentro del mundo académico, a pesar de que todo el mundo dice lo interesante que es el trabajo multidisciplinar. No hay incentivos que promuevan este tipo de trabajo.

Así que si eres un informático y necesitas que tu artículo aparezca en las actas de un congreso, el hecho de que hagas un trabajo excelente o que lo hagas realmente mal. No influye en la probabilidad de que ese artículo aparezca en las actas de tu congreso favorito. Y creo que si eres médico, el hecho de que hagas o no grandes inversiones en aprendizaje automático no va a afectar tu probabilidad de conseguir la beca que quieres.

Razones para conformar Nightingale

Así que, volviendo a una de las razones por las que Sendhil y yo creamos Nightingale, creo que necesitamos este tipo de instituciones que ayudan a construir una comunidad de personas. Unas que se tomen en serio este tipo de cosas.

Si eres estudiante de doctorado, necesitas datos para trabajar sobre el terreno. En Berkeley hay muchos estudiantes de doctorado que vienen y me dicen:

“Me encantaría aplicar a la salud lo que se me da bien en el aprendizaje automático”.

Y yo les digo: “Genial, te añadiremos al Acuerdo de Uso de Datos, y luego tendrás que hacer toda la formación, y luego modificaremos la IRB [propuesta de la junta de revisión institucional]. …”

Y para cuando eso esté hecho, ya habrán conseguido un trabajo en Facebook o donde sea, y todo habrá terminado. Así que creo que la creación de estos bienes públicos en esta área es un buen lugar para empezar a construir la comunidad de personas que pueden hacer el trabajo. Además de ser un conjunto de colaboradores y revisores y cosas por el estilo. Pero es un proceso.

Transformando las transacciones con tecnología: Nitzan Mekel-Bobrov de eBay

Los datos sirven para vincular información de manera casi mágica

Shervin Khodabandeh: Otra cosa que me ha llamado la atención de sus comentarios es la posibilidad de que el diseño de los experimentos que haríamos hoy para diagnosticar lo que sea. Dado que los datos son mucho más abundantes ahora, cuando los datos eran realmente escasos, me pregunto si eso cambia realmente.

Incluso las directrices sobre cómo pensamos en un diagnóstico positivo, porque algunas de estas correlaciones de las que hablas puede que ni siquiera hayan sido posibles. Así que puede que nadie haya pensado siquiera: “Seguro que tiene esta enfermedad si ocurren estas dos cosas“.

Bueno, tal vez hay una tercera cosa que ocurriría dos meses después y que ni siquiera sabes que ocurriría, porque nadie recogió datos sobre ello o nadie pudo correlacionar los datos.

Ziad Obermeyer: Sí, un gran punto, y creo que realmente pone de relieve una de las enormes ventajas de hacer este trabajo hoy en día. Cuando tenemos datos longitudinales de los registros electrónicos de salud que es vinculable a un montón de otros datos de otros lugares.

El valor de los datos, a medida que se amplía en escala y alcance y los vínculos, simplemente aumenta exponencialmente. Y exactamente como usted ha dicho, abre un montón de nuevas posibilidades de aprendizaje que antes no teníamos.

Analizar datos que en el pasado no se sabía que existía, una realidad actual

Sam Ransbotham: Nos pones ante una elección de Hobson aquí, como, “OK, podemos esperar tres días para la prueba de cultivo, o alguien tiene que hacer una llamada ahora mismo”.

Y esto está señalando cuánto mejor podemos medir todo tipo de cosas y tal vez medir las cosas que ni siquiera estábamos pensando en medir ahora, creo que todavía estamos muy temprano en ese proceso.

Mencionaste algunas de las cosas, como las noticias negativas, que pueden envenenar el pozo. Y cuando pienso en eso… por analogía, acabo de enseñar esta semana en clase, el módulo sobre reconocimiento de escritura a mano. Y en clase, soy capaz de tomar un grupo de estudiantes, y somos capaces de realizar con algoritmos lo que habría ganado concursos hace 15 años. Y podemos hacerlo en clase con ordenadores portátiles.

Bueno, por analogía, con estos conjuntos de datos que estás reuniendo ahora mismo, ¿cuáles son esos tipos de victorias que podemos esperar? Quiero decir, la forma de compensar el pozo envenenado es la cura milagrosa. No quiero meterme demasiado en el terreno de las serpientes, pero ¿qué tipo de cosas podemos esperar? ¿Qué tipo de éxitos ha cosechado hasta ahora la puesta a disposición de estos conjuntos de datos?

Ziad Obermeyer: Puedo decirle algo… cuando pienso en el resultado de una organización como Nightingale Open Science, creo que el resultado es el conocimiento que se desarrolla a partir de estos datos. Pero creo que también hay otra forma de pensar en el resultado.

Dandelion Health, el otro proyecto de Ziad Obermeyer

Puedo hablarles un poco de otra plataforma en la que he estado trabajando, llamada Dandelion Health. Dandelion es una empresa con ánimo de lucro, y lo que hace es que, en primer lugar, tenemos acuerdos con un puñado de grandes sistemas de salud en Estados Unidos. A través de esos acuerdos, tenemos acceso a todos sus datos. Y cuando digo todos sus datos, quiero decir todos sus datos. No sólo las historias clínicas electrónicas estructuradas, sino también las formas de onda de los electrocardiogramas, los datos de monitorización de los pacientes hospitalizados. Todo.

Esta empresa está diseñada para ayudar a resolver ese cuello de botella y ayudar a la gente a obtener estos productos en la clínica más rápido. Y creo que la forma en que pienso en ello es que hay claramente desventajas a la utilización de datos de salud para el desarrollo de productos. Creo que hay riesgos reales para la privacidad y un montón de cosas que la gente se preocupa.

Además supongo que esos riesgos son reales y muy importantes para nosotros. Hay otra serie de riesgos que son igual de reales pero mucho menos destacados en torno a la no utilización de los datos.

Imagino que también hay una serie de aplicaciones a lo que la gente considera ciencias de la vida y a los ensayos clínicos. Hay toda una serie de enfermedades hoy en día, como el Alzheimer, y hemos visto las tristes noticias de otro prometedor medicamento contra el Alzheimer.

Invertir en la última milla: Khatereh Khodavirdi de PayPal

Alzheimer, una enfermedad llena de datos tristes y descubrimientos sin concretar

Han sido noticias bastante tristes durante décadas en esta área. Y una de las razones es este hecho extraño en el que no había pensado hasta que empecé a ver algunas de estas aplicaciones. Y es que si quieres realizar un ensayo de un fármaco para el Alzheimer, tienes que inscribir a personas que tengan Alzheimer. Pero eso significa que los únicos fármacos que se pueden desarrollar son los que… básicamente tienen que invertir el curso de una enfermedad que ya está instalada.

Imaginemos que tuviéramos un predictor de Alzheimer que, con cierto tiempo de antelación, pudiera encontrar personas con alto riesgo de desarrollar Alzheimer pero que aún no lo tienen.

Ahora puedes tomar a esas personas e inscribirlas en un ensayo clínico. Y ahora se puede probar un tipo de fármaco totalmente nuevo, un fármaco que podría prevenir esa enfermedad. En lugar de tener que revertirla o ralentizarla. Creo que eso también es muy emocionante.

Sam Ransbotham: Probablemente nos estamos acercando a tiempo. Shervin, ¿eres tú la persona de las cinco preguntas o soy yo hoy?

Shervin Khodabandeh: Puedo hacerlo.

Sam Ransbotham: Vamos a explicar esto, Ziad. No es tan oneroso como parece. Tenemos una forma estándar de cerrar los episodios.

Shervin Khodabandeh: Ziad, tenemos un segmento en el que te hacemos una serie de preguntas rápidas y tú nos dices lo que se te ocurra.

Ziad Obermeyer: OK.

Preguntas rápidas para conocer mejor a Ziad Obermeyer

Shervin Khodabandeh: ¿Cuál es su momento de mayor orgullo en el campo de la IA o el aprendizaje automático?

Ziad Obermeyer: Estoy trabajando en un artículo con un cardiólogo sueco en el que relacionamos todas las formas de onda de los electrocardiogramas realizados en esa región con los certificados de defunción. Y hemos desarrollado un algoritmo que realmente puede predecir con un sorprendente grado de precisión quién va a caer muerto por muerte súbita cardíaca.

Y creo que, además de ser muy interesante desde el punto de vista científico, tiene un enorme valor social. Eso es porque permite encontrar a las personas antes de que mueran para poder investigarlas e incluso colocarles un desfibrilador que podría evitar esta catástrofe.

Shervin Khodabandeh: Ese es el tipo de cosas de las que sentirse orgulloso. Vaya. ¿Qué le preocupa de la IA?

Ziad Obermeyer: Creo que el trabajo que he realizado sobre el sesgo algorítmico me ha hecho ponerme al día negativamente sobre cuánto daño pueden hacer estos algoritmos.

Estudiamos un algoritmo que, por desgracia, probablemente todavía se utiliza en muchos de los mayores sistemas sanitarios del país. Según la empresa que lo elabora, se está utilizando en 70 millones de personas cada año para examinarlas y darles acceso a ayuda adicional para su salud.

Y creo que ese tipo de productos no son riesgos teóricos. Son productos reales que se utilizan en el sistema sanitario y afectan a la toma de decisiones cada día. Están haciendo un daño enorme. A largo plazo, me preocupa que ese tipo de cosas provoquen reacciones que estarían justificadas para cerrar una serie de cosas que podrían ser muy positivas.

Alejarse de los datos y la tecnología también es posible…

Shervin Khodabandeh: ¿Tu actividad favorita que no implique tecnología?

Ziad Obermeyer: ¿Sin tecnología? Um, voy a interpretar eso liberalmente y asumir que una tabla de surf no implica tecnología, a pesar de que se necesita un montón de …

Shervin Khodabandeh: Me doy cuenta de que, para un académico, es una pregunta muy mal planteada.

Ziad Obermeyer: A mí me gusta mucho esquiar y a mi mujer, a pesar de ser sueca, no le gusta la nieve ni nada que tenga que ver con ella. Así que nos comprometimos a aprender a hacer surf juntos, y eso se ha convertido en una de mis actividades favoritas.

Y una de las cosas que más me gustan, incluso por encima del esquí, es la poca tecnología que hay. No hay remontes. No hay botas. No hay, como, todas estas cosas que necesitas para esquiar. En el surf, sólo necesitas una tabla, y luego sólo tienes que salir. Y es maravilloso.

Shervin Khodabandeh: Sí, y gracias por desafiar esa pregunta. Creo que tenemos que reformular la pregunta. ¿Cuál fue la primera carrera que quisiste? ¿Qué querías ser de mayor?

Ziad Obermeyer: Cuando yo estaba en la escuela primaria y secundaria fue cuando hubo esta enorme explosión de interés y optimismo en torno a la genética humana, y yo estaba fascinado por eso y por la biología. Y en retrospectiva, me alegro mucho de no haberlo hecho, porque creo en las cosas en las que estoy trabajando ahora. Sé que mis estudios tendrán un impacto mucho mayor en la salud y la medicina mucho antes que la genética humana.

El músculo de la colaboración: Ya Xu de LinkedIn

Un deseo para la IA

Shervin Khodabandeh: Por último, ¿cuál es su mayor deseo para la IA en el futuro?

Ziad Obermeyer: Cuando miro a mi alrededor y veo los usos que se están dando a la IA, creo que la proporción de cosas que están generando grandes cantidades de valor social es, por desgracia, bastante pequeña. Creo que hay mucha optimización de los clics publicitarios, y eso no me importa.

Quiero decir, me beneficio mucho de ello. No soy alguien que opte por no participar en todas esas cosas; quiero anuncios personalizados. Compro muchas cosas que están dirigidas a mí en Instagram. Creo que es genial. No critico la personalización de los anuncios. Pero creo que el coste de oportunidad de la personalización de los anuncios, teniendo en cuenta el talento, la tecnología y el dinero que se invierte en ella, es elevado. Eso en comparación con otras cosas, como la salud y la medicina y otras áreas en las que la IA tiene un enorme potencial.

Espero que en 10 o 20 años haya una proporción mucho mayor de personas trabajando en este tipo de cuestiones que en la actualidad.

Shervin Khodabandeh: Gracias por eso.

Ziad Obermeyer: Ha sido un placer hablar con los dos.

Despedida

Sam Ransbotham: Gracias por escuchar. La próxima vez, Shervin y yo hablaremos con Eric Boyd, responsable de la plataforma de IA de Microsoft. Hablamos entonces.

Allison Ryder: Gracias por escuchar Me, Myself, and AI. Creemos, como tú, que la conversación sobre la implementación de la IA no empieza y termina con este podcast. Por eso hemos creado un grupo en LinkedIn específicamente para oyentes como tú. Se llama AI for Leaders, y si te unes a nosotros, podrás charlar con los creadores y presentadores del programa, hacer tus propias preguntas, compartir tus puntos de vista y acceder a valiosos recursos sobre la implementación de la IA del MIT SMR y BCG. Puedes acceder visitando mitsmr.com/AIforLeaders. Pondremos ese enlace en las notas del programa, y esperamos verte allí.

SOBRE LOS ANFITRIONES

Sam Ransbotham (@ransbotham) es profesor del departamento de sistemas de información de la Carroll School of Management del Boston College. Shervin Khodabandeh es socio sénior y director gerente de BCG y colíder de BCG GAMMA (la práctica de IA de BCG) en Norteamérica. Puede ponerse en contacto con él en shervin@bcg.com.

Me, Myself, and AI es un podcast en colaboración de MIT Sloan Management Review y Boston Consulting Group, presentado por Sam Ransbotham y Shervin Khodabandeh. Nuestro ingeniero es David Lishansky, y las productoras coordinadoras son Allison Ryder y Sophie Rüdinger.

Síguenos en Google News