Utilizando nuevos métodos, las máquinas pueden aprender no sólo a hacer predicciones, sino también a lidiar con relaciones causales.
Se están desarrollando y probando muchos métodos de IA para procedimientos de obtención de imágenes o para calcular riesgos de enfermedades. Cuando se trata de reconocer patrones en grandes cantidades de datos, la máquina puede hacer un buen trabajo. Compara datos de ejemplos aprendidos, saca conclusiones de ellos y hace predicciones.
Aprendizaje automático causal
Ahora, un equipo internacional dirigido por el profesor Stefan Feuerriegel , director del Instituto de IA en Gestión de la LMU, está explorando el potencial de una rama comparativamente nueva de la IA para el diagnóstico y la terapia. ¿Pueden los resultados del tratamiento ser mejores con el aprendizaje automático (ML) causal que con los métodos actuales de aprendizaje automático? El equipo de investigación dirigido por Stefan Feuerriegel cree que de esta manera se puede mejorar la eficacia y la seguridad de los tratamientos.
En particular, la nueva variante de aprendizaje automático ofrece «una gran cantidad de oportunidades para personalizar las estrategias de tratamiento y así mejorar individualmente la salud de los pacientes», afirman investigadores de Munich, Cambridge y Boston. En lo que respecta a la asistencia mecánica en las decisiones terapéuticas, esperan un salto cualitativo significativo. El aprendizaje automático clásico reconoce patrones y descubre
correlaciones. Sin embargo, el principio causal de causa y efecto sigue siendo generalmente inaccesible para las máquinas. No pueden abordar la pregunta de por qué. Sin embargo, muchas preguntas que
surgen al tomar decisiones terapéuticas implican problemas causales.
La IA detecta cambios en el riesgo causado por la medicación
Los investigadores utilizan el ejemplo de la diabetes: la ML clásica tendría como objetivo predecir la probabilidad de una enfermedad si el paciente tiene varios factores de riesgo. Con la ML causal, lo ideal sería responder cómo cambia el riesgo si el paciente recibe un fármaco antidiabético, una causa (la administración del medicamento) y, por tanto, un efecto. También sería posible estimar si otro
plan de tratamiento sería mejor que, por ejemplo, el medicamento comúnmente administrado metformina.
Pero para poder estimar el efecto de un tratamiento – hipotético -, «los modelos de IA tienen que aprender a responder preguntas del tipo ‘¿qué pasaría si’?», afirma Jonas Schweisthal, estudiante de doctorado del equipo de Feuerriegel. «Le damos a la máquina reglas para reconocer la estructura causal y formalizar correctamente el problema», dice Feuerriegel. Debe aprender a reconocer los efectos de las intervenciones y, al mismo tiempo, comprender cómo las consecuencias se reflejan en la realidad en los datos proporcionados por las computadoras.
«El software que necesitamos para los métodos causales de aprendizaje automático en medicina no existe de fábrica», pero esto requiere un modelado complejo del problema respectivo, «en el que los expertos en IA y los médicos trabajen en estrecha colaboración», afirma Feuerriegel. En otras áreas de aplicación, como el marketing, el trabajo con ML causal se encuentra en fase de prueba desde hace algunos años. «Nuestro objetivo es acercar los métodos un paso más al uso práctico». NetMedia, Alemania, traducido al español
Contacto