De sistema de juego a un avance médico: Cómo Microsoft y Novartis crearon Assess MS

Cuando Microsoft lanzó el sistema Kinect para jugar videojuegos en Xbox, hace aproximadamente cinco años, este dispositivo atrajo el interés de una fuente poco probable: Novartis, la empresa de cuidado de la salud.

Durante años, Novartis ha tratado de encontrar maneras más consistentes de cuantificar si los tratamientos que desarrollan para la esclerosis múltiple (MS, por sus siglas en inglés) funcionan, pero evaluar si los síntomas de los pacientes se estabilizan o empeoran, es complicado.

Esto se debe en parte debido a que la esclerosis múltiple es complicada por sí misma: En algunos pacientes, los síntomas pueden progresar con una velocidad desgarradora, mientras que en otros podrían presentarse de manera lenta, errática y en un periodo de tiempo que abarque muchos años.

“Una de las cosas más difíciles de la MS es la incertidumbre acerca de ella”, comentó Cecily Morrison, investigadora en el laboratorio de investigación de Cambridge de Microsoft, en el Reino Unido, que ha pasado los últimos años trabajando en el proyecto de investigación que nació a partir de la idea de Novartis, conocido como Assess MS.

Para tratar de cuantificar el progreso de la esclerosis múltiple, los doctores han desarrollado un conjunto estándar de pruebas que realizan, como preguntar al paciente que toque su nariz o se siente con los brazos extendidos. Los doctores observan al paciente y luego usan una escala de clasificación para determinar qué tan fuertes son los síntomas del paciente.

¿Cuál es el problema? Los doctores son sólo humanos, y a pesar de que hacen su mejor esfuerzo para estandarizar la prueba de MS, al final el resultado es subjetivo. Los investigadores descubrieron que cuando a un grupo de doctores se le muestra al mismo paciente realizando el mismo movimiento, algunos lo interpretan como un “1” en la escala de clasificación, mientras que otros podrían decir que es un “2”. Incluso cuando al mismo doctor se le muestra el mismo movimiento en dos días diferentes, el doctor podría dar al paciente diferente clasificación.

[youtube https://www.youtube.com/watch?v=R0dRuQ7Xy2w]

“Los doctores con los que hemos trabajado en verdad se preocupan por sus pacientes. En verdad quieren lo mejor para ellos e incluso el mejor neurólogo admitirá que cuando utilizan estas escalas de clasificación, es algo un poco tosco”, comentó Abigail Sellen, investigadora principal en el grupo de Experiencia Humana y Diseño en el laboratorio de Cambridge de Microsoft, en Reino Unido. “Ellos saben que con el tiempo, hay mucha variabilidad, incluso bajo su propio juicio”.

Es por eso que la posibilidad de utilizar visión de cómputo, que es el tipo de tecnología encontrada en el sistema Kinect, era tan intrigante. Al utilizar una herramienta como Kinect, los investigadores en Novartis descubrieron que podían obtener una lectura más consistente sobre cómo se desempeñaba un paciente en cada una de las pruebas, lo que trajo un nuevo nivel de uniformidad que podría ayudar a los doctores a evaluar mejor el progreso de la enfermedad. En retorno, esto podría acelerar el proceso de obtener el mejor tratamiento para los pacientes.

La meta no era reemplazar al doctor, más bien aumentar su conocimiento de la enfermedad con una medición más consistente de los síntomas, de la misma manera en la que un oftalmólogo puede medir el declive de la visión de un paciente.

“Lo que no quieres hacer con estos sistemas es reemplazar al experto. Lo quieres fortalecer”, comentó Sellen. “Lo que hacemos es darles un conjunto de datos que puedan entrelazar con su juicio”.

Los científicos computacionales que trabajan dentro de la organización de Tecnología e Investigación de Microsoft se emocionaron de inmediato con la propuesta de Novartis.

Los investigadores de Microsoft han estado por mucho tiempo a la vanguardia en un campo llamado aprendizaje automático, que es una rama de la inteligencia artificial en la que los sistemas mejoran sus acciones conforme reúnen más datos. El aprendizaje automático es ideal para un proyecto como Assess MS porque, conforme el sistema de visión computacional captura más grabaciones de los movimientos de los pacientes, puede entregar resultados más consistentes al mostrar el progreso de la enfermedad.

El reto de Novartis ofreció una oportunidad de abrir un nuevo camino en el campo del aprendizaje automático a la vez que también ayuda a las más de dos millones de personas que tienen esclerosis múltiple a recibir tratamiento de manera más rápida. Pero para conseguir esto, tenían que descubrir algunas nuevas maneras de entrenar a los sistemas y obtener resultados.

“Estaba claro que este era un proyecto muy ambicioso”, comentó Peter Kontschieder, investigador de doctorado en Microsoft que ha construido muchos de los algoritmos de aprendizaje automático utilizado en el proyecto Assess MS.

“Estaba claro que este era un proyecto muy ambicioso”, comentó Peter Kontschieder, investigador de doctorado en Microsoft que ha construido muchos de los algoritmos de aprendizaje automático utilizado en el proyecto Assess MS.

En un escenario típico de aprendizaje automático, un experimento comienza con una gran cantidad de datos, como un montón de fotos de árboles. La computadora es alimentada con esas fotos y, a través de un algoritmo de aprendizaje automático, crea un modelo que reconoce cómo se ve un árbol. Luego, la siguiente ocasión que ve una foto de un árbol – incluso si no era una de las imágenes que se le mostraron en un principio – ha aprendido a identificar la imagen como un árbol.

Para el proyecto Assess MS, el primer reto era reunir datos.

Para poder obtener una visión precisa de cómo lo hacía un paciente con MS, ellos necesitaban descubrir una manera de hacer que la cámara de profundidad de Kinect, que está diseñada para reconocer los gestos de movimiento cuando se juega, recogiera movimientos sutiles como el balanceo del torso de un paciente.

Esto requirió que los investigadores crearan nuevos algoritmos que pudieran trabajar detrás de cámaras con la cámara de profundidad de Kinect y que pudiera reconocer las partes del cuerpo del paciente en una manera más sutil y brindar una representación más precisa de cómo el paciente se desempeñaba en cada una de las pruebas.

Incluso cuando crearon esos algoritmos desde cero, los expertos en aprendizaje automático sabían que no serían capaces de recolectar tantos datos como querían para tener que crear un modelo de aprendizaje automático. Esto es debido a que reunían estos tipos de grabaciones por primera vez y estarían limitados en el uso de los datos por las estrictas protecciones de privacidad de los pacientes.

También había un tercer reto. A diferencia del reconocimiento simple de imagen, en que el puedes decir si una imagen es un árbol o un auto, este proyecto requería que los investigadores lucharan con datos sutiles y subjetivos que muestran incluso la más ligera progresión de la enfermedad.

Todos estos retos requerían nuevas estrategias para etiquetar los datos de manera consistente, para que pudieran crear un fuerte modelo para cuantificar los resultados de manera precisa.

“Tuvimos que pensar mucho sobre algoritmos mejores y más precisos que en verdad recolectaran hasta las señales más sutiles que diferencian a un paciente con MS con uno saludable”, comentó Antonio Criminisi, investigador principal en inteligencia de máquina y percepción en el laboratorio de Microsoft en Reino Unido”.

Una colaboración entre doctor, paciente y tecnología

Como Kontschieder, Criminisi y los otros expertos en aprendizaje automático trabajaban en estos nuevos algoritmos, otro grupo de investigadores de Microsoft enfrentaban un elemento diferente del proyecto.

Para que funcionara Assess MS, necesitaban crear un sistema que pudiera ser fácil de utilizar por doctores y pacientes en el mundo real. Esto significaba que el sistema basado en Kinect que creaban necesitaba ajustarse a una sala de examen, que podría ser pequeña o estar llena de gente o tener en el camino objetos como sillas, y tenía que ser fácil de operar para los doctores y las enfermeras.

“Desde el principio, teníamos que preguntar, ‘¿Cómo hacemos que esto funcione en las clínicas?’”, comentó Morrison, científico computacional cuya experiencia se encuentra en la interacción humano-computadora.

Esto parecía lógico, pero Morrison comentó que un obstáculo común es que en ocasiones los investigadores diseñan herramientas dentro de un laboratorio, sin ninguna de las limitantes de una oficina real de un doctor, y luego se preguntan por qué la tecnología no funcionó en la práctica.

“Debe existir una colaboración entre el paciente, el doctor y la tecnología”, mencionó Morrison. “Lo que tratamos de hacer es conseguir un balance”.

Con Assess MS, por ejemplo, el equipo de interacción humano-computadora descubrió que algunos profesionales médicos se colocaban frente al paciente para demostrar el movimiento y al hacer esto se ponían en el camino de la cámara. Así que diseñaron una pantalla secundaria que pudiera moverse detrás de la cámara y guiara a los doctores de manera sutil fuera del camino mientras que aún les permitiera monitorear al paciente.

También crearon una sencilla animación de un humano que pudiera demostrar movimiento, para guiar de manera sencilla a los pacientes a que realicen los movimientos y también asegurar que estuvieran bien posicionados para que la cámara recoja los movimientos de manera precisa.

Por último, agregaron una manera para que los doctores vieran si algo estaba en el camino de la cámara, como una bolsa de mano en el piso. Y agregaron ruedas a la máquina, para que se pudiera mover de manera sencilla si algo está en el camino.

“Diseñamos el prototipo para ayudar a los doctores a ayudar a la computadora, para que pudieran obtener los datos que quieren”, comentó Morrison.

Mucho trabajo, muchas posibilidades

Después de años de trabajar en el diseño y los algoritmos, los investigadores comentaron que habían desarrollado una prueba de concepto, a través de un número limitado de pacientes, para así saber que el sistema funciona en un principio. El siguiente paso es probar Assess MS en la práctica para ver cómo funciona con un número más amplio de pacientes.

Por el momento, Kontschieder y sus colegas continuarán con las mejoras a los algoritmos que utilizan para medir los síntomas de los pacientes, porque continuarán recibiendo nuevos datos. En ese sentido, Kontschieder destaca, el trabajo en este proyecto nunca estará terminado del todo.

Por último, los investigadores esperan que Novartis y otras empresas farmacéuticas puedan utilizar Assess MS para acelerar las pruebas clínicas para esclerosis múltiple y tal vez, de manera eventual, para otras enfermedades similares también.

“Novartis aprovecha las tecnologías digitales para transformar el cuidado del paciente y el desarrollo de medicinas”, comentó Vas Narasimhan, jefe global de desarrollo en Novartis Pharmaceuticals. “Nos emociona nuestra colaboración con Microsoft Research para desarrollar Assess MS, una manera más consistente para medir las discapacidades motoras causadas por la esclerosis múltiple, que podría llevar al desarrollo de mejores terapias y cuidado para los pacientes”.

Imagen principal: Cecily Morrison, investigadora de Microsoft, demuestra Assess MS, una herramienta que busca llevar más consistencia para el rastreo del progreso de los síntomas de la esclerosis múltiple. (Foto por Jonathan Banks)