José Liñares (A Coruña, 1993) estudió Biología y acaba de doctorarse en el programa de Tecnologías de la Información y las Comunicaciones de la Universidade da Coruña (UDC) con una tesis en la que estudia técnicas de machine learning, un tipo de inteligencia artificial,para ayudar a los médicos a estudiar grandes cantidades de datos genéticos y combatir el cáncer.

¿En qué consisten las técnicas de machine learning?

Son técnicas estadísticas, pero usando inteligencia artificial; se trata de algoritmos que permiten que las máquinas aprendan ellas solas, tras ponerles muchos ejemplos. Se usan mucho en sectores tecnológicos.

¿Y qué permiten los algoritmos?

Predecir. Tú les proporcionas datos, y ellos encuentran patrones. A grandes rasgos, les muestras características de pacientes, para que cuando vean a un paciente nuevo, lo diagnostiquen. El objetivo era ver la adaptación de los algoritmos en Medicina: cómo se aplican, qué metodología habría que usar... Y aplicarlos nosotros en ciertos casos.

¿Y es difícil conseguir los datos?

Google o Facebook tratan los datos de millones de usuarios, pero aquí es difícil encontrar números elevados de pacientes, El protocolo es que venga un paciente a una clínica, tú le saques sangre, de esa cojas su ADN y le hagas diferentes pruebas para extraer datos, con los que trabajaremos. Primero, tiene que ser un voluntario; y segundo, es costoso. Se están abaratando mucho las técnicas, pero están entre 500 y 1.000 euros. Tener 10.000 pacientes de una patología solo es posible en grandes consorcios con gran capital. Pero, como contrapunto, de cada paciente tenemos muchos datos. Uno solo te puede dar 150.000 variables, dependiendo de lo que estés estudiando.

¿Y no es difícil universalizar?

Sí. Por eso es importante estudiar la aplicabilidad de las técnicas. Le ponemos mucha atención a la selección de variables: cuáles hay que seleccionar, de entre las miles posibles, para que el modelo pueda hacer la mejor selección posible.

¿A qué conclusiones llegó?

En primer lugar, la aplicación en la Medicina aún está en desarrollo: no hay casi ningún modelo que esté en la práctica clínica, y es necesario generar más datos para entrenar a los algoritmos. Pero también concluyo que el manejo de estos datos tan complejos se debe abordar principalmente con machine learning. Es la herramienta más potente.

¿Cuáles son las aplicaciones prácticas de la investigación?

Primero, va a ser un apoyo al médico, dándole más información generada automáticamente para que la pueda manejar. Y permitirá observar patrones que no sean capaces de verse con otras técnicas estadísticas, o por el propio humano. Por ejemplo, si tenemos un conjunto de pacientes con cierto tipo de tumor y queremos identificar a los que sean tratados con un medicamento, con estas técnicas podemos predecir su respuesta a este. Llega el paciente, secuenciamos sus genes, obtenemos los datos, se los pasamos a la máquina y esta me dice: “va a responder a este u otro tratamiento”.

¿Por qué este cerebro artificial puede ver cosas que el humano no?

En la imagen de un tejido celular puede haber características que el ojo humano no puede detectar, pero en las que el algoritmo puede detectar características clínicas relevantes para el médico, si los entrenas. O analizar 50.000 variables en un millar de pacientes. Pero esto siempre va a tener que estar bajo la supervisión de un médico. Este va a supervisar los resultados. Es una herramienta más.

Trabaja en el hospital Vall d´Hebrón. ¿Qué está investigando?

Cáncer de colon. Identificamos los genes que predicen qué pacientes van a fallecer de manera más temprana. Ahora estamos intentando identificar qué pacientes van a beneficiarse de cierto tipo de tratamiento. Cogemos bases de datos de células de cáncer de colon tratadas con miles de fármacos, y vemos qué fármacos funcionan bien. Ahorra costes económicos y tiempo. Y no solo predices si el pronóstico, puedes decir: “Este paciente va a tener una peor prognosis, pero puede ser tratado con este fármaco”.