Imaginemos un listado de más de 2,5 millones de personas que necesitan acceder al sistema público de salud. Personas que esperan un especialista, un tratamiento, un examen médico, una intervención, una terapia. ¿Quién de ellos necesita una atención con más urgencia que el resto?
En esa misma lista, que se hace más y más larga, imaginemos de nuevo que en cada caso se escribió una enfermedad asociada a la persona, un posible diagnóstico, un medicamento o una recomendación médica para interconsulta. ¿Cómo saber qué persona debe ir al frente de esa lista, dependiendo de esos criterios?
Ese ha sido el reto de Jocelyn Dunstan (38) durante los últimos años. La inteligencia artificial y la Ciencia de Datos podrían ser la solución para el problema que los gobiernos de todos los tonos políticos han puesto en los primeros párrafos de sus programas: terminar con las listas de espera.
Estudió Física en la Universidad de Chile y un doctorado en Matemática Aplicada en la Universidad de Cambridge. Llegó a investigar en el laboratorio de Stephen Hawkins, incluso lo recuerda pasar en su silla de ruedas -bebiendo vino con cuchara en Navidad-, mientras ella modelaba matemáticamente la luminiscencia de una bacteria. Fue en una cena formal de la casa de estudios británica, vestidos con capas al estilo de una película de Harry Potter, cuando confesó que a pesar de haber llegado lejos en su carrera, algo le faltaba.
Para alguien que creció en La Pintana y llegó a pasar por las salas y laboratorios de Cambridge era un sueño. Así lo reconoce. Dunstan se sintió en el tope: una física en el laboratorio de Stephen Hawkins debiese ser el tope. Pero le inquietaba saber que no ayudaba a nadie directamente. “Hay pobreza, hay inequidad en el mundo, y yo estaba ahí estudiando una bacteria que emitía luz”, se decía a sí misma.
Ahí fue cuando le dijeron que su inquietud tenía solución. En Estados Unidos, la Universidad John Hopkins, una de las mejores en Salud Pública del mundo, requería personas que supieran de programación para especializarse en el área. Eso era lo que necesitaba la joven investigadora. Era el puente que quería construir entre el mundo de la salud y el de la matemática.
De niña soñaba con estudiar Medicina, lo sabía ella y toda su familia. Quería atender pacientes y mejorar la salud del país. Sin embargo, a última hora Dunstan descubrió su amor por la física. Fue gracias a su profesora del Liceo Carmela Carvajal, Eliana Flores, quien le transmitió que todo es difícil hasta que es obvio. Esta idea de no entender, no entender, hasta decir “¡entendí!” fue para Dunstan como sentirse en un éxtasis muy adictivo, difícil de darle la espalda.
Ahora, desde la Universidad Católica, y también desde el Instituto Milenio Fundamentos de los Datos, le da sentido a esa necesidad de mejorar la salud a través de la inteligencia artificial, el aprendizaje de máquinas y la minería de textos. ¿Cómo priorizar a las personas que requieren una atención de calidad en cada hospital a partir de los datos que diariamente se registran, sin un orden claro, en un computador?
A través del procesamiento automatizado de textos clínicos, el trabajo de Jocelyn Dunstan ayuda al Ministerio de Salud a priorizar las patologías más requeridas por región, sexo y edad, para así gestionar de manera más rápida la atención que debe recibir un paciente.
No solo investiga, también enseña lo que sabe y busca que esta metodología perdure en el tiempo y se expanda a otros desafíos en el mundo de la atención sanitaria. Incluso, creó un podcast para sus estudiantes, llamado “Ciencia de datos en salud”, que ahora está libre en Spotify y es escuchado por más gente de la que asiste a sus clases.
Jocelyn Dunstan, quien recibió en 2022 el reconocimiento a la Excelencia Científica a la Joven Investigadora Adelina Gutiérrez, otorgado por la Academia Chilena de Ciencias, comenta cómo este puente que creó en su carrera, esta interdisciplinariedad entre los datos y la salud, la ha llevado a embarcarse en este proyecto que promete mejorar la atención pública gracias a la ciencia y a la inteligencia artificial.
Todo eso es conectable con tu pasado y tu presente. Nunca abandonaste entonces esas ganas de estudiar Medicina...
No, y eso lo hablaba con otros profes. Me dicen que soy una especie de salubrista, pero con métodos matemáticos. En John Hopkins pude haber estudiado Epidemiología, pero esta historia de Jocelyn estudiando Física, queriendo ser médica, es lo que ahora me hace mucho sentido en mi labor. Todos los días quiero trabajar, y siento que hemos generado las capacidades para empezar a mirar distintos problemas.
Es un desafío que estamos tomando. Yo hago la detección de la información clave y la optimización la hace otro equipo. Esa parte colaborativa de la ciencia me hace un montón de sentido.
¿Y cómo es la recepción de esa idea, sobre todo en la comunidad médica?
Cuando volví estuve un año en la Escuela de Salud Pública de la U. de Chile, y en ese entonces creían que mi currículum era interesante, pero tampoco sabían bien qué hacer conmigo. Ahora es muy común la ciencia de datos en salud, pero antes no era algo que estuvieran pensando todo el tiempo.
Quizás debí haberme quedado un tiempo más afuera, pero de todas formas yo quería volver. Lo que me hizo volver a Chile fue pensar en que podía ser pionera en muchas cosas.
¿Cómo funciona este proyecto de optimización de listas de espera a través de la ciencia de datos?
Tienes que pensar en un Excel de 2,5 millones de filas, donde está toda la gente que está esperando, y el motivo de su espera es un párrafo escrito con texto. Cualquier optimización de atención al paciente requiere que uno entienda qué dice ese párrafo. Muchas veces eso está escrito de manera muy abreviada y es difícil de interpretar. A veces no está escrita la palabra “cáncer”, sino que aparece como “ca”, “TU”, “carcinoma”, etcétera. Hay muchas formas de decir lo mismo. Entonces esto requería la herramienta de procesamiento de lenguaje natural y aplicarlo específicamente en la medicina chilena.
¿Y los datos de dónde provienen?
Estuvimos dos años etiquetando el corpus de la lista de espera. Tomamos 10 mil notas, conseguidas por Ley de Transparencia, y gente con conocimiento clínico iba pasando el mouse por encima y categorizaba los términos como una enfermedad, un síntoma, un medicamento, una parte del cuerpo. Eso lo ocupamos ahora también para salud laboral. Con los documentos de seguridad ocupacional uno puede igual detectar partes del cuerpo, enfermedades. Y eso es lo que hemos hecho con las listas de espera.
¿Existen riesgos de que durante este proceso se filtre información sensible? ¿Cómo evitan eso?
Al pedir documentos por Ley de Transparencia, que son públicos, los envían con las columnas de información personal borradas. Eso no quiere decir que en el párrafo de diagnóstico no pudiera haber un nombre o un dato que se pudo pasar. Para eso tuvimos muchas tandas donde revisábamos cada ficha por cinco personas y nos asegurábamos de que no quedara información sensible. Pero en la era de los grandes modelos del lenguaje, cuando uno toma gigabytes de texto plano, no hay forma de revisarlos a mano. De hecho, una de las líneas de investigación actualmente que tengo es la preservación de la privacidad en los modelos de lenguaje.
¿Cómo podría ayudar todo esto para optimizar la urgencia de una lista de espera?
Hemos notado que existe una mezcla de estas listas, donde encontramos personas que esperaban procedimientos médicos en la lista de atención de especialistas, por ejemplo. La idea del proyecto es que puedas ordenar, y ya en el orden hay una mejora en la gestión.
Por ejemplo, cuando escriben en las fichas médicas “HTA” o “hipertensión arterial” a estos dos términos les otorgamos un código único. Este código es de uso internacional, por lo que si es escrito en otros idiomas también es unificado. Esto permite al Estado chileno comparar con otros países, incluso.
¿Y cómo ha sido el interés de este trabajo? ¿Es posible que otros países incluso se puedan interesar en este proyecto?
Yo creo que sí hay apoyo, pero puramente académico. Nuestro paper recibió el premio a la mejor publicación en una conferencia. Nos citan desde México, Colombia, y en parte avalan las cosas que estamos haciendo. Pero también es importante pensar que el problema de las listas de espera no surgió ayer ni se va a solucionar mañana, pero hay que seguir luchando para que este proyecto se use. No es tan sencillo eso, pero es algo en lo que he estado dando la pelea en los últimos cinco años.
¿Cómo ves que la inteligencia artificial esté cambiando la vida de la sociedad? ¿Qué grandes beneficios y amenazas percibes de esta tecnología?
Creo que toda la gente que ha conversado con ChatGPT se ha dado cuenta de que hay algo más que respuestas predefinidas. Es como si de verdad te estuviera entendiendo, que tiene incluso hasta sentido del humor. Yo creo que esa parte de la IA está cada vez más permeable. La inteligencia artificial es un concepto que vende mucho. Pero es importante tener en cuenta que sin datos no hay IA. Hay instituciones que quieren usarla, pero tienen la escoba con los datos. No tienen gobernanza ni orden con la información que tienen. No hay IA que se salte el proceso de levantar los datos, solicitar bases de datos de otras partes, decidir quiénes pueden tener acceso a esas bases, vigilar que no se mire la información privada de las personas en el proceso. Eso es muy interesante.
¿Hasta dónde se debería meter esta tecnología para no atentar contra la privacidad de las personas?
Es importante el concepto del apoyo en la decisión humana. Nosotros, ni cuando no sabíamos tanto de esta tecnología, hacíamos que el computador tomara las decisiones por un humano. En el caso de las listas de espera, si el programa encuentra que una persona no pertenece a una lista en particular, no la saca, sino que genera una alerta para que una persona fuera y cambiara a la persona de lista. No hay que perder el control del proceso.
