6

La IA en busca del bien global

La medicina ha sido una ciencia de los médicos con apoyo de datos. La medicina está a punto de ser una ciencia de datos con apoyo de los médicos.

CRAIG VENTER

Un día en Harvard

Es un día fresco y soleado en Boston. Estamos cerca de acabar una mañana de reuniones en el MIT y en Harvard. Yo, en particular, tengo curiosidad por conocer al profesor Clay Christiansen, que ha dado con una teoría de innovación disruptiva, esto es, de innovaciones que crean negocios completamente nuevos, no sólo que mejoran negocios existentes (por ejemplo, la llegada de la industria de las neveras y la congelación frente a la de conserva de alimentos en sal). Yo soy un gran defensor de construir modelos de cómo funcionan las cosas, ya que eso puede ayudarte a razonar y a hacer grandes innovaciones, pero también estoy convencido de que todos los modelos son claramente erróneos.

Dado que las cosas cambian constantemente, todos los modelos pasan por alto una parte de la realidad, y crear un modelo innovador probablemente sea muy difícil. No obstante, la diferencia entre los buenos y los malos es que algunos son más útiles que otros para comprender ciertas cosas. Tengo mucha curiosidad por oír hablar de sus teorías y modelos sobre cómo innovar con ambición y crear nuevas disrupciones, entre las cuales cuenta con recetas para crear una nueva empresa independiente que innove en proyectos muy ambiciosos de gran impacto social.

En los últimos años se ha hablado mucho del concepto de la «innovación disruptiva». El mismo profesor Clayton M. Christensen incluso ha moderado la euforia, aclarando lo que quiere decir al usar este término. A pesar de las grandes diferencias en la aplicación que se hace de ella, la mayoría coincide en que las innovaciones disruptivas:

1. Son más baratas (desde el punto de vista del cliente).
2. Son más accesibles (desde una perspectiva de usabilidad o distribución).
3. Usan un modelo de negocio con ventajas estructurales de precio (en relación con las soluciones preexistentes).

Si estas características de la disrupción son importantes es porque cuando las tres están presentes es difícil que una empresa existente pueda plantear competencia.

Para la reunión hemos quedado en el Harvard Faculty Club, edificio emblemático del campus de Harvard inaugurado en 1931 y en el que se exige que los hombres lleven americana y corbata. Nos reciben con canapés fríos y una copa de cava. Entre los invitados hay emprendedores de Boston, profesores y excolegas del MIT con los que he realizado investigaciones sobre redes.

En el momento en que me acerco a la barra en busca de otro vaso de agua con gas se me cruza el doctor Rosenquist, que se presenta con gran elegancia y elocuencia. Ha venido a verme desde el General Massachusetts Hospital, nombrado el mejor hospital de Estados Unidos y donde se inventó y se usó por primera vez la anestesia, en 1846. Lo que más le interesa es la posibilidad de conectar la tecnología, los datos masivos y los sensores para conseguir que la gente viva más tiempo con buena salud, y en particular la aplicación de alguna de las teorías del professor Clay Christiansen para reinventar el ámbito sanitario.

Intercambiamos tarjetas de visita y quedamos para el día siguiente en las instalaciones del Media Lab en el campus del MIT. Tengo la impresión de que es una ocasión más para sacar la tecnología del mundo de la tecnología y conseguir que tenga un impacto en el mundo real, en algo que afecta al día a día de la gente. Así que espero el día siguiente con esperanza, listo para embarcarme en una nueva aventura.

Resultó que el doctor Rosenquist era un experto psiquiatra muy preocupado por las enfermedades mentales. Quedamos para almorzar en un café cercano, junto al Charles River, con vistas del skyline de Boston, entre dos ciudades de lo más sugerentes, Boston y Cambridge —la de Massachusetts, sede del MIT y de Harvard—. Su esposa es psicóloga infantil, y dado que ambos teníamos un hijo prácticamente de la misma edad, lo primero de lo que hablamos fue de las cosas importantes de la vida (por ejemplo, de cómo conseguir que los niños se duerman).

Me sugirió que leyera un libro del doctor Richard Ferber, que básicamente describe el «método Ferber», basado en rituales nocturnos que combinan intervalos de tranquilizar al niño con otros en que se le deja solo, lo que a la larga debería inducir un comportamiento con el que los bebés se acostumbraran a dormir toda la noche.

Más tarde descubriría que existen numerosas aplicaciones para ayudarte a aplicar este método. Y éste no es más que un tipo de las muchísimas apps de salud y bienestar que van encontrando hueco en nuestra vida diaria. ¿Y si la próxima vez que vayas a la farmacia o al psicólogo te aconsejaran una app, o si el médico de familia te prescribiera una combinación de apps que usaran la tecnología big data y la IA para cuidar la salud y la forma física, en lugar de seguir una dieta?

Por ejemplo, hoy en día los padres y madres pueden hacer un seguimiento del crecimiento y el desarrollo de su bebé prematuro con sencillas aplicaciones. Los padres introducen la información a diario con una tableta. Esa información incluye datos sobre signos vitales, lo que ha comido el bebé o el número de pañales que ha mojado o manchado. Los datos se evalúan mediante algoritmos de IA que activan alertas al equipo de enfermería, lo que puede llegar a salvar la vida al bebé. Otras apps permiten interactuar con los hijos a distancia mediante la realidad virtual. Padres e hijos entran en el mismo mundo virtual, donde pueden jugar e interactuar. Por ejemplo, el padre o la madre puede narrar una historia que haga que ambos viajen a lugares mágicos sin salir de la cama.

Hoy en día los padres compran clips inteligentes para pañales, peleles inteligentes, calcetines inteligentes y tobilleras inteligentes para evitar que los bebés mueran durmiendo. Las muertes durante el sueño, que incluyen el síndrome de muerte súbita del lactante, o SMSL, matan a unos 3.500 bebés al año sólo en Estados Unidos También son difíciles de detectar —aparte de comprobar que el bebé hinche y deshinche el pecho, los padres tienen muy pocos recursos—. Aunque los estudios sobre si la monitorización de los bebés reduce el riesgo de SMSL aún no son conclusivos, cabría esperar muchos adelantos en este campo combinando sensores y datos.

La IA y la salud mental

Al doctor Rosenquist le interesaba saber cómo podían ayudar los macrodatos y la IA en particular a la salud mental. Está convencido de que la tecnología móvil revolucionará la asistencia sanitaria, empezando por la salud mental. Obtener datos inmediatos relacionados con la salud mental del paciente (estado de ánimo, etc.) es de importancia capital, y los nuevos biomarcadores electrónicos para la salud mental serán como un ECG de la salud mental. Para llegar a esto, hay que establecer relaciones entre ingenieros informáticos, científicos de datos, médicos y hospitales/proveedores de servicios sanitarios que estén familiarizados con las necesidades y los métodos de los otros.

Rosenquist me explicó que ciertas enfermedades mentales, que se miden a través de los recuerdos del paciente —en muchos casos precisos— en una entrevista, se basan en una serie de síntomas que pueden controlarse con una combinación de big data e IA, innovadores sensores y teléfonos móviles. Sugirió que actualmente los médicos poseen de una imagen poco precisa de la evolución del paciente, basada únicamente en los síntomas del paciente durante las visitas, pero que puede mejorarse mucho con los datos recogidos con dispositivos móviles, que ofrecen una información mucho más detallada, a una escala nunca vista antes, y mucho mejor que la obtenida con estudios intermitentes sobre el estado de la persona. Por ejemplo, los patrones del sueño, los niveles de energía, los niveles de concentración, los síntomas psicomotores (levantarse de la cama) o el interés en diferentes actividades son síntomas de trastornos psiquiátricos que se pueden medir fácilmente a través de dispositivos móviles.

Quedamos en vernos de nuevo en Barcelona y desarrollar esas ideas aún más. Yo volví a casa con ganas de probar el método Felber y esperando que así todo el mundo pudiera dormir mejor por la noche, pero seguía pensando en la relación entre big data, IA, teléfonos móviles y salud.

Hace cinco años, Ben Lipkowitz, que ahora tiene veintiocho años, vivía con unos amigos en Bloomington (Indiana, Estados Unidos), y se le ocurrió preguntarse cuánto tiempo se pasaba lavándole los platos a uno de sus compañeros de piso. Lipkowitz tenía un datebook electrónico que se había comprado en un viaje a Tokio, y el 11 de mayo de 2005, a las 14.20, empezó a usarlo para llevar un registro de sus acciones. En lugar de introducir sus citas futuras, introdujo sus actividades pasadas, creando un relato de su vida bastante completo.

En cierto sentido no era más que un diario personal normal y corriente, sólo que en formato digital y con un detalle poco habitual. Pero el formato y el detalle eran lo que marcaba la diferencia. Lipkowitz posteriormente transfirió todos los datos a su ordenador, y ahora, con unos cuantos comandos abreviados, puede recuperar su historial. Sabe cuánto ha comido y cuánto ha gastado. Sabe qué libros ha leído y qué objetos ha comprado. Y, por supuesto, tiene la respuesta a su pregunta de partida: «Yo pensaba que me pasaba una hora al día lavando lo que ensuciaba esta persona —dijo Lipkowitz—. Y resultó que eran más bien veinte minutos».

Usamos números cuando queremos revisar un coche, analizar una reacción química, predecir el resultado de unas elecciones. Usamos los números para optimizar una línea de montaje. ¿Por qué no usar los números y los datos con nosotros mismos?

El contraste con la noción terapéutica tradicional de desarrollo personal es sorprendente. Cuando nos medimos a nosotros mismos, no tenemos el imperativo de mirar más allá de nuestra existencia diaria y observar una verdad oculta a un nivel más profundo, sino que entendemos la personalidad de nuestros pensamientos y acciones más triviales, la personalidad que, sin ayuda técnica, podría pasarnos desapercibida, como la personalidad que deberíamos llegar a conocer. Por encima de la atracción que generan las cifras de los macrodatos de uno mismo está la suposición de que muchos de nuestros problemas proceden simplemente de la falta de instrumentos para comprender quienes somos.

Nuestros recuerdos son pobres; somos vulnerables a muchos tipos de sesgo; sólo conseguimos fijar la atención en una o dos cosas a la vez. No tenemos un podómetro pegado al pie, ni un espirómetro en los pulmones, ni un monitor de glucosa instalado en las venas. Nos faltan las herramientas físicas y mentales necesarias para evaluarnos a nosotros mismos. Necesitamos ayuda de las máquinas y de la IA.

Según The Economist, hace cien años un audaz investigador fascinado por el misterio de la personalidad humana haría uso de nuevos conceptos psicoanalíticos como la represión y el inconsciente. Estas ideas fueron inventadas por personas a las que les encantaba el lenguaje. Y aunque los conceptos terapéuticos de la naturaleza personal iban haciéndose cada vez más comunes y adquirían una forma simplificada y más accesible, conservaban algo del elaborado humanismo literario de sus inventores. Desde la languidez del diván del psicoanalista a la indiscreción de un cuestionario de autoayuda, las formas dominantes de la exploración personal suponen que el camino hacia el conocimiento se fundamenta en las palabras.

Ahora podemos explorar una ruta alternativa. En lugar de investigar los mundos interiores de la gente a través del habla y la escritura, podemos usar la IA y las cifras de los macrodatos. Aún estamos lejos de retirar de escena para siempre el diván del psiquiatra, pero el uso de la IA en la exploración personal promete mucho, aunque sólo sea porque ofrece una respuesta a los que a la pregunta «¿Quieres hablar de ello?» responden con un sonoro «No».

Hace poco vi un mensaje de correo electrónico de un director de cine de veintiséis años llamado Toli Galanis que sigue unos cincuenta flujos de datos personales diferentes, que incluyen actividades, salud, las películas que ha visto y los libros que ha leído, los amigos con los que habla y los temas de los que tratan. Aunque Galanis ha reconocido que disfruta recopilando datos y organizándolos de forma inteligente, lo que me llamó la atención fue otro aspecto de su declaración. «Sé que inmediatamente después de ver una película mala tiendo a ser más negativo con respecto a mis perspectivas profesionales como director de cine», escribió, a lo que añadía que desde que hacía ese seguimiento se le daba mejor detectar la influencia de circunstancias aparentemente triviales sobre su estado de ánimo y sus decisiones.

La idea de que nuestra vida mental se ve afectada por causas ocultas es un pilar de la psicología. La facilidad para gestionar el flujo de pensamientos y emociones es señal de felicidad y de equilibrio. Pero ¿cómo se hace? Prácticamente todas las prescripciones terapéuticas implican una invitación a observar, a prestar atención. Una vez tenemos una noción en el punto de mira, podemos atacarla con un arsenal de herramientas: cognitivas, psicoanalíticas o incluso espirituales. Pero ninguna de ellas nos dirán si se nos ha pasado algo por alto. Puede que simplemente se te haya pasado por alto un hábito debilitante, una correlación negativa o una mala influencia.

La observación de Galanis al darse cuenta de que las películas malas le provocaban un desánimo en lo profesional es el tipo de conclusión que parece estar al alcance de cualquiera con una mínima conciencia personal; descubrirlo no resulta más difícil que ver un dólar tirado en la calle y recogerlo. Pero por cada dólar que coges, ¿cuántos se te pasan por alto?

Por supuesto, a veces se nos pasa por alto lo que hacemos porque estamos motivados para no verlo. Nos avergonzamos de nosotros mismos, así que nos mentimos. Shaum Rance empezó a hacer un seguimiento de su ingesta de alcohol hace dos años, después de que a su padre le diagnosticaran una enfermedad hepática terminal. No decidió dejar de beber; no hizo un minucioso inventario moral; simplemente se puso a contar, usando la web anónima drinkingdiary.com. Y observó que su memoria externa tenía un gran poder.

Con este registro de datos de las copas que tomaba, adquirió más conciencia y aumentó la sensación de autocontrol, con lo que acabó bebiendo menos. Como la cuenta la lleva una máquina, no siente la vergüenza social que habría podido hacerle infravalorar, conscientemente o no, la ingesta de alcohol. «Al diario no le miento», explica. Al fin y al cabo, sería una tontería fingir ante una máquina y esconderse ante los resultados. El sistema de control es una extensión de una facultad básica de la conciencia de Rance, que le recuerda la realidad, y que lo hace sin ninguna emoción de por medio. Y tal como lo ve él, eso es una virtud.

Recoger estas débiles señales de IA nos da perspectiva. Margaret Morris, psicóloga clínica e investigadora de Intel, hizo recientemente una serie de ensayos de campo usando el teléfono móvil para llevar un registro de emociones. En momentos al azar, el teléfono sonaba e interrogaba a su propietario sobre su estado de ánimo. Un participante de uno de los estudios de Morris repasó las tendencias que mostraban sus datos y observó que cada día se ponía de mal humor a la misma hora. Efectuaba una transición acelerada del trabajo al hogar. Aunque aún tenía en mente las tareas inacabadas, introducía nuevas demandas, y el estrés le acompañaba el resto de la tarde. Los datos le demostraron cuál era el problema. Con esta ayuda aprendió a hacer una breve pausa mental en aquel momento y encontró un gran alivio.

Los psiquiatras buscan sofisticadas herramientas computacionales y de IA que puedan desenmarañar las complejidades de las enfermedades mentales y mejorar las decisiones de tratamiento. Se ha investigado y experimentado mucho para intentar comprender algunas enfermedades mentales incurables. A pesar de que se han encontrado modos de aliviar los síntomas, la prevención y el diagnóstico precoz siguen siendo un problema en la búsqueda de una cura potencial. La detección precoz de los cambios cognitivos puede ralentizar significativamente el desarrollo de la enfermedad, sus complicaciones, y evitar sus devastadoras consecuencias. La inteligencia artificial, basada en la ciencia cognitiva y con su capacidad para procesar cantidades de datos ingentes, puede ser ese elemento que nos faltaba para resolver el misterio que envuelve los trastornos neuronales.

La IA ofrece una enorme cantidad de oportunidades para mejorar la salud y la asistencia social. Y cada vez se presta más atención al valor que puede tener en la mejora exponencial de la investigación y el diagnóstico de las enfermedades mentales en particular.

Pasamos muchos años intentando diagnosticar enfermedades mentales complejas y variadas, y en identificar posibles tratamientos para los pacientes. Parte de la dificultad que experimentamos radica en que no hay una relación clara entre un diagnóstico, sus síntomas y la causa biológica. Dos pacientes podrían tener la misma afección y los mismos síntomas —pongamos, por ejemplo, una depresión—, pero el origen de la afección podría deberse a dos causas diferentes dependiendo de una variedad de factores de cada individuo, biológicos o de otro tipo. Del mismo modo, dos personas con la misma afección podrían no compartir ningún síntoma, e incluso podría pasar que dos personas tuvieran los mismos síntomas y enfermedades diferentes.

La complejidad de todas las variables implicadas crea graves problemas a los psiquiatras para identificar la causa de las diversas enfermedades mentales, por lo que necesitamos herramientas más potentes para establecer relaciones entre síntomas, trastornos y causas. Ahí es donde pueden ser de ayuda la IA y los análisis de datos.

A la hora de estudiar la salud mental y el cerebro, los neurólogos tienen acceso a unos conjuntos de datos significativos —neuronales, anatómicos, de actividad, cognitivos, clínicos y genéticos, entre otros— que se recopilan durante la investigación y el tratamiento.

Hasta ahora no teníamos dónde almacenar estas grandes cantidades de datos, y mucho menos podíamos aprovechar todo su valor, las oportunidades y la información que nos daban para sustentar e impulsar nuevas vías de investigación de las enfermedades mentales.

No obstante, con la incorporación de la computación en la nube, el desarrollo de la IA y de las herramientas de análisis de datos, el panorama ha cambiado.

Los análisis avanzados realizados con la información recopilada a partir de diferentes fuentes de datos permiten secuenciar el genoma y elaborar un mapa cerebral, lo que nos da la oportunidad de descubrir genes y zonas del cerebro hasta antes desconocidos. Esta nueva información tiene un valor enorme y puede ampliar los horizontes de nuestros conocimientos actuales y de nuestra comprensión de la salud mental.

Combinando diversas fuentes de datos de pacientes, y utilizando técnicas de aprendizaje automático para detectar patrones relevantes, conseguiremos entender mejor la relación entre síntomas, diagnóstico y tratamientos, lo que nos permitirá mejorar las decisiones clínicas que tomemos en el futuro, identificar los tratamientos más efectivos para determinadas situaciones y detectar trastornos de forma precoz.

La posibilidad de aplicar la IA y recopilar datos de equipamiento y apps es una gran ventaja para los investigadores y los psicólogos. El tratamiento de una persona con depresión solía suponer interminables interrogatorios, a veces incluso semanales. «¿Hoy está contento?» «¿Ayer sentía angustia?» Eso provoca numerosos problemas: en primer lugar el sujeto quizá no sepa cómo informar, reconocer o cuantificar sus propias sensaciones; en segundo lugar, este enfoque pasa por alto que la depresión, como otros estados, no se mantiene estática ni presenta siempre el mismo aspecto; y además es una simplificación de lo que pasa por la mente o por la vida de la persona.

La posibilidad de acceder a los datos de las redes sociales, de los smartphones o de equipos portátiles para su análisis, e incluso de compararlos con conjuntos de datos masivos, podría llevarnos a un modo de interacción completamente nuevo. Ciertas conductas en las redes sociales se han asociado incluso con la depresión posparto con admirable precisión.

Lo que realmente supone un cambio es la nueva generación de asombrosos algoritmos de IA. Estos algoritmos no sólo valoran los cambios de estado y los textos «sobre mí», sino que también analizan las listas de amigos, establecen correlaciones y detectan densidades —lo fuerte que es realmente una red social—. Analizan cuándo se ha unido el usuario al mundo de las redes sociales, la frecuencia de sus posts, y las páginas que dice que le gustan o las apps que usa. Estos detalles pueden convertirse en una información muy específica sobre la personalidad de un individuo.

A los tutores universitarios se les asignan tareas ingentes, desde ayudar a los estudiantes en su camino hacia la graduación hasta el tratamiento de sus trastornos mentales. Estas tareas pueden convertirse en algo difícil de gestionar cuando cada tutor tiene que ocuparse de muchos estudiantes, sobre todo por lo limitado de sus herramientas.

En muchas universidades, una de las herramientas que se usan para rebajar la carga de los tutores es el análisis predictivo. La colección de datos de los estudiantes, sean informatizados o en papel, siempre han suscitado preocupaciones sobre la privacidad del estudiante, la marginalización de ciertos grupos de estudiantes, e incluso la falta de transparencia. Todos estos factores tienden a magnificarse cuanto más crece el grupo.

Sin embargo, en la Georgia State University han encontrado un modo de usar la IA con sus 24.000 estudiantes para mejorar diversos factores. La universidad, en colaboración con una consultora externa, analizó los datos de 2,5 millones de notas obtenidas por los estudiantes a lo largo de siete años. Este análisis produjo una lista de factores que influyeron en la posibilidad de cada estudiante de llegar a graduarse, y creó un sistema que enviaba señales de aviso precoces, no sólo a los estudiantes, sino también a sus asesores. El sistema usa más de 700 alarmas para identificar los problemas del estudiante para cumplir con los requisitos necesarios para completar sus estudios, y para ayudar a los profesores a actuar en consecuencia.

El progreso de la tecnología informática, de los procedimientos estadísticos y el uso de la IA para la predicción del comportamiento humano están arrojando luz sobre asuntos tan importantes como la salud mental, la educación, las relaciones íntimas y muchos otros.

La salud física y la IA

De vuelta en Asturias, donde abunda la comida fresca y las maravillas del mar Cantábrico se combinan con las delicias de los Picos de Europa para crear una combinación de experiencias dignas del paraíso en la Tierra, fui a ver al doctor Carlos López Otín, científico de fama mundial que trabaja en el genoma del cáncer. Quedé con él en Oviedo, donde tiene su despacho, con una mesa de escritorio cubierta de estudios y registros científicos que casi impiden verlo cuando se sienta en su silla.

El doctor López Otín se toma su tiempo para describir su investigación, la aplicación del análisis de datos para la descodificación del ADN; coge una hoja de papel y me explica con elocuencia cómo intenta descodificar el ADN de determinados tumores. Recientemente ha descodificado el genoma de la leucemia linfocítica crónica. Los avances en la biología molecular del cáncer realizados en las últimas décadas han determinado que es una enfermedad causada por la acumulación de daños genéticos en las células normales, pero hasta ahora la identificación de estos cambios está resultando ser un proceso lento y laborioso.

No obstante, gracias a los equipos de secuenciación genética más modernos, este proceso se ha acelerado, y ahora mismo este centro puede secuenciar hasta seis genomas humanos en un día. Para analizar el volumen de datos generados en este proyecto han sido necesarios programas especializados. La herramienta de datos y software desarrollada por la Universidad de Oviedo para este objetivo se llama Sindrón, y ha resultado ser esencial para la identificación de las mutaciones presentes en los genomas de los tumores. Con más datos y IA el proceso solo se acelerará y abaratará aún más. Hoy ya hay secuenciadores de ADN en formato USB por menos de 1.000 Euros (MiniON), reduciendo de manera considerable los tiempos y costes.

El doctor Otín me cuenta que el cáncer es algo que todos acabaremos sufriendo si vivimos lo suficiente, pero también menciona algo igual de sorprendente: que aunque hoy en día dedicamos el 80 por ciento de nuestros esfuerzos a solucionar problemas relacionados con enfermedades crónicas, apenas nos fijamos en los patrones de conducta que podrían señalar afecciones graves de forma precoz. Parece que aquí hay un campo en el que trabajar, y donde la IA y los datos genéticos y epigenéticos pueden ayudar mucho a predecir patrones nocivos. Hoy una gota de tu sangre puede predecir una foto de tu cara, lo que no debería ser sorprendente porque los gemelos comparten el mismo ADN. Con IA, 1.100 muestras de genomas y 1.100 fotos, e identificando el gen correspondiente al tamaño de la nariz, color de los ojos, etc. una muestra de ADN puede usarse para crear imágenes o avatares que se parecen mucho a ti o a un familiar.

Craig Venter, el biólogo estadounidense que arrancó su propio proyecto Genoma Humano en 1999, acaba de lanzar sus propios hospitales (Health Nucleus) para detectar enfermedades en estadios tempranos o antes de que pasen (cánceres, aneurismas, problemas neurológicos). Esto lo consigue a través de una combinación de escáneres, análisis de sangre, estudios del corazón y sobre todo con el análisis de tu ADN y de 150 gigabytes de datos obtenidos de tu cuerpo que con la ayuda de IA consiguen en tres horas y por varios miles de Euros hacer un chequeo exhaustivo y preventivo de tu salud.

Estoy en Asturias sólo unos días, para ver a mi familia antes de volar a Nueva York, donde voy a encontrarme con «el hombre más conectado del mundo». Chris Dancy, conocido como el hombre más conectado del mundo, tiene cuarenta y cinco años y entre 300 y 700 sistemas activos en todo momento, sistemas que capturan datos sobre su vida en tiempo real. Sus muñecas están cubiertas con tecnología portátil de diversa índole, como el monitor de actividad Fitbit y el reloj inteligente Pebble. Se pesa en la báscula wifi Aria, en casa usa la iluminación Hue, controlada por teléfono, y duerme sobre una funda de colchón Beddit para hacer un seguimiento del sueño. Incluso sus perros llevan el controlador Tagg, que registra sus actividades diarias.

Dispone de un registro de todos sus datos médicos (radiografías, análisis de sangre, informes, etc.) de hospitales, consultas y laboratorios médicos, todo ello escaneado y procesado digitalmente. Cuando va al médico, lleva consigo terabytes de datos para que éste pueda analizarlos. Bromea diciendo que ningún médico quiere hacerse cargo de su salud. No me extraña… Probablemente él le haga más preguntas al médico de las que éste pueda responder. Pero está decidido a usar la IA para cuidar la salud. De hecho, antes tenía sobrepeso, y ha conseguido perder 45 kilos.

Almorzamos juntos y aprovechando la ocasión, le pregunto sobre la dieta que siguió para perder todo ese peso. Me esperaba que me hablara de una combinación mágica de dieta que le hubiera hecho pasar hambre, o de algún tipo de intervención gástrica para adelgazar. Pero su respuesta es sorprendentemente reveladora.

La principal diferencia fue desarrollar una percepción de su situación en cada momento, en términos de ingesta calórica, y en darse cuenta de cuáles eran las situaciones nocivas que le hacían comer de más. Por ejemplo, darse cuenta de que había sido un día de mucho trabajo y de que su tendencia natural al llegar cansado a casa sería ir a la nevera y echar mano del helado y de una cerveza.

De este modo podía prepararse para esas situaciones y por ejemplo colocar la cerveza en otra parte de la casa, para evitar lanzarse a esa espiral negativa de combinar cerveza y helado, lo que suponía una gran ingesta calórica con un valor nutricional muy bajo.

Cuando empezó a realizar un seguimiento de sus hábitos, examinó atentamente los días en que aumentaba su ingesta calórica, y vio que en muchos casos dependía de con quién estaba o en qué restaurantes (frente a cuando comía en casa). Dancy empezó a evitar comer con determinadas personas, a ciertas horas y en ciertos lugares, y empezó a quedar con ellos sólo para tomar café, y estableció filtros para conseguirlo. Perdió 15 kilos sólo eliminando los desencadenantes que le condicionaban. Era mucho más consciente de cómo responder a la vida y tomar medidas para ajustarse a su entorno. Se creó hábitos más sanos gracias al feedback de los datos que obtenía. Con el seguimiento de sus hábitos diarios y la introducción de pequeños cambios consiguió mejorar su salud.

Desde el nacimiento de mi hijo yo también había acumulado unos cuantos kilos. Cambiar de alimentación o hacer ejercicio no estaba dándome resultados, y el cambio de mis patrones de vida estaba empeorando aún más las cosas. No es que me preocupara excesivamente, y no había hecho dieta nunca, pero la charla con Chris Dancy me animó a experimentar y ver qué efecto podían tener los datos en mí mismo. Así que me instalé una app para móvil que me ayudaba a contar el número de calorías que tomaba a diario. Esta app la usan actualmente 100 millones de personas, e incluye una base de datos exhaustiva de ingredientes y platos, y también cartas de restaurante con un listado de calorías para cada artículo.

La app me preguntaba a varias horas del día qué estaba comiendo (por ejemplo, zumo de naranja, bocadillo de jamón, ensalada de tomate, etc.), y la cantidad (por ejemplo, una ración o media, o incluso el peso en gramos). Antes de empezar, la app también me había preguntado mi peso de partida, la altura y el peso deseado.

Yo introduje escrupulosamente los datos de todo lo que comí durante tres semanas, suficiente como para tener una buena muestra, durante el desayuno, el almuerzo y la cena, incluidos líquidos y tentempiés. Y un mes después de haber iniciado mi análisis obtuve un resultado inesperado: ¡El análisis de datos me decía que estaba comiendo mucho menos de lo que debía! Unas 500 calorías menos al día, lo que significaba que estaba muy por debajo de mi índice metabólico basal, que es el número de calorías necesario para mantener el cuerpo vivo y funcionando, aunque te pases el día tirado en la cama y no muevas un músculo. Visité a un nutricionista, y me dijo que tenía sentido. Cuando el cuerpo no cuenta con las suficientes calorías, se pone en modo de ahorro de calorías, y todo lo que comes lo acumula en forma de grasa, en preparación de posibles períodos de hambre futuros.

Para perder peso es necesario reducir el consumo de calorías. Pero si reduces demasiado el consumo de calorías, el metabolismo se vuelve tan lento que tu cuerpo entra en un estado en el que la pérdida de peso se detiene por completo. Algunas personas también creen que el no comer suficientes calorías no sólo impide perder peso, sino que puede provocar que el peso aumente. Así que básicamente comer demasiado poco impide el adelgazamiento. En algunos casos incluso puede provocar ganar peso. Para «salir» de ese estado y empezar a perder peso hay que comer más calorías, no menos.

Si las cifras eran correctas, ¿suponía que tenía que comer más para perder peso? La app sugería que así era. Supongo que no tenía nada que perder. En el peor de los casos, ganaría un par de kilos más y luego pararía. ¡Pero funcionó! Durante unos dos meses comí la cantidad de calorías que recomendaba la app, lo cual en algunas ocasiones significaba obligarme a comer más. ¡Y voilà! Perdí 1,5 kilos al mes durante 4-5 meses hasta que recuperé el peso que me había propuesto como objetivo.

Desde entonces no he vuelto a ganar peso, sobre todo porque ahora sé qué es lo que me funciona, cuáles son los estímulos que hacen que opte por determinados alimentos que me convienen y cuáles evitar; a qué horas del día necesita ingerir calorías mi cuerpo y a qué horas no; cómo mantener los niveles de energía y la ingesta de calorías a un nivel suficiente y constante para no tener ataques de hambre o picos de azúcar que el cuerpo no puede procesar con la suficiente velocidad y que acaba convirtiendo en grasa. De hecho también me he vuelto más consciente de mí mismo gracias a los macrodatos. Ahora tengo una visión de mí mismo a través de los big data que espero que me sirva durante muchos años para mantenerme sano y en forma.

Hay decenas —si no cientos— de apps de adelgazamiento en el mercado, y suelen clasificarse en dos categorías: alimentación y fitness. Las apps de tipo diario alimentario te ayudan a llevar un seguimiento de lo que comes y de las calorías, las grasas, los azúcares, los carbohidratos, las proteínas, etc. Muchas de estas apps requieren la introducción manual de la información sobre los alimentos que has comido, que luego se comparan con la base de datos para calcular la información nutricional de los alimentos. Las apps de fitness te ayudan a hacer un seguimiento del ejercicio que haces e incluso te proporcionan programas físicos y sugerencias. Entre los programas más populares están el «Couch to 5K», los entrenamientos de fuerza, de yoga, y el «entrenamiento científico de 7 minutos».

Las básculas inteligentes también están ganando popularidad. En lugar de limitarse a dar el peso, pueden identificar a la persona y diferenciar a los miembros de la familia. Pueden enviarte los datos del peso al teléfono o al ordenador, o sincronizarse con una app. También pueden calcular el porcentaje de grasa corporal, hacer un seguimiento de tus progresos y darte mensajes de ánimo.

Llega un momento en que los propósitos de Año Nuevo empiezan a fallar, y en que los objetivos de adelgazamiento van quedando aparcados, salvo en el caso de los más decididos. Así que la empresa de prendas y accesorios de deporte Under Armour decidió estudiar qué era lo que hacían de un modo diferente los que lo conseguían, estudiando los datos recogidos con su app MyFitnessPal.

En un estudio realizado con 4,2 millones de usuarios se observó que 427.000 están a menos de un 5 por ciento de su objetivo de adelgazamiento; Under Armour intentó descubrir cuál era su secreto. El resultado fue sorprendente. Los usuarios que lo conseguían no comían menos carbohidratos, azúcares o grasas; de hecho su ingesta de calorías era más o menos la misma que los que tantas dificultades tenían para seguir su dieta.

¿Cuál era la gran diferencia? Que ingerían mucha más fibra. Los que consiguen su objetivo de adelgazamiento comen un 29 por ciento más de fibra, una media de 13,5 gramos frente a los 10,5 g de los que no alcanzan sus objetivos.

Curiosamente, hasta esos 13,5 g están significativamente por debajo de los 25 g o los 38 g recomendados para mujeres y hombres, respectivamente, así que es posible que aún haya espacio para la mejora. De modo que si tu programa de adelgazamiento empieza a perder fuelle, quizá sea el momento de recurrir a los macrodatos y la IA.

La IA para el bien global

Una gestión efectiva y eficiente a las emergencias y a los desastres naturales, sumada a la reducción de riesgos, puede salvar vidas y viviendas, reducir al mínimo el impacto económico y aumentar la capacidad de resistencia a nivel global y local.

En los últimos veinte años, unos dos tercios de la población han sufrido desastres naturales. 4.400 millones de personas se han visto afectadas, la mayoría por inundaciones y sequías, y ha habido 1,3 millones de víctimas (muchas de ellas en terremotos), 2 billones de dólares en pérdida económicas y una gran cantidad de población desplazada, lo que ha aumentado los riesgos sanitarios, la escasez de alimento y el shock emocional tras el desastre.

En 2012, el 93 por ciento de los 905 desastres naturales registrados en todo el mundo se debieron a la meteorología, y este tipo de desastres va en aumento debido al aumento global de las temperaturas en la superficie terrestre.

Sólo el 33 por ciento de los países que sufrieron estos desastres tenían una renta per cápita baja o baja-media, pero el 81 por ciento de las víctimas pertenecían a ese grupo de países. Y la tendencia va empeorando. El número de desastres por año va creciendo (14 por ciento de aumento entre 1995 y 2004); más del doble que los diez años anteriores). Se espera que hacia 2030 vivan en los 49 países más susceptibles de sufrir desastres hasta 325 millones de personas en situación de extrema pobreza.

Hoy en día la gestión de los desastres requiere cuatro fases de actuación: mitigación, preparación, respuesta y recuperación. Durante las fases de respuesta y recuperación, la comunicación es crítica, ya que conecta a los efectivos de respuesta inmediata con los coordinadores y responsables de una multitud de organismos (que deben trabajar al unísono), así como a los afectados, a las familias y a las comunidades con los sistemas de apoyo y entre sí.

Los informes falsos y la mala información pueden agravar aún más el desastre, provocar el pánico y aumentar el alcance del impacto. En estas circunstancias son esenciales la comunicación y la información fidedigna. Si los expertos reciben una avalancha de datos mal enfocados, quedarán abrumados y no sacarán nada. Y no disponer de referencias para interpretarlos y de información a tiempo real puede dificultar la labor de los científicos informáticos que colaboran en la emergencia; es necesario disponer de los datos idóneos, en el formato idóneo, y deben llegar a las personas idóneas, con tiempo suficiente para que puedan tomar decisiones.

La convergencia de la IA, el aprendizaje automático y la tecnología avanzada de sensores remotos hace más efectiva y eficiente la gestión de desastres naturales y situaciones de emergencia. Las innovaciones en la robótica también ayudan muchísimo. Desde el 11 de septiembre se han usado robots en 47 desastres en 15 países, sean pequeños vehículos aéreos controlados a distancia, como drones, o pequeños robots tácticos terrestres capaces de colarse por donde no pueden entrar las personas ni los perros. Estos robots pueden proporcionar datos geoespaciales en grandes incendios, en misiones de búsqueda y rescate, de valoración de daños, de transporte de provisiones y medicinas, en la gestión de desastres costeros —robots marinos— y en el apoyo a los cuerpos de respuesta inmediata.

Los datos móviles también contribuyen a solucionar algunas de las necesidades más acuciantes de nuestra especie, y a mejorar el bienestar. Pero es importante contar con mecanismos transparentes para que la gente pueda compartirlos con este objetivo y retirarlos de los registros de datos agregados. Esta cuestión hace necesario contar con normas de referencia internacionales, como las que se aprueban en sectores como la banca, la asistencia sanitaria, la educación, las redes sociales y otros servicios en línea.

Necesitamos actualizar nuestros estándares técnicos, la normativa y la legislación antes de hacer uso de este nuevo tipo de datos de comportamiento humano para el bien público. Para afrontar el problema de la privacidad hay que adoptar soluciones técnicas que la protejan, y dar a los usuarios un control completo sobre la cantidad de datos que se sienten cómodos compartiendo por el bien social.

Hay numerosos ejemplos de iniciativas en que se han compartido datos, o en que las operadoras telefónicas los han recopilado de los móviles de forma anonimizada y cedido a la comunidad de investigadores para colaborar en la búsqueda de soluciones para problemas mundiales, como es el Datathon for Social Good en el Reino Unido los D4D Challenges de Orange, el Data Challenge de Telecom Italia o el acceso a los datos de Digicel por parte de los investigadores tras el terremoto de Haití en 2011.

También es esencial tener en cuenta las posibles consecuencias no deseadas que podría tener la publicación de la información obtenida del análisis de datos, aunque sea para objetivos de salud pública o para el bien social. Por ejemplo, la inferencia de patrones de migración para comprender mejor y poder prever la extensión de una pandemia podría poner a ciertas poblaciones en riesgo en zonas de agitación social o conflicto entre diferentes grupos étnicos.

Los macrodatos y la IA pueden ser de ayuda en la lucha contra las epidemias globales y pueden aportar beneficios sociales a los más necesitados. Las pandemias globales pueden tener consecuencias catastróficas, pero con los análisis de datos móviles se podrían rebajar los índices de infección futuros y el número de víctimas mortales. En un mundo conectado en que el tráfico global de datos móviles ha crecido en nada menos que un 70 por ciento el año pasado, éstos pueden tener una aplicación que suponga beneficios para la sociedad en general.

Teniendo en cuenta los brotes de gripe aviar registrados últimamente por toda Asia, queda claro que las pandemias siguen siendo una amenaza real y persistente. Los datos móviles y la IA se pueden usar para comprender mejor los movimientos de la población durante una pandemia, para construir modelos realistas de cómo se extienden las enfermedades infecciosas y para ayudar a los gobiernos a intervenir y contener una pandemia.

La IA es clave para predecir el riesgo de una infección de transmisión humana; para calcular la difusión de la resistencia a los fármacos de patógenos como la malaria; para comprender las migraciones humanas tras un desastre natural o una situación de emergencia; y para cuantificar la exposición a agentes contaminantes del aire o a otras sustancias químicas presentes en el medio ambiente, y eso tiene una gran influencia en los programas de control y eliminación de estos riesgos de salud pública.

El enfoque tradicional aplicado en el análisis de los patrones de movilidad se basa en encuestas puerta por puerta y en la información que proporcionan los registros del censo. No obstante, estos conjuntos de datos recogidos de forma tradicional sufren de sesgos y limitaciones en lo relativo al tamaño de la muestra de población usada en el análisis, debido sobre todo al coste excesivo que tiene la adquisición de los datos. Los datos de las encuestas y de los censos proporcionan una instantánea de la dinámica de la población en un momento determinado.

En el caso de la salud pública, es de importancia capital obtener una imagen de los patrones de movilidad y de sus fluctuaciones de manera continuada, especialmente durante las emergencias (como el brote de una posible pandemia o un desastre) para poder facilitar la toma de decisiones o valorar el impacto de las medidas y restricciones gubernamentales para aumentar al máximo el impacto de cualquier intervención. En estos casos, en los centros de transporte y distribución los empleados de la sanidad pública suelen contar a la gente manualmente.

Frías-Martínez y otros científicos del banco mundial, Naciones Unidas y el MIT, han analizado esta cuestión y han empleado la IA para estudiar cómo se mueve la población. Han supuesto que los usuarios que suelen comunicarse a menudo tienen más probabilidades de estar cerca físicamente, lo que aumenta la probabilidad de transmisión de infecciones entre ellos. Su enfoque quedó validado durante el brote de H1N1 en México en 2009, y demostró que el pico de la infección podía reducirse aproximadamente en un 10 por ciento y retrasarse aproximadamente 40 horas gracias a las acciones gubernamentales fundamentadas en la tecnología big data y el análisis con IA.

En 2014 nos enfrentamos al peor brote de ébola de nuestra historia. Dada la relevancia de los estudios previos y teniendo en cuenta la ubicuidad de los teléfonos móviles, un pequeño grupo de expertos en big data e investigadores —entre ellos un grupo de Telefónica de España— propusieron que se usaran los datos de móviles agregados y anonimizados para ayudar a luchar contra la enfermedad.

En la batalla contra el ébola, los teléfonos móviles podrían tener un valor incalculable, no sólo como herramientas para transmitir información relativa con la salud pública o para llamar a servicios de emergencias, sino también por los datos que generan.

Ya en otras ocasiones se ha demostrado la utilidad de utilizar los registros de datos para realizar un seguimiento de la difusión de enfermedades. Por ejemplo, durante la epidemia de gripe porcina mexicana, en 2009, las alertas médicas no consiguieron reducir la movilidad pese al cierre de negocios, oficinas, etc., pero los datos demostraron que las del gobierno sí lo hicieron, y eso, a su vez, redujo el número de infecciones por debajo de lo que cabría esperar.

Todo este trabajo confirma el valor que tiene evaluar escenarios hipotéticos con los macrodatos y la IA. Estas herramientas están al alcance de las instituciones públicas de todo el mundo, que pueden medir así el impacto de sus acciones en la sociedad. Y no hay motivo por el que no pueda aplicarse esta metodología a otros problemas, como las enfermedades de las cosechas, las migraciones en masa u otras amenazas de pandemia. Son amenazas que no podemos prevenir pero que, al menos, con la tecnología de hoy, podemos comprender mejor, reflejar en modelos y —quizá algún día— controlar.

Teniendo en cuenta las dimensiones del brote de ébola en África en 2014, no es de extrañar que se recurriera a los macrodatos y a la IA para combatirlo. Transformaron el campo de batalla, pasando de los cálculos aproximados y la información anecdótica a una respuesta precisa. Los recursos eran limitados, por lo que demostró ser de importancia vital en la predicción de la extensión geográfica de la enfermedad y en el envío de la correspondiente asistencia. Se empezó elaborando un mapa de móviles, permitiendo que Flowminder, organización sueca sin ánimo de lucro, mapeara los patrones de movimientos típicos de la población y determinara dónde parecía que iban apareciendo los nuevos casos. Determinando el lugar de origen de las llamadas a las líneas de asistencia a los enfermos, pudieron deducir y predecir la localización de los brotes.

Se instauraron otras medidas, como un seguimiento más específico de las personas infectadas. David Bolton, de Qlik, empresa de análisis de big data que también creó una app de seguimiento del ébola, explica que los datos de puertos, trenes y vuelos, así como de reconocimiento de matrículas, pueden ayudar a hacer un seguimiento de las personas potencialmente infectadas y determinar con quién pueden haber estado en contacto.

Aparte del seguimiento de la evolución del ébola, el centro de control de enfermedades también necesitaba coordinar a sus efectivos. Por este motivo se dirigieron a BioMosiac, que hizo un seguimiento de la red de transporte aéreo global en tiempo real. El programa permitió sintetizar mapas agregados realizados con conjuntos de datos diversos, que incluían desde meteorológicos y climatológicos a los de distribución global de aves de corral o de los casos de enfermedad confirmados. Estos datos permitían seguir a las personas que se movían de un país a otro, o por los diferentes puertos, y le daba al centro de control de enfermedades la oportunidad de seguir a las poblaciones en mayor riesgo a través de los aeropuertos y los puestos de vigilancia, donde se hacía un control más exhaustivo. Nada de lo que se hacía en la lucha contra el ébola era tradicional. El recurso a los complejos conjuntos de datos y a su análisis es lo que permitió contener la enfermedad tan rápidamente.

En un mundo más conectado que nunca, cada vez es más fácil la dispersión de enfermedades, no sólo en un país o una región, sino también mediante rutas de viajes internacionales. El aumento de epidemias como la de la fiebre amarilla o la del Zika ponen de relieve este nuevo riesgo global. También han cambiado las expectativas sobre la rapidez a la que debería responder la comunidad internacional.

Las respuestas a las epidemias se basan en datos en tiempo real a nivel nacional y mundial. Tanto si esa información dice a los implicados en dar una respuesta donde centrar sus recursos limitados como si indica lo que piensa la población con mayor índice de riesgo sobre una amenaza determinada o la información que hay que aportar a las poblaciones afectadas, las organizaciones internacionales necesitan tener la posibilidad de saber y de actuar más rápido que nunca.

Unicef usa los datos y la IA para proporcionar una solución innovadora a los grandes retos sociales. Ahora Unicef puede asociar las necesidades de las poblaciones más vulnerables del mundo con una serie de soluciones tecnológicas y de datos y con colaboradores especializados. Estas iniciativas están en sus primeras fases, pero ya apuntan a un mundo en el que la comprensión en tiempo real de los riesgos y los desafíos globales nos permitirá trabajar mejor, y más rápido, por el bien de los niños.

Muchos hemos oído hablar de los Objetivos de Desarrollo Sostenible establecidos por Naciones Unidas para 2030 y cada vez hay más empresas y organizaciones que colaboran para que se puedan cumplir. No obstante, hay algunas empresas específicas en determinados sectores que cuentan con unos activos importantísimos que pueden ser clave para acelerar el tránsito hacia esos objetivos. Uno de esos activos son los datos y la IA.

Los datos pueden aplicarse a todos los Objetivos de Desarrollo Sostenible, usándolos para medir los progresos del sector público y privado, y para ayudar a los políticos a tomar decisiones fundamentadas y tener el mayor impacto social posible.

En una cumbre reciente para el Bien Común celebrada en Ginebra se reunieron científicos y expertos para discutir sobre la importancia de la IA en el mundo. La conclusión fue que la IA debía considerarse una herramienta que puede ayudar a la humanidad a resolver muchos problemas, con un impacto potencial en los siguientes campos:

• Eliminar la pobreza: elaborar un mapa de pobreza y establecer análisis de datos de valor predictivo.
• Cero hambre: aumentar la productividad de la agricultura.
• Salud y bienestar: analizar enormes cantidades de datos de asistencia sanitaria.
• Educación de calidad: revolucionar las aulas con el aprendizaje personalizado.
• Igualdad de género: detectar las desigualdades e impulsar el empleo equilibrado entre ambos sexos.
• Agua limpia y eliminación de residuos: mejorar y hacer más eficiente la provisión de agua limpia.
• Energía limpia y asequible: mejorar la producción de energía fotovoltaica.
• Trabajo decente y crecimiento económico: aumentar la productividad con la automatización inteligente.
• Innovación e infraestructuras en la industria: contribuir a impulsar la innovación en la industria.
• Reducir la desigualdad: crear una sociedad más inclusiva (por ejemplo, con la robótica para discapacitados).
• Ciudades y comunidades sostenibles: una mejor planificación urbana usando los datos de los sensores para tomar decisiones.
• Consumo y producción responsables: predicción de los niveles de producción óptimos para reducir los residuos.
• Actuación ante el clima: crear modelos de cambio climático para predecir los desastres.
• Vida submarina: controlar la pesca ilegal con software de reconocimiento de patrones.
• Vida en la tierra: ser más listos que los furtivos y hacer un seguimiento de la salud de las especies.
• Paz, justicia e instituciones fuertes: reducir la discriminación y la corrupción en el gobierno.
• Asociación para obtener objetivos: la colaboración multisectorial es esencial.

La IA puede ayudar a los emprendedores y a los gobiernos del siglo XXI a construir cambios sociales progresivos pero expeditivos, por ejemplo impulsando el uso de los teléfonos móviles con IA aumentada para la monitorización de la salud, tal como ha propuesto Margaret Chan, directora general de la Organización Mundial de la Salud.

La IA ha despertado un interés en el poder de los datos y el análisis como motor de la innovación, el aprendizaje y la búsqueda de nuevas perspectivas. Ha hecho que nos demos cuenta del uso que tienen los datos y las herramientas de análisis para comprender problemas complejos. Ha introducido el análisis cuantitativo en el razonamiento. Ha abierto grandes horizontes al descubrimiento. Los macrodatos no sólo tienen un papel que jugar en la aceleración del aprendizaje y en las soluciones de negocio: si se aplican de forma responsable, los big data y la IA pueden usarse para afrontar todo un abanico de complejos desafíos globales en aras del bien común.