Tras su triunfo en Jeopardy!, la IA de IBM parecía dispuesta a revolucionar la medicina. Los médicos siguen esperando
En 2014, IBM inauguró la nueva y ostentosa sede de su división de inteligencia artificial, conocida como IBM Watson. En el interior de la torre acristalada en el bajo Manhattan, los empleados de IBM pueden llevar a los posibles clientes y a los periodistas visitantes a la «sala de inmersión», que se asemeja a un planetario en miniatura. Allí, en el espacio oscuro, los visitantes se sientan en taburetes giratorios mientras los gráficos de fantasía parpadean en las pantallas curvas que cubren las paredes. Es lo más parecido, dicen a veces los de IBM, a estar dentro del cerebro electrónico de Watson.
Una deslumbrante demostración en 2014 de la capacidad cerebral de Watson puso de manifiesto su potencial para transformar la medicina mediante la IA, un objetivo que la directora general de IBM, Virginia Rometty, suele calificar de «tiro a la luna» de la empresa. En la demostración, Watson tomó una extraña colección de síntomas de un paciente y elaboró una lista de posibles diagnósticos, cada uno de ellos anotado con el nivel de confianza de Watson y enlaces a literatura médica de apoyo.
Dentro de los cómodos confines de la cúpula, Watson nunca dejó de impresionar: Sus bancos de memoria tenían conocimiento de todas las enfermedades raras y sus procesadores no eran susceptibles al tipo de sesgo cognitivo que puede despistar a los médicos. Podía resolver un caso difícil en cuestión de segundos. Si Watson podía llevar esa experiencia instantánea a hospitales y clínicas de todo el mundo, parecía posible que la IA pudiera reducir los errores de diagnóstico, optimizar los tratamientos e incluso aliviar la escasez de médicos, no sustituyendo a los médicos, sino ayudándoles a hacer su trabajo más rápido y mejor.
Sin embargo, fuera de la sede corporativa, IBM ha descubierto que su poderosa tecnología no está a la altura de la desordenada realidad del sistema sanitario actual. Y al intentar aplicar Watson al tratamiento del cáncer, uno de los mayores retos de la medicina, IBM se encontró con un desajuste fundamental entre la forma en que las máquinas aprenden y la forma en que los médicos trabajan.
El audaz intento de IBM de revolucionar la atención sanitaria comenzó en 2011. El día después de que Watson derrotara por completo a dos campeones humanos en el juego de Jeopardy!, IBM anunció una nueva trayectoria profesional para el ganador de su concurso de IA: Se convertiría en un médico de la IA. IBM tomaría la tecnología innovadora que mostró en televisión -principalmente, la capacidad de entender el lenguaje natural- y la aplicaría a la medicina. Las primeras ofertas comerciales de Watson para el cuidado de la salud estarían disponibles en 18 o 24 meses, prometió la empresa.
De hecho, los proyectos que IBM anunció aquel primer día no dieron lugar a productos comerciales. En los ocho años transcurridos desde entonces, IBM ha pregonado muchos más esfuerzos de alto perfil para desarrollar tecnología médica impulsada por la IA, muchos de los cuales se han esfumado y algunos han fracasado estrepitosamente. La empresa gastó miles de millones en adquisiciones para reforzar sus esfuerzos internos, pero los expertos dicen que las empresas adquiridas no han aportado mucho. Y los productos que han surgido de la división Watson Health de IBM no se parecen en nada al brillante médico de IA que se imaginó en su día: Son más bien asistentes de IA que pueden realizar ciertas tareas rutinarias.
«Desde el punto de vista de la reputación, creo que tienen algunos problemas», dice Robert Wachter, presidente del departamento de medicina de la Universidad de California en San Francisco y autor del libro de 2015 The Digital Doctor: Hope, Hype, and Harm at the Dawn of Medicine’s Computer Age (McGraw-Hill). En parte, dice, IBM está sufriendo por su ambición: Fue la primera empresa que hizo un gran esfuerzo por llevar la IA a la clínica. Pero también se ganó la mala voluntad y el escepticismo al presumir de las capacidades de Watson. «Llegaron con el marketing primero, el producto después, y entusiasmaron a todo el mundo», dice. «Luego, la goma se puso en el camino. Se trata de un conjunto de problemas increíblemente difíciles, e IBM, al ser la primera en salir, lo ha demostrado para todos los demás.»
En una conferencia de 2017 de profesionales de la informática sanitaria, la consejera delegada de IBM, Rometty, dijo a la multitud que la IA «es real, es la corriente principal, está aquí, y puede cambiar casi todo lo relacionado con la atención sanitaria», y añadió que podría dar paso a una «edad de oro» médica. No es la única que ve una oportunidad: Tanto los expertos en informática como en medicina coinciden en que la IA tiene el potencial de transformar el sector sanitario. Sin embargo, hasta ahora ese potencial se ha demostrado principalmente en experimentos cuidadosamente controlados. Sólo unas pocas herramientas basadas en la IA han sido aprobadas por los organismos reguladores para su uso en hospitales y consultas médicas reales. Esos productos pioneros funcionan sobre todo en el ámbito visual, utilizando la visión por ordenador para analizar imágenes como radiografías y escáneres de retina. (IBM no tiene un producto que analice imágenes médicas, aunque tiene un proyecto de investigación activo en esa área.)
Sin embargo, si miramos más allá de las imágenes, incluso la mejor IA actual tiene dificultades para dar sentido a la información médica compleja. Y codificar la experiencia de un médico humano en un software resulta ser una propuesta muy complicada. IBM ha aprendido estas dolorosas lecciones en el mercado, ante la mirada del mundo. Aunque la empresa no se da por vencida en su intento de llegar a la luna, sus fracasos en el lanzamiento han demostrado tanto a los tecnólogos como a los médicos lo difícil que es construir un médico de IA.
La victoria en Jeopardy! en 2011 demostró la notable habilidad de Watson con el procesamiento del lenguaje natural (PLN). Para participar en el juego, tuvo que analizar complicadas pistas llenas de juegos de palabras, buscar en enormes bases de datos textuales para encontrar posibles respuestas y determinar la mejor. Watson no era un motor de búsqueda glorificado; no se limitaba a devolver documentos basados en palabras clave. En su lugar, empleaba cientos de algoritmos para mapear las «entidades» de una frase y entender las relaciones entre ellas. Utilizó esta habilidad para dar sentido tanto a la pista de Jeopardy! como a los millones de fuentes de texto que extrajo.
«Casi parecía que Watson podía entender el significado del lenguaje, en lugar de limitarse a reconocer patrones de palabras», dice Martin Kohn, que era el científico médico jefe de IBM Research en el momento de la partida de Jeopardy! «Era un orden de magnitud más potente que lo que existía». Es más, Watson desarrolló esta capacidad por sí mismo, a través del aprendizaje automático. Los investigadores de IBM entrenaron a Watson dándole miles de pistas y respuestas de Jeopardy! etiquetadas como correctas o incorrectas. ¡En este complejo conjunto de datos, la IA descubrió patrones y elaboró un modelo para pasar de una entrada (una pista) a una salida (una respuesta correcta).
Mucho antes de que Watson protagonizara el escenario de Jeopardy! La medicina, con sus montones de datos de los pacientes, parecía una opción obvia, sobre todo cuando los hospitales y los médicos se estaban pasando a las historias clínicas electrónicas. Aunque algunos de esos datos pueden ser fácilmente digeridos por las máquinas, como los resultados de los laboratorios y las mediciones de los signos vitales, la mayor parte es información «no estructurada», como las notas de los médicos y los resúmenes de las altas hospitalarias. Ese texto narrativo representa alrededor del 80% del registro de un paciente típico, y es un guiso de jerga, taquigrafía y declaraciones subjetivas.
Kohn, que llegó a IBM con un título de medicina de la Universidad de Harvard y un título de ingeniería del MIT, estaba entusiasmado por ayudar a Watson a abordar el lenguaje de la medicina. «Parecía que Watson tenía el potencial de superar esas complejidades», dice. Según la teoría, si Watson aplicaba sus poderosas habilidades de PNL a la medicina, podría leer los historiales médicos de los pacientes y todo el corpus de la literatura médica: libros de texto, artículos de revistas revisadas por expertos, listas de medicamentos aprobados, etc. Con acceso a todos estos datos, Watson podría convertirse en un superdoctor, discerniendo patrones que ningún humano podría detectar.
«Los médicos van a trabajar cada día -especialmente los que están en primera línea, los médicos de atención primaria- con la certeza de que no pueden saber todo lo que necesitan saber para practicar la mejor medicina, la más eficiente y la más eficaz posible», dice Herbert Chase, profesor de medicina e informática biomédica de la Universidad de Columbia que colaboró con IBM en sus primeros esfuerzos en materia de atención sanitaria. Pero Watson, dice, podría seguir el ritmo, y si se convierte en una herramienta de «apoyo a la decisión clínica», podría permitir a los médicos seguir también el ritmo. En lugar de una pista de Jeopardy!, un médico podría dar a Watson el historial de un paciente y pedirle un diagnóstico o un plan de tratamiento óptimo.
Chase trabajó con investigadores de IBM en el prototipo de una herramienta de diagnóstico, lo que deslumbró a los visitantes en la sala de inmersión de Watson. Pero IBM decidió no comercializarlo, y Chase se separó de IBM en 2014. Está decepcionado con el lento progreso de Watson en medicina desde entonces. «No soy consciente de ningún jonrón espectacular», dice.
Es uno de los muchos primeros entusiastas de Watson que ahora están consternados. Eliot Siegel, profesor de radiología y vicepresidente de sistemas de información en la Universidad de Maryland, también colaboró con IBM en la investigación de diagnóstico. Aunque cree que las herramientas basadas en la IA serán indispensables para los médicos dentro de una década, no confía en que IBM las construya. «No creo que estén a la vanguardia de la IA», dice Siegel. «Las cosas más emocionantes están ocurriendo en Google, Apple y Amazon».
En cuanto a Kohn, que dejó IBM en 2014, dice que la compañía cayó en una trampa común: «El mero hecho de demostrar que tienes una tecnología potente no es suficiente», dice. «Demuéstrame que realmente hará algo útil: que mejorará mi vida y la de mis pacientes». Kohn dice que ha estado esperando ver artículos revisados por pares en las revistas médicas que demuestren que la IA puede mejorar los resultados de los pacientes y ahorrar dinero a los sistemas de salud. «Hasta la fecha hay muy pocas publicaciones de este tipo», dice, «y ninguna de consecuencia para Watson».»
Al intentar llevar la IA a la clínica, IBM estaba asumiendo un enorme reto técnico. Pero al haber quedado por detrás de gigantes tecnológicos como Google y Apple en muchos otros ámbitos informáticos, IBM necesitaba algo grande para seguir siendo relevante. En 2014, la empresa invirtió 1.000 millones de dólares en su unidad Watson, que estaba desarrollando tecnología para múltiples sectores empresariales. En 2015, IBM anunció la creación de una división especial de Watson Health, y a mediados de 2016 Watson Health había adquirido cuatro empresas de datos sanitarios por un coste total de unos 4.000 millones de dólares. Parecía que IBM tenía la tecnología, los recursos y el compromiso necesarios para hacer que la IA funcionara en la atención sanitaria.
Hoy en día, los líderes de IBM hablan del esfuerzo de Watson Health como «un viaje» por un camino con muchos giros y vueltas. «Es una tarea difícil inyectar la IA en la atención sanitaria, y es un reto. Pero lo estamos haciendo», dice John E. Kelly III, vicepresidente senior de soluciones cognitivas e investigación de IBM. Kelly ha guiado el esfuerzo de Watson desde los días de Jeopardy! y a finales de 2018 también asumió la supervisión directa de Watson Health. Dice que la empresa ha pivotado cuando lo ha necesitado: «Seguimos aprendiendo, por lo que nuestras ofertas cambian a medida que aprendemos»
La herramienta de diagnóstico, por ejemplo, no se lanzó al mercado porque el caso de negocio no estaba allí, dice Ajay Royyuru, vicepresidente de investigación de atención médica y ciencias de la vida de IBM. «El diagnóstico no es el lugar al que hay que ir», dice. «Eso es algo que hacen muy bien los expertos. Es una tarea difícil, y por muy bien que lo hagas con la IA, no va a desplazar al profesional experto.» (No todo el mundo está de acuerdo con Royyuru: Un informe de 2015 sobre los errores de diagnóstico de las Academias Nacionales de Ciencias, Ingeniería y Medicina afirmaba que la mejora de los diagnósticos representa un «imperativo moral, profesional y de salud pública»)
En un intento de encontrar el caso de negocio para la IA médica, IBM persiguió un vertiginoso número de proyectos dirigidos a todos los diferentes actores del sistema sanitario: médicos, personal administrativo, aseguradoras y pacientes. Lo que une todos los hilos, dice Kelly, es un esfuerzo por proporcionar «apoyo a la toma de decisiones utilizando conjuntos de datos masivos de IA». El proyecto más publicitado de IBM se centró en la oncología, donde esperaba desplegar las capacidades «cognitivas» de Watson para convertir los grandes datos en tratamientos personalizados contra el cáncer para los pacientes.
En muchos intentos de aplicación, la PNL de Watson tuvo dificultades para dar sentido al texto médico -como han hecho muchos otros sistemas de IA-. «Lo estamos haciendo increíblemente mejor con la PNL que hace cinco años, y sin embargo seguimos siendo increíblemente peores que los humanos», dice Yoshua Bengio, profesor de informática en la Universidad de Montreal y uno de los principales investigadores de IA. Según Bengio, en los documentos de texto médico, los sistemas de IA no pueden entender la ambigüedad y no captan las pistas sutiles que un médico humano notaría. Bengio afirma que la tecnología actual de PNL puede ayudar al sistema sanitario: «No hace falta que tenga una comprensión total para hacer algo increíblemente útil», afirma. Pero ninguna IA construida hasta ahora puede igualar la comprensión y la perspicacia de un médico humano. «No, no estamos ahí», dice.
El trabajo de IBM sobre el cáncer sirve como ejemplo principal de los desafíos que la empresa encontró. «No creo que nadie tuviera idea de que iba a llevar tanto tiempo o ser tan complicado», dice Mark Kris, especialista en cáncer de pulmón del Memorial Sloan Kettering Cancer Center, en Nueva York, que ha dirigido la colaboración de su institución con IBM Watson desde 2012.
El esfuerzo por mejorar la atención al cáncer tuvo dos vías principales. Kris y otros médicos preeminentes del Sloan Kettering entrenaron un sistema de IA que se convirtió en el producto Watson for Oncology en 2015. Al otro lado del país, médicos preeminentes del Centro Oncológico MD Anderson de la Universidad de Texas, en Houston, colaboraron con IBM para crear una herramienta diferente llamada Oncology Expert Advisor. El MD Anderson llegó a probar la herramienta en el departamento de leucemia, pero nunca se convirtió en un producto comercial.
Ambos esfuerzos han recibido fuertes críticas. Un artículo excoriador sobre Watson for Oncology alegaba que proporcionaba recomendaciones inútiles y a veces peligrosas (IBM refuta estas acusaciones). En términos más generales, Kris dice que ha escuchado a menudo la crítica de que el producto no es «verdadera IA». Y el proyecto del MD Anderson fracasó estrepitosamente: Una auditoría realizada en 2016 por la Universidad de Texas descubrió que el centro oncológico gastó 62 millones de dólares en el proyecto antes de cancelarlo. Una mirada más profunda a estos dos proyectos revela un desajuste fundamental entre la promesa del aprendizaje automático y la realidad de la atención médica, entre la «verdadera IA» y los requisitos de un producto funcional para los médicos de hoy.
Se suponía que Watson para Oncología aprendería ingiriendo la vasta literatura médica sobre el cáncer y los registros de salud de pacientes reales con cáncer. La esperanza era que Watson, con su poderosa potencia de cálculo, examinara cientos de variables en estos registros -incluyendo datos demográficos, características del tumor, tratamientos y resultados- y descubriera patrones invisibles para los humanos. Además, se mantendría al día con la gran cantidad de artículos de revistas sobre tratamientos contra el cáncer que se publican cada día. A los oncólogos del Sloan Kettering les pareció un avance potencial en el tratamiento del cáncer. Para IBM, parecía un gran producto. «Creo que nadie sabía lo que nos esperaba», dice Kris.
Watson aprendió con bastante rapidez a escanear artículos sobre estudios clínicos y a determinar los resultados básicos. Pero resultó imposible enseñar a Watson a leer los artículos como lo haría un médico. «La información que los médicos extraen de un artículo, que utilizan para cambiar su atención, puede no ser el punto principal del estudio», dice Kris. El pensamiento de Watson se basa en la estadística, por lo que lo único que puede hacer es reunir estadísticas sobre los principales resultados, explica Kris. «Pero los médicos no trabajan de esa manera».
En 2018, por ejemplo, la FDA aprobó un nuevo fármaco contra el cáncer «agnóstico para los tejidos» que es eficaz contra todos los tumores que presentan una mutación genética específica. El fármaco se aprobó por la vía rápida en base a resultados espectaculares en solo 55 pacientes, de los cuales cuatro tenían cáncer de pulmón. «Ahora decimos que todos los pacientes con cáncer de pulmón deben someterse a la prueba de este gen», afirma Kris. «Todas las directrices anteriores han sido desechadas, basándose en cuatro pacientes». Pero Watson no cambiará sus conclusiones basándose en sólo cuatro pacientes. Para resolver este problema, los expertos del Sloan Kettering crearon «casos sintéticos» de los que Watson podría aprender, esencialmente pacientes ficticios con determinados perfiles demográficos y características del cáncer. «Creo en la analítica; creo que puede descubrir cosas», dice Kris. «Pero cuando se trata del cáncer, realmente no funciona».
La constatación de que Watson no podía extraer de forma independiente ideas de las noticias de última hora en la literatura médica fue solo el primer golpe. Los investigadores también descubrieron que no podía extraer información de las historias clínicas electrónicas de los pacientes como esperaban.
En el MD Anderson, los investigadores pusieron a Watson a trabajar con las historias clínicas de los pacientes con leucemia y rápidamente descubrieron lo difícil que era trabajar con esas historias. Sí, Watson tenía unas habilidades de PNL fenomenales. Pero en estos registros, los datos podrían faltar, estar escritos de forma ambigua o estar fuera del orden cronológico. En un artículo de 2018 publicado en The Oncologist, el equipo informó que su Asesor Experto en Oncología impulsado por Watson tuvo un éxito variable en la extracción de información de los documentos de texto en los registros médicos. Obtuvo puntuaciones de precisión que oscilaban entre el 90 y el 96 por ciento cuando se trataba de conceptos claros como el diagnóstico, pero puntuaciones de solo el 63 y el 65 por ciento para la información dependiente del tiempo, como las líneas de tiempo de la terapia.
En un golpe final al sueño de un superdoctor de IA, los investigadores se dieron cuenta de que Watson no puede comparar un nuevo paciente con el universo de pacientes con cáncer que han venido antes para descubrir patrones ocultos. Tanto el Sloan Kettering como el MD Anderson esperaban que la IA imitara las capacidades de sus oncólogos expertos, que se basan en su experiencia con los pacientes, los tratamientos y los resultados cuando diseñan una estrategia para un nuevo paciente. Una máquina que pudiera realizar el mismo tipo de análisis poblacional -de forma más rigurosa y utilizando miles de pacientes más- sería enormemente potente.
Pero las normas actuales del sistema sanitario no fomentan ese aprendizaje en el mundo real. El Asesor de Expertos en Oncología del MD Anderson sólo emite recomendaciones «basadas en la evidencia» vinculadas a las directrices médicas oficiales y a los resultados de los estudios publicados en la literatura médica. Si un sistema de IA basara sus consejos en patrones que descubriera en los historiales médicos -por ejemplo, que a un determinado tipo de paciente le va mejor con un determinado medicamento- sus recomendaciones no se considerarían basadas en la evidencia, el estándar de oro en medicina. Sin los estrictos controles de un estudio científico, ese hallazgo se consideraría solo correlación, no causalidad.
Kohn, ex de IBM, y muchos otros piensan que los estándares de la atención sanitaria deben cambiar para que la IA desarrolle todo su potencial y transforme la medicina. «El estándar de oro no es realmente oro», dice Kohn. Los sistemas de IA podrían tener en cuenta muchos más factores de los que nunca estarán representados en un ensayo clínico, y podrían clasificar a los pacientes en muchas más categorías para proporcionar una «atención verdaderamente personalizada», afirma Kohn. La infraestructura también debe cambiar: las instituciones sanitarias deben aceptar compartir sus datos patentados y controlados por la privacidad para que los sistemas de IA puedan aprender de millones de pacientes seguidos durante muchos años.
Según informes anecdóticos, IBM ha tenido problemas para encontrar compradores para su producto de oncología Watson en Estados Unidos. Algunos oncólogos dicen que confían en su propio juicio y no necesitan que Watson les diga qué hacer. Otros dicen que sólo les sugiere tratamientos estándar que conocen bien. Pero Kris dice que algunos médicos lo están encontrando útil como una segunda opinión instantánea que pueden compartir con pacientes nerviosos. «Por muy imperfecta que sea y por muy limitada que esté, es muy útil», afirma Kris. Los representantes de ventas de IBM han tenido más suerte fuera de Estados Unidos, con hospitales de la India, Corea del Sur, Tailandia y otros países que han adoptado la tecnología. Muchos de estos hospitales utilizan con orgullo la marca IBM Watson en su marketing, diciendo a los pacientes que recibirán atención oncológica impulsada por la IA.
En los últimos años, estos hospitales han comenzado a publicar estudios sobre sus experiencias con Watson para Oncología. En la India, los médicos del Manipal Comprehensive Cancer Center evaluaron a Watson en 638 casos de cáncer de mama y encontraron una tasa de concordancia del 73 por ciento en las recomendaciones de tratamiento; su puntuación se vio reducida por el mal rendimiento en el cáncer de mama metastásico. A Watson le fue peor en el Centro Médico Gil de la Universidad de Gachon, en Corea del Sur, donde sus principales recomendaciones para 656 pacientes con cáncer de colon coincidieron con las de los expertos sólo en el 49 por ciento de las ocasiones. Los médicos informaron de que Watson no funcionaba bien con los pacientes de más edad, no sugería ciertos fármacos estándar y tenía un fallo que hacía que recomendara la vigilancia en lugar de un tratamiento agresivo para ciertos pacientes con cáncer metastásico.
Estos estudios pretendían determinar si la tecnología de Watson for Oncology funciona como se esperaba. Pero ningún estudio ha demostrado aún que beneficie a los pacientes. Wachter, de la UCSF, dice que eso es un problema creciente para la compañía: «IBM sabía que la victoria en Jeopardy! y la asociación con el Memorial Sloan Kettering les haría entrar en la puerta. Pero necesitaban demostrar, con bastante rapidez, un impacto en los resultados duros». Wachter afirma que IBM debe convencer a los hospitales de que el sistema merece la pena la inversión financiera. «Es realmente importante que salgan con éxitos», dice. «El éxito es un artículo en el New England Journal of Medicine que demuestre que cuando usamos Watson, los pacientes mejoran o ahorramos dinero». Wachter todavía está esperando que aparezcan esos artículos.
Kris, de Sloan Kettering, no se desanima; dice que la tecnología solo mejorará. «Como herramienta, Watson tiene un potencial extraordinario», dice. «Espero que la gente que tiene la capacidad intelectual y el poder informático se quede con él. Es un largo camino, pero merece la pena».
Se están produciendo algunas historias de éxito de Watson Health: en ciertas aplicaciones limitadas y controladas, Watson parece estar añadiendo valor. Por ejemplo, el producto Watson for Genomics, desarrollado en colaboración con la Universidad de Carolina del Norte, la Universidad de Yale y otras instituciones. La herramienta la utilizan los laboratorios de genética que generan informes para los oncólogos en ejercicio: Watson toma el archivo que enumera las mutaciones genéticas de un paciente, y en pocos minutos puede generar un informe que describe todos los medicamentos y ensayos clínicos pertinentes. «Permitimos que los laboratorios escalen», dice Vanessa Michelini, una ingeniera distinguida de IBM que dirigió el desarrollo y el lanzamiento del producto en 2016.
Watson lo tiene relativamente fácil con la información genética, que se presenta en archivos estructurados y no tiene ambigüedad: o una mutación está ahí, o no. La herramienta no emplea PNL para minar los registros médicos, sino que lo utiliza solo para buscar en libros de texto, artículos de revistas, aprobaciones de medicamentos y anuncios de ensayos clínicos, donde busca declaraciones muy específicas.
Los socios de IBM en la Universidad de Carolina del Norte publicaron el primer documento sobre la eficacia de Watson for Genomics en 2017. Para el 32 por ciento de los pacientes con cáncer inscritos en ese estudio, Watson detectó mutaciones potencialmente importantes no identificadas por una revisión humana, lo que convirtió a estos pacientes en buenos candidatos para un nuevo fármaco o un ensayo clínico recién inaugurado. Pero no hay indicios, hasta ahora, de que Watson for Genomics conduzca a mejores resultados.
El Departamento de Asuntos de los Veteranos de Estados Unidos utiliza los informes de Watson for Genomics en más de 70 hospitales de todo el país, dice Michael Kelley, director del programa nacional de oncología del VA. El VA probó primero el sistema en el cáncer de pulmón y ahora lo utiliza para todos los tumores sólidos. «Creo que mejora la atención al paciente», afirma Kelley. Cuando los oncólogos de la Administración de Veteranos deciden un plan de tratamiento, «es una fuente de información que pueden aportar a la discusión», dice. Pero Kelley dice que no piensa en Watson como un médico robot. «Tiendo a pensar en él como un robot que es un maestro bibliotecario médico».
La mayoría de los médicos probablemente estarían encantados de tener un bibliotecario de IA a su disposición, y si eso es lo que IBM les había prometido originalmente, puede que hoy no estén tan decepcionados. La historia de Watson Health es un cuento con moraleja sobre la arrogancia y la exageración. A todo el mundo le gusta la ambición, a todo el mundo le gustan los disparos a la luna, pero nadie quiere subirse a un cohete que no funciona.
Este artículo aparece en la edición impresa de abril de 2019 como «IBM Watson, Heal Thyself».