inteligencia-artificial-aplicada-a-la-biomedicina

Vista previa del material en texto

ciclo de
conferencias y debates en
ciencias 
monografía
FUNDACIÓN RAMÓN ARECES
SPRINGER NATURE
11.ª edición
INTELIGENCIA ARTIFICIAL 
APLICADA A LA BIOMEDICINA
Lo que nos depara el futuro
ARTIFICIAL
INTELLIGENCE
IN BIOMEDICINE 
What the future 
holds for us
ciclo de
11.a edición
conferencias y debates en
ciencias
monografía
FUNDACIÓN RAMÓN ARECES
SPRINGER NATURE
Madrid, 7 de febrero de 2019
FUNDACIÓN RAMÓN ARECES
Vitruvio, 5 • 28006 Madrid
INTELIGENCIA ARTIFICIAL 
APLICADA A LA BIOMEDICINA
Lo que nos depara el futuro
ARTIFICIAL INTELLIGENCE 
IN BIOMEDICINE
What the future holds for us
© Fundación Ramón Areces 
Vitruvio, 5 - 28006 Madrid (España) 
www.fundacionareces.es
© 2019 Springer Healthcare Ibérica, part of Springer Nature group
Rosario Pino, 14 - 4ª planta
28020 Madrid (España)
Tel.: +34 91 555 40 62
www.springerhealthcare.com
www.springernature.com
Depósito legal: M-15507-2019 
Impreso en España – Printed in Spain
3
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA 
Lo que nos depara el futuro 
presentación
Federico Mayor Zaragoza __________________________________________________________________ 7
Soledad Santos __________________________________________________________________________ 8
introducción
Erika Pastrana _________________________________________________________________________ 11
conferencias
Inteligencia artificial y ciencia de datos: mirando hacia el futuro 
Prof. José Hernández-Orallo _______________________________________________________________ 17
Desarrollo de la inteligencia artificial y tecnologías éticas para el sector de la salud 
Dr. Tarek R. Besold _____________________________________________________________________ 23
Robótica flexible para interaccionar de manera intuitiva con los robots 
Dra. Jamie Paik ________________________________________________________________________ 29
Potencial de la inteligencia artificial/deep learning para mejorar 
el tratamiento oncológico 
Dra. Kara L. Davis _____________________________________________________________________ 35
debate
Prof. José Hernández-Orallo, Dr. Tarek R. Besold, Dra. Jamie Paik, Dra. Kara L. Davis ______________________ 39
ARTIFICIAL INTELLIGENCE IN BIOMEDICINE 
What the future holds for us 
presentation
Federico Mayor Zaragoza _________________________________________________________________ 47
Soledad Santos _________________________________________________________________________ 48
introduction
Erika Pastrana _________________________________________________________________________ 51
lectures
Artificial intelligence and data science: looking ahead
Prof. José Hernández-Orallo _______________________________________________________________ 57
Building ethical Artificial Intelligence and technology for the health sector
Dr. Tarek R. Besold ______________________________________________________________________ 63
Soft robotics for intuitive human robot interaction
Dr. Jamie Paik _________________________________________________________________________ 69
Potential of artificial intellingence/deep learning methods to improve cancer care
Dr. Kara L. Davis _______________________________________________________________________ 75
discussion
Prof. José Hernández-Orallo, Dr. Tarek R. Besold, Dr. Jamie Paik, Dr. Kara L. Davis ________________________ 79
ÍNDICE
5
In
te
lig
en
ci
a 
ar
ti
fi
ci
al
 a
p
lic
ad
a 
a 
la
 B
io
m
ed
ic
in
a
p
re
se
nt
ac
ió
n
Federico Mayor Zaragoza
Presidente del Consejo Científico 
de la Fundación Ramón Areces
Soledad Santos
Directora Editorial de España y Portugal 
de Springer Healthcare 
7
E n esta undécima edición de “Ciclos de conferencias y debates”, organizada conjuntamente con Springer Nature, y bajo el título Inteligencia Artificial Aplicada a la Biomedicina. Lo que nos depara el futuro, nos acercamos a 
temas de gran actualidad, con la participación y colaboración de personalidades de gran 
notoriedad. No cabe duda del progreso extraordinario que ha experimentado la informá-
tica aplicada a la Biomedicina en los últimos años y de la inmensa repercusión que puede 
tener su aplicación, no solo en el análisis de datos, sino también en el establecimiento del 
diagnóstico y la decisión del tratamiento, así como en el aumento de las capacidades de las 
técnicas quirúrgicas, con aplicaciones que hace algunos años eran inimaginables.
Siguiendo la misma trayectoria, el siglo xxi será el siglo de la atención personalizada 
en Medicina. Hoy en día ya disponemos de sistemas de acumulación de datos (Big data) 
que permiten recopilar gran cantidad de información, no solo respecto a los síntomas de 
los pacientes, sino también para valorar la repercusión genética y epigenética, y que nos 
permiten, además, combinar estos datos a gran velocidad y establecer, sobre esta base, 
la mejor decisión terapéutica. Por tanto, vale la pena invertir en todo lo relacionado con la 
computación, la informática y la salud. 
Hemos de ser conscientes de que solo algunas personas pueden disfrutar de estos 
avances. Hoy quiero recordar la importancia de que aspectos como la salud, el agua y 
una educación de calidad, señalados como prioritarios por las Naciones Unidas, deberían 
extenderse a todo el mundo.
Mediante la aplicación de estos avances a la salud, el futuro nos puede deparar algo 
mucho mejor desde el punto de vista de la solidaridad humana. Por tanto, una vez más 
me alegra dar la bienvenida a los representantes de Springer Nature y espero que sigan 
considerando la Fundación Ramón Areces como su casa. ❙
Federico Mayor Zaragoza
Presidente del Consejo Científico de la Fundación Ramón Areces
Presentación
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
B ienvenidos a la undécima conferencia-debate fruto de la colaboración entre la Fundación Ramón Areces y el grupo Springer Nature dedicada a la Inteligencia Artificial Aplicada a la Biomedicina.
Para todo el equipo de Springer Nature en España es una gran satisfacción poder 
continuar, año tras año, esta interesante colaboración con la Fundación Ramón Areces 
y con ello contribuir a su importante misión de acercar la vanguardia científica de 
fuera y dentro de nuestras fronteras, no solo a nuestra comunidad científica local, sino 
también al público en general. Es para nosotros un honor contribuir a la organización 
de una de las actividades de divulgación de ciencias de la vida de mayor trayectoria en 
la Fundación Ramón Areces. 
Este año celebramos el 150 aniversario de la revista Nature y nos llena de orgullo 
saber que, a lo largo de estos años, aunque las formas han cambiado desde el papel 
hasta “la nube”, nuestro objetivo sigue siendo el mismo: ayudar a nuestros lectores a 
entender y comprender el avance de la ciencia; asistirles en su trabajo y en la progre-
sión de su carrera profesional; y ayudarles a evaluar la trascendencia que cada avance 
científico tiene en el contexto de la sociedad. Todos estos valores coinciden con la 
misión de la Fundación Ramón Areces, a la que agradecemos que nos brinde esta estu-
penda oportunidad de colaborar en la organización de estas conferencias.
Agradecemos especialmente al Comité Científico, representado en esta mesa por 
los Profesores Federico Mayor Zaragoza y José María Medina, que escogen cada año 
un tema de gran relevancia científica e interés para el público en general. Al Director 
General de la Fundación, el Sr. Raimundo Pérez-Hernández y Torra, y al Sr. Manuel 
Azcona, Director de Comunicación, les agradecemos su compromiso para organizar 
estas jornadas cada año. 
“¿Será mi doctora sustituida por un robot?” “¿Predecirá una máquina si voy a pade-
cer cáncer?” Estas preguntas, que hasta hace poco solo se entendían en el entorno de 
las películas o de las novelas de ciencia ficción, hoy en día están en la mente de muchos 
de nosotros y son los retos que se han planteado los ponentes de esta tarde. La com-
binación de cantidades enormes de información médica, en particular imágenes, yel desarrollo de algoritmos para extraer patrones de información y tomar decisiones 
“inteligentes” a partir de los datos, han hecho avanzar rápidamente el diagnóstico, y ya 
se ha observado que estos algoritmos aportan resultados tan buenos o incluso mejores 
que los estándares establecidos por expertos. 
Como nos explicará la Dra. Kara L. Davis, estos algoritmos inteligentes también 
pueden ayudar a predecir los resultados de un medicamento en un paciente a nivel 
individual, evitando así tratamientos innecesarios y mejorando la atención sanitaria. 
9
Presentación
Además, escucharemos a la Dra. Jamie Paik describir cómo en su laboratorio cada día 
desafían a la imaginación para desarrollar robots y otro tipo de herramientas capaces 
de inter accionar con el ser humano de forma segura y eficiente, con el objetivo de ayu-
dar, entre otras situaciones, en tratamientos de rehabilitación. 
Como con todos los avances tecnológicos, la implantación de herramientas de 
inteligencia artificial en el campo de la Medicina y la automatización de muchos pro-
cesos nos plantean cuestiones éticas sobre qué se puede y se debe hacer dentro de este 
campo. El Prof. Hernández-Orallo y el Dr. Tarek R. Besold nos ayudarán a entender 
y plantearnos hasta dónde queremos llegar al “ceder” algunas de nuestras tareas a las 
máquinas, y más concretamente, dentro del delicado campo de la Biomedicina y de los 
datos de pacientes, nos ayudarán a comprender en qué nos pueden beneficiar todas 
estas herramientas de inteligencia artificial y qué debemos exigirles a estas para ase-
gurar que incluyen valores éticos que permitan un desarrollo equitativo de nuestra 
sociedad.
José, Tarek, Jamie y Kara, es para nosotros un honor que hayáis aceptado participar 
en estas conferencias. Os estamos muy agradecidos y esperamos que disfrutéis de esta 
experiencia tanto como nosotros. 
Por último, quisiera dar las gracias a Erika Pastrana, Directora Editorial de las 
revistas Nature, por la moderación de este evento. Tu gran profesionalidad y tu entu-
siasmo por la ciencia son parte del éxito de estas jornadas. 
Muchas gracias a todos. Espero que disfruten de las conferencias y su debate 
posterior. ❙
Soledad Santos
Directora Editorial España y Portugal
Springer Healthcare 
Sí
n
d
ro
m
e 
d
e 
D
o
w
n
In
te
lig
en
ci
a 
ar
ti
fi
ci
al
 a
p
lic
ad
a 
a 
la
 B
io
m
ed
ic
in
a
11
in
tr
o
d
uc
ci
ó
n
Erika Pastrana
Directora Editorial de Nature Research, 
Nueva York, EE.UU.
 
Erika es licenciada en Bioquímica y Biología Molecu-
lar por la Universidad Autónoma de Madrid y obtuvo 
su doctorado en la misma Universidad, de la mano 
del Dr. Javier Díaz-Nido, investigando los mecanis-
mos celulares y moleculares responsables de promo-
ver la regeneración de axones dañados en el sistema 
 nervioso central de los mamíferos. Posteriormente se 
trasladó a Nueva York, donde realizó estudios posdoc-
torales en la Universidad de Columbia, en el Labora-
torio de la Dra. Fiona Doetsch, donde estudió la forma 
en la que se crean nuevas neuronas y se incorporan a 
los circuitos de ciertas áreas del cerebro de los mamí-
feros adultos. 
En 2010 se unió a la revista Nature Methods como 
 Editora responsable de Neurociencias y en 2014 se 
trasladó a Nature Communications como Editora jefe de 
la sección de Neurociencias. 
En la actualidad, Erika es la Directora Editorial de las re-
vistas Nature en el área de las ciencias aplicadas y quí-
micas, incluidas Nature Biotechnology, Nature Methods 
y Nature Chemistry, entre otras.
13
E n primer lugar, me gustaría reiterar nuestro agradecimiento a la Fundación Ramón Areces. Muchos de los aquí presentes, al 
igual que yo, os dedicáis a la labor científica, y el papel 
de una fundación como esta es de vital importancia, 
ya que trae la ciencia presentada por investigadores 
internacionales a nuestra ciudad, a nuestras calles y a 
nuestras universidades, promoviendo de esta forma el 
diálogo no solo de los expertos con la sociedad, sino 
también de la sociedad con los expertos.
En esto consiste el acto de esta tarde. Podremos 
disfrutar de presentaciones de investigadores inter-
nacionales muy importantes en el campo de la inteli-
gencia artificial y la Biomedicina. Primero asistiremos 
a cuatro presentaciones de unos veinte minutos y 
luego escucharemos vuestras preguntas y opiniones 
sobre la materia.
Quiero agradecer a los ponentes que hayan venido 
desde tan lejos para presentar aquí sus trabajos y la gran 
importancia de la labor de divulgación científica que 
desempeñan, probablemente ahora más que nunca.
¿Por qué hemos elegido este año el tema del uso de la 
inteligencia artificial en Biomedicina?
Hoy en día es indudable la relevancia que la inteli-
gencia artificial tiene en nuestras vidas, tanto por sus 
aspectos positivos como por los posibles efectos nega-
tivos asociados a un mal uso de la misma. Es impor-
tante resaltar que el avance que estamos viendo a nivel 
científico y su aplicación clínica son el resultado de 
una inversión en ciencia básica de muchos años. Los 
principios básicos en los que se fundamenta lo que 
hoy denominamos inteligencia artificial, como el deep 
 learning, se establecieron el siglo pasado. Ha sido la 
financiación y la perseverancia de grupos de investiga-
dores, centrados en desarrollar esas ciencias básicas, lo 
que ha permitido que hoy podamos hacer uso de ellas.
¿Por qué tiene ahora tanta importancia la inteli-
gencia artificial aplicada a la Biomedicina cuando sus 
principios surgieron hace muchos años?
Puede asociarse a que hoy en día la acumulación de 
datos es una tarea fácil y barata, el poder de cómputo 
de las máquinas está alcanzando, gracias al desarrollo 
del software y del hardware, unos niveles mucho más 
altos y todo ello lleva a que en este momento estemos 
asistiendo a un punto de inflexión. 
En la Biomedicina, como en otras ciencias, la 
cantidad de información que obtenemos actual-
mente es mucho mayor. Si pensáis en los disposi-
tivos que lleváis con vosotros, todos los días están 
acumulando datos sobre vuestros comportamientos 
y, en algunos casos, también sobre aspectos fisio-
lógicos. Los médicos tienen actualmente una gran 
capacidad para obtener detalles muy refinados sobre 
cada célula y cada elemento de vuestro cuerpo. Por 
ejemplo, como nos explicará la Dra. Davis, hoy en 
día se puede recopilar información de un tumor 
hasta un nivel mucho más sofisticado y detallado de 
lo que se podía hace años. 
Por último, el ejercicio de la práctica clínica está 
cambiando de un modelo basado en un soporte de 
papel a un modelo digital. Todos los registros clínicos 
e información clínica están pasando a convertirse 
en información digital. Con todo ello, un médico o 
un científico se encuentran con las manos atadas, ya 
que disponen de mucha información que no pueden 
manejar sin la ayuda de soportes informáticos, ya 
que la mente humana, por sí sola, no puede analizar 
e interpretar tanto volumen de información. Es aquí 
donde las ciencias del deep learning y la informática 
aportan su capacidad de interpretar gran cantidad de 
información y dar claridad a esa nube de datos que 
de otra forma no podríamos entender.
Introducción
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
Al igual que en otros campos, es importante hacer 
un uso muy delicado de estas técnicas. Cabe resaltar que 
en Biomedicina este uso seguro de los datos es de vital 
importancia. Los datos que se manejan son de carácter 
muy sensible como, por ejemplo, datos médicos, perso-
nales y/o de comportamiento, y como sociedad debemos 
tener cuidado de no usarlos de una manera que infrinja 
principios básicos de consentimiento y de privacidad.
Otro reto lo constituye el hecho de que muchos 
de los algoritmos que analizan dicha información 
se basan en los propios datos que les aportamos y, si 
dichos datos no son representativos dela sociedad 
o están sesgados por representar solo a una parte, es 
posible que tomemos decisiones que no puedan apli-
carse a todos los individuos por igual.
Por último, también hay un problema real, y es que 
en ocasiones no entendemos cómo esos algoritmos 
llegan a las conclusiones a las que llegan. El deep 
 learning, en particular, nos da una respuesta después 
de haber observado cómo los informáticos son inca-
paces de explicar cómo un algoritmo ha sido capaz de 
llegar a una cierta conclusión.
Todos estos aspectos son los retos sobre los cuales 
nos van a hablar los ponentes de hoy, así como de la 
importancia de desarrollar unos marcos científicos 
éticos y legales.
Es un enorme placer para mí presentar a los cuatro 
ponentes de hoy. Cada uno de ellos ha llegado al 
campo de la inteligencia artificial desde ámbitos muy 
distintos que hoy van a compartir con nosotros.
En primer lugar, vamos a escuchar al Profesor José 
Hernández-Orallo, Catedrático de la Universidad Poli-
técnica de Valencia, experto en ciencias de datos y de 
sistemas informáticos. Nos va a presentar una visión 
general y amplia sobre qué entendemos hoy en día 
por inteligencia artificial, qué técnicas implica y los 
conceptos de inteligencia artificial de las máquinas 
en relación con lo que conocemos de la inteligencia 
humana y cuáles son los parámetros más relevantes que 
debemos entender para poder aplicar estas técnicas.
El Dr. Tarek R. Besold es Director de Inteligencia 
Artificial @ Telefónica Innovación Alpha Health y 
tiene una trayectoria diferente, ya que es experto en 
ciencias cognitivas y ha estudiado cómo los humanos 
entendemos el conocimiento. Desde esa perspectiva, 
ha llegado a la inteligencia artificial, aportando el 
conocimiento del cerebro humano, y nos va a hablar 
de la aplicación que está haciendo de las técnicas de 
inteligencia artificial y del conocimiento humano 
para desarrollar herramientas reales en el campo de la 
Biomedicina. El Dr. Besold tiene mucho que decirnos 
respecto a cómo desarrollarlas de forma ética, regu-
lada y asegurando que la técnica conviva con nosotros 
de una forma segura.
En tercer lugar, tendremos a la Dra. Jamie Paik, que 
nos visita desde Lausanne (Suiza), donde ejerce como 
Directora del Laboratorio de Robótica Reconfigurable 
en la Universidad Politécnica. La robótica es un campo 
muy importante de la inteligencia artificial porque 
los algoritmos y los datos por sí mismos no pueden 
avanzar si no van acompañados de un desarrollo del 
hardware. La Dra. Paik se ha especializado en el campo 
de soft robotics (robótica flexible) y en la ciencia de los 
materiales y va a presentar los últimos avances sobre 
qué se puede hacer para convertir robots basados en 
origami en entes inteligentes.
Finalmente, vamos a tener la perspectiva clínica 
de la Dra. Kara L. Davis, que aplica estas técnicas en 
el desarrollo de su profesión médica. La Dra. Davis 
nos visita desde Stanford, California, donde lidera el 
Centro Bass del Instituto de Investigación en Salud 
y donde, además, ejerce como médica pediatra en la 
especialidad de Oncología infantil, concretamente 
en el tratamiento de leucemias. Nos hablará de los 
retos y oportunidades del uso de la inteligencia 
artificial para analizar datos a nivel molecular de 
tumores y, de esta manera, poder establecer cuáles 
son las células responsables de que recaigan los 
pacientes y contribuir a diseñar mejores opciones 
de tratamiento para ellos. ❙
In
te
lig
en
ci
a 
ar
ti
fi
ci
al
 a
p
lic
ad
a 
a 
la
 B
io
m
ed
ic
in
a
15
co
nf
er
en
ci
as
Inteligencia artificial y ciencia de datos: mirando 
hacia el futuro 
Prof. José Hernández-Orallo 
Catedrático del Departamento de Sistemas Informáticos y Computación, 
Universidad Politécnica de Valencia, Valencia, España
Desarrollo de la inteligencia artificial 
y tecnologías éticas para el sector de la salud 
Dr. Tarek R. Besold 
Director de Inteligencia Artificial @ Telefónica Innovación Alpha Health, 
Barcelona, España
Robótica flexible para interaccionar de manera 
intuitiva con los robots 
Dra. Jamie Paik
Directora del Laboratorio de Robótica Reconfigurable, École Polytechnique 
Fédérale de Lausanne, Lausanne, Suiza 
Potencial de la inteligencia artificial/deep learning 
para mejorar el tratamiento oncológico 
Dra. Kara L. Davis 
Departamento de Pediatría, Centro Bass del Instituto de Investigación 
en Salud y del Cáncer y Leucemias Pediátricos, Universidad de Stanford, 
Stanford, Estados Unidos
•
•
•
•
17
Quizás se tiene la idea de que los académicos preferimos no hablar del futuro; sin embargo, a mí me gusta porque tengo licencia para 
equivocarme. Cuando hablamos del presente o del 
pasado tenemos que ser muy rigurosos, pero cuando 
nos referimos al futuro se entiende que podemos equi-
vocarnos. 
En esta ponencia voy a dar una perspectiva actual 
y una visión de futuro de la inteligencia artificial y de 
su importancia. Podemos preguntarnos: ¿por qué la 
inteligencia artificial es tan transformativa y por qué 
pensamos que puede cambiarlo todo? Mi punto de 
vista es que estamos hablando de inteligencia y el obje-
tivo es que estos sistemas artificiales lleguen a ser inte-
ligentes. La inteligencia es la base de todas las tecno-
logías y lo que ha hecho a nuestra especie dominar 
el planeta, ha creado la cultura y ciencias como la 
Medicina. Cuando hablamos de nuevas tecnologías 
debemos considerar que muchas de ellas se basan en 
inteligencia artificial.
Esto se relaciona a su vez con otra área, como es 
la ciencia de datos, que es capaz de generar evidencia 
basándose en los datos que recopila, al igual que hemos 
hecho los humanos en diferentes ámbitos de manera 
más o menos consciente a lo largo de los siglos.
La ciencia de datos va a constituir una factoría de 
conocimiento que permitirá la toma de decisiones 
racionales. Todavía no sabemos cómo funcionan 
muchas de las herramientas que utiliza la ciencia de 
Inteligencia artificial y ciencia de datos: 
mirando hacia el futuro 
Prof. José Hernández-Orallo
Catedrático del Departamento de Sistemas Informáticos y Computación, Universidad Politécnica de Valencia, 
Valencia, España
datos, como el deep learning que ha mencionado Erika 
Pastrana, y esto limita su uso; sin embargo, hay otras 
que sí generan conocimiento y proporcionan una 
visión nueva sobre el uso de dichas técnicas. 
La ciencia de datos podría considerarse “una ciencia 
al cuadrado”, particularmente en aquellos ámbitos 
donde se genera conocimiento a partir de dichos datos.
La visión que tenemos ahora es todavía muy 
simplista, ya que se limita a considerar la inteli-
gencia artificial como un aprendizaje automático. Sin 
embargo, cada día es más evidente que la inteligencia 
artificial abarca muchos más aspectos, los cuales se 
Prof. José Hernández-Orallo
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
han desarrollado particularmente estos últimos cinco 
años. Es tan falso pensar que podemos tener inteli-
gencia artificial sin aprendizaje como pensar que solo 
es aprendizaje.
También hay que diferenciar el aprendizaje auto-
mático del deep learning o aprendizaje profundo, que 
en realidad es uno de los distintos tipos de aprendizaje 
automático. 
¿Por qué este boom del deep learning 
en estos momentos?
A muchas técnicas de aprendizaje automático es nece-
sario proporcionarles las características más relevantes 
sobre el problema que han de solucionar. Esto requiere 
un conocimiento manual, reconocer el dominio, y en 
determinadas áreas, como la visión, esto es todavía 
muy complicado.
A partir de ejemplos, el sistema infiere automáti-
camente representaciones de distintas características 
de la imagen, llegando incluso a distinguir entre dos 
caras diferentes. La denominación de redes neuro-
nales artificiales se atribuye al paradigma conexio-
nista del sistema, con millones de conexiones entre 
dichas redes que se asemeja a las redes neuronales 
cerebrales, aunque hasta la fecha todavía son mucho 
mássimples. Los mecanismos de estas redes pueden 
parecerse en muchos aspectos a los mecanismos del 
cerebro, pero en otros modos de funcionamiento 
son muy diferentes. No obstante, hoy en día todavía 
quedan muchos aspectos que desconocemos del 
propio funcionamiento cerebral.
¿Por qué la importancia de las redes 
neuronales justo ahora, y no hace 
20 o 30 años cuando se empezó a hablar 
de ellas en el ámbito académico o las 
universidades?
Además del avance que se ha producido en el algo-
ritmo que subyace bajo las redes, hay tres componen-
tes fundamentales que han marcado su importancia en 
la actualidad. El primer componente es la gran capa-
cidad de almacenamiento de datos. En otras técnicas 
de aprendizaje automático, los resultados no mejoran, 
aunque se les proporcionen más datos. Por el contra-
rio, en las redes neuronales profundas, cuantos más 
datos se proporcionen mejor resultado se obtiene y, 
además, con un margen de saturación muy elevado. 
El segundo componente es el desarrollo de chips es-
peciales en las tarjetas gráficas que permiten hacer gran 
cantidad de cálculos de forma mucho más eficiente que 
los chips convencionales. Por último, el concepto de 
modelos grandes, un aspecto poco intuitivo que se basa 
en el principio de parsimonia, según el cual un modelo 
muy grande se sobreajusta a los datos, dado que tiene 
muchos grados de libertad y necesita muchos ejemplos 
para poder generalizar. 
«El deep learning está constituido 
por redes neuronales artificiales 
con numerosas capas, las cuales 
van aprendiendo progresivamente 
representaciones cada vez más 
abstractas y en las capas más 
profundas.»
«A la hora de conjugar la 
inteligencia artificial y la ciencia 
de datos observamos muchos 
elementos comunes, aunque 
se emplean más procesos de 
aprendizaje en el caso de la 
inteligencia artificial y más procesos 
inductivos en la ciencia de datos.»
19
Inteligencia artificial y ciencia de datos: mirando hacia el futuro | Prof. José Hernández-Orallo
¿Qué puede hacer la inteligencia artificial 
por nosotros en estos momentos?
En los medios y redes sociales se constata un avance 
de la aplicación de la inteligencia artificial en las distin-
tas disciplinas, pero es importante analizar qué puede 
aportar cada una de ellas en cada dominio concreto. A 
veces, ni los sistemas de predicción predicen tan bien; 
de hecho, fallaron estrepitosamente en las elecciones 
americanas; ni los asistentes personales son tan inteli-
gentes y fantásticos como nos dicen, ya que han demos-
trado tener muy buena aplicación para comprar, pero 
están todavía  muy limitados en otros aspectos. En el 
reconocimiento de patrones a partir de una imagen to-
davía queda mucho por desarrollar y el reconocimiento 
de voz está más avanzado para idiomas mayoritarios 
que minoritarios.
Hay publicaciones que señalan una aplicación 
inminente de la inteligencia artificial, pero en la prác-
tica todavía se constatan muchas limitaciones, regu-
laciones y costes que determinan dicha aplicación. 
Un ejemplo típico son los coches sin conductor, que 
hace cinco años se veían como algo sencillo de imple-
mentar, pero hoy en día se constata que en la práctica 
hay muchas limitaciones para su uso generalizado.
En el ámbito médico, hace dos años se publicó en 
la revista Science un cuestionario con 21 ítems cuyo 
resultado puede indicarnos si la tarea que se desarrolla 
actualmente con tecnología normal se podrá desarro-
llar con aprendizaje automático. Entre los diferentes 
ítems figuran: si hay gran cantidad de datos, si la 
tarea está bien acotada, si hay tolerancia a errores, etc. 
A nivel intuitivo también hay una regla que funciona 
muy bien para definir aquellas tareas que podrá 
realizar: todo aquello que podemos hacer subcons-
cientemente en menos de un segundo, la inteligencia 
artificial puede desarrollarlo. 
Aquello que requiere más razonamiento, pensar 
o utilizar el conocimiento es en lo que el aprendizaje 
automático actualmente está fallando más, al igual que 
hace 20 o 30 años.
Hoy en día, las especialidades de la inteligencia 
artificial son la percepción y la extracción de conoci-
miento a partir de datos. 
Otro aspecto, como la planificación, puede 
funcionar bien en algunos ámbitos, pero en otros no. 
Para valorar qué será capaz de hacer la inteligencia 
artificial, la extrapolación es un método poco útil, pero 
puede ayudarnos en las predicciones, tal y como refleja 
Tegmark en el libro Life 3.0.
Steven Pinker, uno de los pensadores más importantes 
en la actualidad sobre inteligencia artificial, hace 20 años 
afirmó que los trabajos que tenían más riesgo de ser auto-
matizados eran aquellos como los de analista, ingeniero 
petroquímico o miembro del ámbito judicial, y los que 
tenían menos riesgo eran los jardineros, recepcionistas, 
«En el deep learning con grandes 
modelos y con muchos datos 
conseguimos sistemas capaces de 
generalizar, lo que constituye uno 
de los grandes retos que se deben 
seguir desarrollando.»
«Siguiendo la regla del sistema 1 
y sistema 2 del Premio Nobel 
Daniel Kanheman y autor del 
libro Thinking, fast and slow, 
todo aquello que podemos hacer 
rápidamente sin realmente 
pensar cómo lo estamos haciendo 
es automatizable.»
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
cocineros, etc. Sin embargo, hace dos años se publicó una 
lista de la Universidad de Oxford en la cual la conclusión 
era justo la opuesta; según esta lista, las profesiones mani-
pulativas que no necesitan razonamiento a largo plazo 
son aquellas que se van a reemplazar más rápidamente.
¿Qué queremos que haga la inteligencia 
artificial?
En la Conferencia Asilomar (California) que se celebró 
en 1975 para regular el tema de la investigación gené-
tica y el ADN se sentaron las bases de la investigación 
durante muchos años. Hace dos años asistimos a una 
conferencia en Asilomar para desarrollar una labor pa-
recida con el tema de la inteligencia artificial. En esta 
conferencia hablamos de temas de seguridad, privaci-
dad, confianza, inclusión, estándares, regulaciones, etc., 
y se mostró una voluntad, por parte de la comunidad 
científica y personas responsables de la toma de decisio-
nes sobre inteligencia artificial, de establecer una regu-
lación y, además, se constató un deseo de proceder de 
forma correcta en el uso de la misma.
Por otro lado, hay una visión negativa de la inte-
ligencia artificial actual y su necesidad constante de 
recopilar datos, particularmente en lo que respecta a 
los datos humanos. Dentro del campo de la Medicina, 
se incentiva cada día más la recolección de datos y 
la realización de test. Esto puede relacionarse con el 
hecho de que es relativamente barato y tiene la ventaja 
de que en muchas ocasiones los datos recogidos para 
solucionar un problema concreto pueden servir más 
tarde para resolver otro. Sin embargo, para ello el 
manejo de datos debe realizarse de forma adecuada, 
solicitando el consentimiento del usuario impli-
cado. De hecho, el que podamos confiar en la inteli-
gencia artificial, en el aprendizaje automático y en la 
ciencia de datos depende de que realmente haya una 
regulación y de que todos los implicados, desde la 
investigación académica hasta las empresas y orga-
nismos públicos, actúen correctamente.
Papel de la inteligencia artificial 
en la Biomedicina
El potencial de la inteligencia artificial en la Bio-
medicina es muy claro. No hay ningún área en la cual 
sean más claros, tanto los beneficios como los riesgos. 
Es un área que precisa de datos humanos y que, me-
diante la aplicación del método científico, genera co-
nocimiento a partir de la evidencia acumulada. Las 
posibles aplicaciones en genómica, técnicas de ima-
gen, robótica, etc., son muchas y favorecen aspectos 
como la prevención, el diagnóstico, el tratamiento y el 
manejo de muchas patologías; y también el cuidado de 
los pacientes, la gestión de la salud y muchos más. Es 
probablemente el ámbito de mayor interés, ya que se 
traduce en la obtención declaros beneficios, pero para 
ello los datos deben fluir de manera sencilla y segura. 
Biomedicina: retos y riesgos
Los principales retos para una adecuada aplicación de la 
inteligencia artificial en Biomedicina incluyen aspectos 
éticos como la igualdad, la privacidad, la responsabi-
lidad, la seguridad o la sostenibilidad. Por ejemplo, la 
aplicación del deep learning en grupos poblacionales 
pequeños, como en el caso de las enfermedades raras, 
estaría limitada por los escasos datos, que no permiti-
rían desarrollar modelos predictivos precisos. En este 
sentido, un reto importante es la integración del cono-
cimiento previo en Medicina en los modelos que se de-
sarrollan.
Es fundamental resaltar que la inteligencia artificial 
está cambiando, pero el ser humano también. Ante este 
continuo cambio, los modelos de tratamiento deben 
adaptarse y actualizarse. Hay que tener en cuenta 
que en el futuro la inteligencia artificial también va a 
modificar nuestras capacidades en muchos aspectos y 
puede proporcionarnos la posibilidad de suplir ciertas 
habilidades, como corregir la pérdida de habilidades 
cognitivas propias de la edad, de modo que será una 
alternativa a tratamientos más agresivos.
21
Inteligencia artificial y ciencia de datos: mirando hacia el futuro | Prof. José Hernández-Orallo
Entre los aspectos negativos del desarrollo de la 
inteligencia artificial cabe mencionar la dependencia 
cada vez mayor de estas tecnologías, lo cual favo-
rece la atrofia mental y un estado más pasivo que 
hay que cuidar particularmente en los niños. Otros 
posibles riesgos en ámbitos médicos incluyen la falta 
de responsabilidad y confianza en su uso, la protec-
ción de la identidad y el control que se realiza de estas 
herramientas. El uso creciente de la inteligencia artifi-
cial puede favorecer que el siglo xxi se convierta en el 
tiempo del “cerebro sedentario” y es importante cana-
lizar qué aspectos delegamos en estas tecnologías y 
cuáles seguimos desarrollando.
Como resumen, cabe destacar que la inteli-
gencia artificial se puede aplicar en cualquier ámbito 
(personal, empresarial, en las administraciones 
públicas, etc.), al igual que la inteligencia, pero en 
el caso de la Biomedicina la aplicación es particu-
larmente útil y sencilla, ya que comparten aspectos 
como la metodología científica, el personal cuali-
ficado, el uso de protocolos, etc., que facilitan esta 
implementación. Para ofrecer buenos resultados, la 
inteligencia artificial precisa de la recopilación de 
gran cantidad de datos humanos y es importante 
valorar el posible impacto y asegurar un adecuado 
manejo de estos.
23
Desarrollo de la inteligencia artificial y 
tecnologías éticas para el sector de la salud 
Dr. Tarek R. Besold
Director de Inteligencia Artificial @ Telefónica Innovación Alpha Health, Barcelona, España
C omienzo esta charla al hilo de lo comentado por el Profesor Hernández-Orallo, y voy a tratar de aclarar algunos de los aspectos 
mencionados. Mi punto de vista es que no hay que 
tener miedo al desarrollo e implementación de la inte-
ligencia artificial, ya que hay personas interesadas en 
construir inteligencia artificial de una manera ética, 
particularmente dentro del sector de la salud. 
Justo ayer se publicó un informe de la Academy 
of Medical Royal Colleges, disponible en internet, que 
resume bastante bien el funcionamiento, las posibili-
dades, las oportunidades y los riesgos de la inteligencia 
artificial en el campo de la salud. En la tercera y cuarta 
página de los contenidos de este informe figuran diez 
recomendaciones, la primera de las cuales señala que “los 
responsables políticos deben evitar pensar que la inteli-
gencia artificial va a resolver todos los problemas a los 
que se enfrentan los sistemas de salud del Reino Unido 
(y del resto del mundo). La inteligencia artificial todavía 
está en sus comienzos y su aplicación dentro de la aten-
ción sanitaria, a pesar de las afirmaciones de algunos de 
los líderes de opinión, es aún muy incipiente”. 
En segundo lugar, en relación con los estándares, 
como ya mencionó el Prof. Hernández-Orallo al 
hablar de la ciencia de datos, cabe comentar que para 
aquellos que cumplen con el manejo correcto de la 
información y con los estándares establecidos por el 
gobierno, debería facilitarse que dispongan de datos 
 provenientes del sector público y privado y debería 
certificarse su exactitud y calidad. Es responsabilidad 
del gobierno decidir hasta qué punto se comparten los 
datos de los usuarios. Muchas personas, cuando leen el 
documento, solo leen que “los datos deben estar dispo-
nibles”, pero la frase continúa “…para aquellos que 
cumplen con el manejo de la información y los están-
dares establecidos por el gobierno…”, por lo que son 
los representantes electos de la ciudadanía  los que 
deciden quién tiene acceso a los datos. 
En tercer lugar, es necesaria una evaluación crítica 
externa y transparencia por parte de las compañías 
tecnológicas para que los clínicos estén seguros de que 
las herramientas que les brindan son de uso seguro. 
Dr. Tarek R. Besold
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
Estos son los principales mensajes de mi presentación, 
que trataré de explicar en detalle a continuación.
Propuesta de desarrollo de la inteligencia 
artificial en el sector salud de Alpha Health
En primer lugar, ¿quién soy y cuál es la organización 
para la que trabajo? Formamos parte del universo de 
Telefónica, pero de alguna manera somos como los 
inadaptados de la familia, porque nuestra misión sería 
la equivalente a fabricar naves espaciales con destino 
a la luna. Apuntamos hacia algún objetivo loco, pero 
que sea plausiblemente posible. Si funciona, es genial 
y realmente resolvemos un problema. Si no funciona, 
nadie se sorprenderá. Asumimos grandes retos como, 
por ejemplo, aspectos relacionados con los 28 Objeti-
vos de Desarrollo Sostenible de las Naciones Unidas. La 
consecución de estos objetivos requiere que se busquen 
soluciones radicales, por lo que, si son posibles, po-
drían cambiar la manera que tenemos de ver el mundo. 
 Requiere, además, tecnología avanzada, y cuando habla-
mos de tecnología de vanguardia nos referimos a plau-
sible. No se trata de viajes intergalácticos, no se trata de 
transmitir personas de A a B, sino de desarrollar proyec-
tos que creemos que deberían funcionar, para los cuales 
hay pruebas académicas de que podrían funcionar, pero 
que todavía no han sido abordados a nivel industrial. La 
combinación de estos tres aspectos constituye, básica-
mente, nuestro criterio para participar en un proyecto.
La siguiente pregunta sería: ¿por qué estoy aquí 
hoy? Para explicarlo podemos analizar los datos de 
mortalidad de los Estados Unidos, desde el año 1900 
hasta el año 2000. De estos datos se deduce que, por 
un lado, se pueden ver buenas noticias, ya que hoy 
en día mueren menos personas que en el siglo xx. 
Por otro lado, las malas noticias son que en la actua-
lidad mueren aproximadamente la misma cantidad de 
personas que en el año 1960. 
¿Cuál es la diferencia? Sencillamente, tras el descu-
brimiento de la penicilina, se sabe cómo tratar las enfer-
medades infecciosas; y se han reducido enormemente las 
muertes por esta causa, por lo menos hasta el momento, 
ya que han empezado a detectar cepas de microorga-
nismos con hiperresistencia que podrían cambiar la 
tendencia de esta curva. Sin embargo, aún no hemos 
descubierto cómo tratar las enfermedades crónicas, lo 
que en la práctica se traduce en que vivimos más tiempo, 
pero nuestra vida saludable no se extiende tanto como 
nuestra esperanza de vida. Hoy en día vivimos entre cinco 
o diez años más que nuestros antepasados, pero solo dos 
de estos años son años saludables, por lo que durante 
los otros ocho años estamos básicamente tratando de 
controlar las enfermedades típicas del envejecimiento. Al 
analizar cuáles son las principales causas de mortalidad 
podemos observar que el 70% de ellas se debe a enfer-medades crónicas como el cáncer, los accidentes cerebro-
vasculares, la diabetes o los trastornos mentales. De este 
70% de mortalidad asociado a enfermedades crónicas, 
alrededor del 75% se relaciona con los hábitos o el estilo 
de vida. El otro 25% está relacionado con la predisposi-
ción genética y factores ambientales. 
Por tanto, si modificamos nuestro estilo de vida 
podríamos influir sobre el 75% implicado en el 
 desarrollo de enfermedades crónicas. Si lo desglo-
samos más, vemos que hay un total de entre cinco y 
ocho comportamientos o conductas claves, entre los 
que destacan el ejercicio, el uso de sustancias (ya sean 
drogas o medicamentos) o la calidad de las relaciones 
interpersonales. Dentro de la salud mental, la calidad 
de las relaciones interpersonales puede darnos mucha 
información sobre la probabilidad de sufrir una depre-
sión o una afección similar en el futuro.
Teniendo esto en consideración, y añadiendo el 
avance de estos últimos 30 años sobre el conocimiento 
de cómo se forma y cómo funciona la conducta 
humana, mi trabajo se centra en fomentar cambios de 
comportamiento que reduzcan radicalmente la carga 
de las enfermedades crónicas a nivel mundial centrán-
donos en las ocho conductas mencionadas. Para ello, 
25
Desarrollo de la inteligencia artificial y tecnologías éticas para el sector de la salud | Dr. Tarek R. Besold
dado que pertenecemos a Telefónica, la propuesta es 
construir un “asistente personal en salud” que brinde 
al paciente una forma efectiva de mejorar los compor-
tamientos relacionados con su salud y vivir una vida 
más feliz y saludable. En este sentido, queremos ir 
todavía un poco más lejos y pretendemos que no sea el 
asistente el que dirija al paciente, sino que sea el propio 
paciente el protagonista, ayudándole de forma efectiva 
y eficiente a estar lo mejor posible, aumentando su 
expectativa de vida saludable más allá de la actual. 
Para ello, tal y como ha comentado previamente el 
Prof. Hernández-Orallo, uno de los factores clave en este 
tipo de tecnología dentro del campo de asistencia personal 
per se, y especialmente dentro del campo sanitario en el 
que hay una susceptibilidad particular, es la confianza.
¿Qué significa la confianza en la aplicación 
de la inteligencia artificial en salud? 
La confianza es un requisito previo para que las perso-
nas participen en el proyecto y para que las compañías 
desarrolladoras de estos productos se merezcan el com-
promiso de las personas. 
Por un lado, nuestros clientes o nuestros usuarios 
deben poder confiar en que las soluciones que les brin-
damos les llevan realmente a donde quieren ir y de la 
manera en que quieren conseguirlo. Por lo tanto, se 
trata del cómo y el qué de la solución. 
Por un lado, intentamos desarrollar un asis-
tente personal que sea atractivo, que se ajuste, 
que quiera  que  te conectes con él; pero, por otro 
lado,  queremos que  sea el paciente el que dirija el 
proceso.
¿Cómo podríamos favorecer 
el funcionamiento de la inteligencia 
artificial en salud? 
Como ya he dicho, la confianza es clave y, como ya 
apuntó el Prof. Hernández-Orallo, la ética está rela-
cionada con la confianza. Lo que se necesita para ser 
dignos de confianza es un desarrollo en el que se respe-
ten unos valores; además, debe haber un compromiso 
público con estos valores, de tal forma que el paciente 
pueda identificarlos fácilmente. Aquí es donde entra la 
ética. 
Como ya ha comentado Erika Pastrana, actual-
mente estoy dirigiendo un laboratorio de investigación 
de Alpha Health y nuestro trabajo se centra en tres 
líneas. La primera línea, que denominamos la inteli-
gencia artificial de confianza o explicable, se basa en la 
construcción de sistemas que sean transparentes para 
el usuario. El usuario puede preguntarle al sistema y 
tiene el derecho de preguntar: “Me recomendaron 
hacer algo. ¿Por qué me recomendaste eso?”. O puede 
preguntar al sistema: “¿Cómo funcionas realmente? 
¿Cómo tomas las decisiones?”. 
La segunda línea es la inteligencia artificial empá-
tica dirigida a comprender los estados emocionales de 
nuestros usuarios de forma interactiva y multimodal. 
De tal forma que, si ofrecemos una recomendación o 
una intervención, queremos saber cómo se siente el 
usuario en ese momento, cómo se siente después, cuál 
fue el impacto, si le ayudamos realmente, si empeoró 
o si está actualmente en un estado en el que todavía 
podemos ayudarle. 
«Se trata de garantizar la 
transparencia en la tecnología 
y de mantener el protagonismo 
del usuario, dado que 
estamos brindando asistencia 
personalizada y queremos 
ayudar a las personas a 
cambiar su comportamiento, 
que es una tarea muy difícil de 
conseguir.»
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
Por último, estamos trabajando en una tercera línea 
de inteligencia artificial dirigida a preservar la priva-
cidad del usuario, la cual se relaciona mucho con lo que 
ha expuesto el Prof. Hernández-Orallo dentro del sector 
de datos. Esta línea trata de desarrollar tecnología que 
nos permita brindar servicios de vanguardia a la vez 
que la propiedad y el control de los datos permanezcan 
exclusivamente en manos del usuario. Esto significa 
que como compañía renunciamos a la propiedad de los 
datos y nos limitamos a proporcionar un servicio. 
Actualmente, todavía hay muchas personas que 
piensan que no hay inteligencia artificial involucrada en 
la Medicina, pero no es así. De hecho, en una simple 
exploración por resonancia magnética con tecnología 
punta, por lo general se dispone del apoyo de la inte-
ligencia artificial para realizar el agrupamiento de todo 
lo que se escanea. También hay sistemas de asistencia 
médica o de redes profundas, como ya ha presentado el 
Prof. Hernández-Orallo. Uno de los grandes problemas 
de estos sistemas es que, aunque sabemos que estadísti-
camente están desempeñando bien su función, muy a 
menudo no sabemos por qué están funcionando bien.
Sabemos que en el 97-98% de los casos son 
correctos, pero ignoramos por qué son correctos o 
incorrectos en el 2 o 3% restante. Esto se debe a que, en 
realidad, son sistemas demasiado complejos para que 
podamos seguir realmente todos los procesos matemá-
ticos, aunque esto no significa que sean incognoscibles.
¿Cómo podríamos aumentar la comprensión 
del funcionamiento de los sistemas de 
inteligencia artificial?
La pregunta en realidad es cómo usamos los sistemas de 
inteligencia artificial actualmente. Hoy por hoy intro-
ducimos los datos y en el 98% de los casos obtenemos 
un resultado con validez estadística, pero en muchas 
ocasiones desconocemos su funcionamiento.
Hay cinco preguntas que se pueden hacer para 
aumentar la comprensión del funcionamiento de los 
sistemas de inteligencia artificial; para cada meca-
nismo de decisión podemos preguntarnos: 
1º. ¿Cómo crea el algoritmo?
2º ¿Cómo toma las decisiones?
3º. ¿Cómo influyen en el resultado las diferentes 
partes del mecanismo?
4º. Si se encuentra en una situación específica, 
¿por qué esta situación desencadena un resul-
tado particular? 
5º. Y, más globalmente, ¿cómo funciona en general?
Si observamos la situación actual, la mayoría 
de los sistemas se encuentran en una etapa inicial de 
desarrollo. Se está estudiando cómo hacerlo de forma 
mejor y más accesible, de tal modo que sean sistemas 
de aprendizaje comprensibles e interpretables. Actual-
mente, los sistemas de reconocimiento de imágenes 
pueden identificar los diferentes componentes de la 
imagen, pero la extrapolación todavía está limitada. 
Para otros médicos o personal clínico, los médicos 
pueden ser como modelos interpretables, de tal forma 
que esboce la línea técnica de la conexión de los 
síntomas del paciente y los resultados del examen a un 
diagnóstico particular. Esto permite a otros clínicos 
interpretar el diagnóstico, asegurando que las conclu-
siones estén apoyadas por funciones de evaluación 
«Europa está haciendo un gran 
esfuerzo para tratar de avanzar 
en la regulación de lainteligencia 
artificial, por ejemplo, en la 
privacidad de los datos, pero 
también está trabajando 
intensamente dentro del sector 
de la salud para proteger a los 
pacientes. El hecho de que sea 
una aplicación legal, no significa 
que sea ética. La ética va más 
allá de la legalidad.»
27
Desarrollo de la inteligencia artificial y tecnologías éticas para el sector de la salud | Dr. Tarek R. Besold
razonables y valores de peso para las pruebas presen-
tadas. Pero en ambos casos, de forma ideal, se requiere 
que el médico contextualice toda la información de tal 
forma que pueda explicársela al paciente en términos 
comprensibles. Para ello, debe tener conocimiento 
sobre su entorno de vida y sobre las relaciones causales 
entre las distintas partes. Esto mismo deberíamos 
exigir a los sistemas de inteligencia artificial, en espe-
cial, a aquellos aplicados al campo de la salud.
Inteligencia artificial y privacidad
Respecto al tema de la privacidad, actualmente la 
 mayoría de las empresas de sistemas de datos propor-
cionan sus servicios a cambio de obtener los datos de los 
usuarios. De hecho, la mayoría de la tecnología actual 
necesita la información de las manos de los provee-
dores de servicios a los usuarios. Esta es la razón por 
la que estos modelos se denominan gratuitos, o mejor 
dicho freemium, ya que los datos son básicamente parte 
del pago al proveedor de servicios al desarrollador de 
la aplicación. De tal forma que, posteriormente, el pro-
veedor de servicios puede utilizar información analítica 
adicional extraída de estos datos para obtener más 
«Dentro del campo de la salud, 
podrían equipararse los sistemas 
de aprendizaje automático 
a los médicos. Los médicos 
deben convertirse en modelos 
comprensibles para los pacientes 
y entregar el diagnóstico 
proporcionando indicadores bien 
conocidos de alto nivel revelados 
en las pruebas (es decir, símbolos 
del sistema) sin dar información 
sobre cómo funcionan las pruebas 
médicas y las evaluaciones.»
 ingresos. Un ejemplo claro sería optar por un enfoque 
de aprendizaje automático tradicional que no preserva 
la privacidad, así también recogen datos de los usuarios 
(edad, sexo, salario) al tiempo que se proporciona un 
servicio. A continuación, se introducen los datos en la 
red neuronal artificial, que aprende cómo la edad, el 
sexo y el salario se correlacionan entre sí. Finalmente, la 
red neuronal entrenada se constituye como un modelo 
que puede predecir el salario según la edad y el sexo o 
viceversa, la edad en función del salario y el sexo, etc. 
En esta situación podemos encontrarnos con dos pro-
blemas fundamentales; el primero sería que los usua-
rios no quieran compartir sus datos, y el segundo se 
 relaciona con el hecho de que las empresas pueden usar 
modelos capacitados para revelar información de usua-
rios individuales, sin preservar la privacidad. 
Para evitarlo se han desarrollado técnicas que 
permiten aprender de una población sin poseer/revelar 
información individual. Entre estas técnicas se encuen-
tran la encriptación o cifrado homomórfico total, el 
aprendizaje federado, la computación multipartidista 
segura o los enclaves seguros. Muchas de estas técnicas 
han demostrado teóricamente que funcionarían, pero 
aún no se han implementado. Desarrollaré un poco 
más el concepto de cifrado homomórfico total.
Dado que la idea del usuario no es compartir sus 
datos, sino tener un proveedor de servicios, la pregunta 
es: ¿Por qué no simplemente cifro mis datos antes de 
enviarlos? La respuesta es clara, si se envían datos 
cifrados, el aprendizaje automático ya no funciona con 
la mayoría de los métodos actuales. No se obtienen 
datos, sino una versión encriptada de los mismos. En 
el ejemplo anterior se perdería, por ejemplo, la iden-
tificación de sexo, salario y edad. Cuando se envían 
datos encriptados, el proveedor de servicios tiene que 
descifrar, entrenar el modelo, hacer una predicción y 
cifrar la predicción de nuevo para enviárselo al usuario 
y que él lo descifre. En los últimos diez años, las mate-
máticas nos han permitido hacerlo y ahora ya es 
factible debido a las mejoras en la computación que, a 
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
día de hoy, hace posible aprender de los datos cifrados, 
dado que existe una subcategoría de mecanismos de 
encriptación que lo permite. Es decir, estos meca-
nismos permiten realizar una clasificación o cualquier 
otro servicio de aprendizaje automático. La ventaja 
es que podemos hacer un aprendizaje automático de 
vanguardia sin ver los datos, y la desventaja es que, 
desde la perspectiva de la empresa, estamos realizando 
un aprendizaje automático de última generación sin 
poder disponer de los datos. 
Inteligencia artificial y ética 
Para las personas involucradas en este campo, es ele-
mental, además de considerar las diferentes opciones 
éticas, comprometerse con alguna. Es importante valo-
rar si el problema de salud que se quiere solucionar se 
puede llevar a cabo respetando las limitaciones éticas; 
ya que el problema que se desea solucionar y las priori-
dades éticas entran en conflicto con frecuencia. 
Hay varias preguntas que plantearse y sobre las que 
reflexionar antes de desarrollar las herramientas de 
inteligencia artificial: ¿queremos ser éticos?, ¿queremos 
preservar la privacidad?, ¿queremos ser confiables?, 
¿queremos solucionar dolencias y queremos acceder a 
espacios como el cuidado de la salud donde las personas 
son muy vulnerables? 
Es importante determinar cuáles son las supo-
siciones básicas subyacentes a la solución prevista 
y determinar la necesidad de datos, de información 
confidencial, plantearse si será posible servir a todos 
los grupos de clientes por igual, el modelo de negocio 
que se va a desarrollar y con quién se quiere asociar. 
Un ejemplo clásico, que todavía sigue sucediendo, es 
la baja representación de ciertos tonos de piel para 
el reconocimiento visual de las personas de color. 
La mayoría de los sensores de vídeo actuales tienen 
todavía más dificultades para captar bordes en la piel 
oscura que en la piel clara. En este sentido, hay que 
ser conscientes de que hay al menos una dimensión de 
diversidad que está subrepresentada, aunque estamos 
trabajando para solucionarlo con una buena perspec-
tiva de futuro.
Por otro lado, cuando hablamos de datos, además 
del propio dato, necesitamos etiquetarlos, de tal 
forma que nos permita distinguir qué conjunto de 
datos  representa a un paciente sano y qué conjunto 
de datos representa a un paciente poco saludable. Para 
obtener estos conjuntos de datos lo más frecuente es 
recurrir a uno de los grandes proveedores en línea 
que realizan una subasta entre personas que están 
dispuestas a etiquetarlos y, dentro del entorno capita-
lista que trata de venderlo lo más barato posible. Así, 
la mayoría del etiquetado de datos se realiza efecti-
vamente en regiones económicamente pobres por 
grupos insuficientemente representados y vulnerables. 
Ante esta situación, ¿se puede hacer esto y afirmar 
que se es ético? Y si no se hace, ¿qué significa eso para 
el flujo de ingresos ya que los costes aumentan?
Y, finalmente, ¿estamos dispuestos a someter una 
idea, producto, modelo de negocio y equipo a un 
escrutinio público? El sector sanitario tiene la ventaja, 
al menos desde el punto de vista del paciente, de 
que está bastante regulado. El escrutinio público es 
una necesidad, porque de lo contrario no se obtiene 
la aprobación de la Food and Drug Administration 
estado unidense, de las instituciones europeas o 
nacionales correspondientes. Aun así, ¿cuántas de las 
grandes empresas de inteligencia artificial y aprendi-
zaje automático presentan de manera completamente 
abierta al público sus principios y están dispuestas a 
aceptar totalmente el escrutinio público sobre ellos? 
En conclusión, como se comenta en el informe ante-
riormente mencionado, tenemos una oportunidad real 
con esta tecnología para ganar en tiempo y eficiencia,pero debe implementarse de forma segura y confiable. 
Debemos estar juntos usuarios, médicos y proveedores 
en este viaje de transformación. Es en parte una obliga-
ción y en parte una invitación. 
29
A ctualmente estamos viviendo un cambio de paradigma en el diseño de los robots. Los robots de nueva generación no se van a 
limitar a estar en las fábricas o empresas, sino que van 
a convivir e interaccionar con nuestra vida cotidiana. 
El desarrollo de los robots industriales precisó de una 
optimización del rendimiento mecánico. 
Hoy en día dichos robots hacen un trabajo total-
mente programado y predecible y, en muchos casos, 
son más rápidos, más precisos y más fuertes que sus 
homólogos humanos. Los ingenieros y los especialistas 
en robótica están trabajando actualmente para opti-
mizar las características de interactividad de los robots 
con el fin de acercarlos a nuestra vida cotidiana, donde 
el entorno es muy variable e impredecible, por lo que es 
preciso desarrollar su adaptabilidad y seguridad.
¿Es el robot antropomórfico la respuesta?
A lo largo de los últimos 20 años he estado analizando 
esta cuestión. He estudiado diferentes tipos de robots 
antropomórficos y he investigado en profundidad 
cómo reaccionan y cómo se mueven los humanos.
Reproducir el cuerpo humano es un desafío muy 
grande. Actualmente consideramos cuatro aspectos 
claves en el diseño de los robots antropomórficos para 
llevar a cabo una tarea concreta: el tipo de estructura y 
ajuste estructural del robot, la precisión, los grados de 
libertad y la fuerza que necesita ejercer. 
Robótica flexible para interaccionar 
de manera intuitiva con los robots 
Dra. Jamie Paik
Directora del Laboratorio de Robótica Reconfigurable, École Polytechnique Fédérale de Lausanne, 
Lausanne, Suiza
Pero, en general, nos encontramos con dos tipos 
de robots. Los robots flexibles (soft robots), que maxi-
mizan la precisión y el cumplimiento; estos pueden 
llevar a cabo tareas como levantar vidrio sin romperlo 
o enhebrar una aguja. Por otro lado, están los robots 
rígidos (rigid robots), que maximizan la fuerza y 
los grados de libertad; estos están más preparados 
para llevar a cabo tareas que requieren fuerza, como 
levantar grandes pesos de hasta 264 kg.
Dra. Jamie Paik
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
Robots reconfigurables
En este punto, nos planteamos si sería posible dise-
ñar un robot que pueda y tenga flexibilidad para rea-
lizar diferentes tareas. Dicho robot no podía tener 
una única forma o desarrollar una única tarea, y así 
fue como desarrollamos los robots origami. Para ello, 
 empleamos materiales como silicona, goma y mate-
riales tipo esponja, son los materiales de los robots 
de nueva gene ración y permiten que el diseño del 
robot cumpla las cuatro características mencionadas 
anteriormente para un diseño ideal. Los materiales se 
 deforman al recibir un estímulo, pero luego son capa-
ces de volver a su forma original. 
La composición de estos robots es modular, con 
múltiples capas en forma de sándwich que pueden 
unirse o desmontarse dependiendo de la tarea o el 
entorno, de tal forma que puede cambiar de forma y 
convertirse en un robot que anda o en una superficie 
que equilibre una bola en su parte superior. Además, 
cada una de las capas están equipadas con sensores 
inteligentes para interactuar tanto con el entorno 
como con las personas. Más concretamente, la estruc-
tura modular permite que se adapte al cuerpo humano 
de forma flexible. Se puede llevar alrededor del cuerpo 
y, cuando se necesite, el robot puede volverse autó-
nomo. Además, esta estructura en módulos permite 
personalizarlo y la fabricación es mucho más barata, 
dado que hasta el logotipo es reconfigurable.
¿Qué es un robot origami? 
El robot origami no es un robot que haga origami, 
sino que es un robot cuya estructura está basada en el 
 origami, lo que le permite adaptarse a cada situación. 
Dado que el cuerpo y la cara de cada persona son 
diferentes y el movimiento de cada persona también 
es distinto, conseguimos que el robot se adapte a 
cada persona en particular mediante el control de 
los pliegues individuales de su estructura en origami. 
Un ejemplo de aplicación de esta interfaz completa-
mente reconfigurable es la parálisis facial, en la que 
un lado del movimiento de la cara no coincide con el 
del otro lado. Aunque parezca futurista, este tipo de 
dispositivo puede adaptarse a los músculos faciales 
de la persona para que pueda recuperar su sonrisa y 
sus expresiones. 
Respecto al proceso de fabricación, es similar al 
sistema de fabricación actual en serie, ya que se utiliza 
una cinta transportadora en la que se incorporan los 
múltiples componentes y se ensamblan hasta construir 
el producto final. Se toman los diferentes materiales 
y, dependiendo de la forma del dispositivo, se cortan 
la capa exterior y las diferentes capas y se ensamblan 
en forma de sándwich. En cada capa se incorporan 
los  diversos componentes, como el microprocesador 
y los sensores. 
«Los robots están constituidos 
por una estructura que reacciona 
al entorno y realiza una tarea 
precisa, con una fuerza concreta 
y en una dirección determinada. 
El robot ideal es aquel que 
maximiza estos cuatro aspectos.»
«El robot origami dispone de 
una estructura en sándwich, 
con múltiples capas y cada una 
de ellas con sensores, lo que 
le permite adaptarse a cada 
propósito o tarea concreta e 
interaccionar con cada cuerpo 
concreto.»
31
Robótica flexible para interaccionar de manera intuitiva con los robots | Dra. Jamie Paik
De tal forma que se pueden construir distintos 
robots origami dependiendo de la aplicación que 
vayan  a tener. Por ejemplo, pueden caer del cielo y 
luego los multiagentes pueden comunicarse entre sí 
para encontrar a una persona desaparecida o dife-
rentes dispositivos cuando el GPS no funciona y el 
rastreo se realiza en la oscuridad. Durante el proceso, 
se pueden perder o dañar los dispositivos, pero esto 
no tendría mucha repercusión, dado que se dispone de 
cientos de ellos. En el robot tradicional, dependiendo 
de las tareas que desempeñe, los ingenieros tienen que 
diseñar los diferentes modos de comunicación o los 
distintos tipos de locomoción, y si se necesita alguna 
nueva función adicional es preciso empezar de nuevo.
Con una plataforma de origami se detecta y se diseña 
la nueva aplicación y, si se necesita un sensor adicional, 
simplemente se actualiza el diseño del sistema. Lo 
siguiente que se necesita (mecánica, geometría, mate-
riales) es fabricar los componentes 3D con la nueva 
aplicación. Se añade el nuevo parámetro en la secuencia 
del proceso de fabricación y este completa el diseño 
incluyéndolo de forma repetitiva, de tal forma que se 
pueden cambiar las funciones y fabricar el robot en el 
mismo día, lo cual es revolucionario.
Herramienta quirúrgica Robogami reconfigurable
Mango
Sección 
origami 1
Modo 2D/3D
Modelo blando/rígido
Modo DoF adicional
Sección 
origami 2
Sección 
giratoria
«Lo que marca la diferencia es 
que estas estructuras se pueden 
autoplegar y crear un robot en 
tres dimensiones (3D) mediante 
un sistema basado en 2D, algo 
que nunca se había hecho antes y 
que ahora se puede conseguir con 
las plataformas origami. »
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
Aplicaciones del robot origami en salud
Entre las aplicaciones en las que se está trabajan-
do actualmente se encuentra la cirugía de próxima 
 generación. Esto significa que se podrá perforar un 
orificio muy pequeño (en el estómago o para hacer 
una biopsia en el cáncer de próstata o en diferentes 
 tipos de cáncer) con estos robots. Hoy en día, este tipo 
de procedimiento ya lo realizan robots, el más cono-
cido de ellos es el robot Da Vinci. Básicamente, el ciru-
jano permanece detrás de la consola y dispone de un 
robot que está preajustado y que hace las incisiones. 
Utilizando una plataforma de origami, si es necesario, 
se puede añadir un nuevo instrumento simplementereconfigurando la forma. 
Como se muestra en la imagen, en el robogami para 
operar tenemos tres secciones diferentes: la sección 
origami 1, la sección giratoria y la sección origami 2, 
que permiten cambiar el radio de curvatura. Al modi-
ficar el radio de curvatura, se puede tener una sola 
herramienta que realiza múltiples tareas, de tal forma 
que los cirujanos ya no tienen que perder tiempo 
cambiando los instrumentos y se reducen los costes 
generales de los procedimientos quirúrgicos. También 
disponemos de “joystick hápticos plegables”, robots 
muy pequeños con tres grados de libertad en la punta 
de los dedos que permiten sentir el objeto, como en la 
realidad virtual. En el entorno de la realidad virtual 
puede haber varios objetos y, si se usan las gafas de 
realidad virtual, no se sabe lo que realmente se toca, 
solo se ve. En el caso de una bola azul, una roja y una 
negra, es posible diferenciarlas por el color, pero con 
el joystick que se ha desarrollado se podrían distin-
guir también en función de la textura o rigidez, de tal 
forma que lo que se ve coincide con lo que se siente. Se 
trata de una realidad tangible que combina lo que se ve 
con lo que se percibe y se siente. 
Y eso no es todo, esta plataforma basada en placas 
de origami varía en función de cómo se diseñe cada 
placa. Si tiene un material diferente, en este caso 
estamos usando goma de silicona y aplicando distintas 
presiones de aire, y con diferentes grados de libertad, se 
simula el funcionamiento de los grupos musculares que 
se inflan si se bombea más sangre. Para crear un sistema 
muscular con microprocesadores individuales, como 
en este caso, cada módulo se diseña con tres grados de 
libertad, lo que significa que se mueve en tres direc-
ciones en el espacio. Se pueden colocar cuatro de esos 
módulos juntos como un bloque de Lego® y hacer 
que funcione como los robots tradicionales. Lo que es 
impresionante de estos sistemas es que, dependiendo 
de cuántos grados de libertad se definan, se pueden 
modificar los robots origami para que realicen otras 
funciones. Por ejemplo, el día de mañana se necesita 
que el robot recoja un objeto más lejano, que sea más 
fuerte o que tenga otro radio de curvatura adicional, 
esto es algo que normalmente no se puede hacer con los 
robots tradicionales; sin embargo, con el robot origami 
sí se lograría porque cada bloque es como una pieza de 
Lego® que nos permite agregar más acciones.
Respecto a la “modularidad”, se puede disponer 
de estos módulos para cubrir las diferentes partes 
del cuerpo. En enfermos con Alzheimer o que se 
están recuperando de un derrame cerebral se pueden 
emplear módulos que cubran la parte superior de 
sus dedos, de tal forma que fuercen a los dedos del 
paciente a moverse para coger mejor la cuchara o 
cortar mejor. La ventaja es que se usa una acción muy 
suave sin materiales duros o con armazones perso-
nalizados. Pero se puede ir aún más lejos y disponer 
de accionadores más grandes que soporten incluso 
decenas de kilogramos de peso. En este caso, el robot 
no se desarrolla para rehabilitación o para pacientes 
paralizados, sino para pacientes con dolor de espalda 
crónico o trabajadores de la construcción que tienen 
que levantar una gran cantidad de peso durante 
mucho tiempo, perforar agujeros o usar martillos en 
una posición incómoda, lo que puede acabar afec-
tando a su espalda. Estos dispositivos son una medida 
preventiva para este tipo de trabajadores para mejorar 
sus condiciones de trabajo.
33
Robótica flexible para interaccionar de manera intuitiva con los robots | Dra. Jamie Paik
Otra aplicación de esta tecnología es para la 
retroalimentación mecánica en trabajo virtual. En 
una situación en la que se estuviera trabajando con 
un entorno virtual para escalar una montaña, estos 
sistemas permitirían cambiar su rigidez y hacer que el 
usuario se sintiese como si estuviera cargando un gran 
peso o que el peso estuviera empujado por alguien 
más, así da la sensación de que le están tocando o está 
moviendo diferentes objetos. Además, resulta muy 
interesante combinar la retroalimentación estática con 
gafas de realidad virtual y luego agregar una sensa-
ción adicional, más pequeña, como la textura, lo que 
permite experimentar una forma de comunicación 
completamente diferente. Así, el dispositivo puede 
ayudar al usuario a mantener el equilibrio. De esta 
manera, si alguien necesita la ayuda de otra persona o 
es invierno y tiene que andar sobre la nieve, este dispo-
sitivo le dará soporte inmediato (por ejemplo, si está a 
punto de caerse); mientras que cuando no se necesite, 
será pasivo. También estos dispositivos pueden ayudar 
en la recuperación de la marcha después de estar 
mucho tiempo inmovilizados por una rotura de una 
pierna, o si es una persona totalmente sana pueden 
ayudar a corregir la forma o la postura en el entrena-
miento de deportes, por ejemplo, a corregir el swing en 
el golf o en el tenis.
Otro nivel de actuación son las “mallas de sensa-
ciones” sobre la piel, como un Braille robótico. En 
lugar de leer el Braille solo con las yemas de los dedos, 
podemos imaginar que este Braille está encima de 
cualquier parte del cuerpo. Se trata de parches con 
píxeles táctiles que vibran a diferentes frecuencias 
y con distintos niveles de fuerza, de tal forma que 
generan una sensación enorme y muy rica. Dispone 
de una burbuja inflable embebida con sensores flexi-
bles y suaves. El sensor mide el inflado de la burbuja, 
y cuanto más inflada está la burbuja, mayor será la 
fuerza de interacción sobre la piel, y mejor se podrá 
sentir cualquier perturbación que ocurra, ya sea muy 
fuerte o muy sutil, como si alguien nos rozara la piel; 
la gran ventaja es que todo está integrado en un único 
dispositivo.
De esta manera, se pueden tener los parches en el 
antebrazo y entender la información sin que la vista sea 
necesaria o, aún más fácil, puede informar al usuario de 
que el objeto en cuestión es una manzana roja, un libro 
verde o un lápiz, sin ninguna otra información sensorial 
que no sea una sensación táctil. En un futuro esto signi-
ficará que no hará falta leer o escuchar los mensajes del 
móvil o teléfono, seremos capaces de sentirlos. En mi 
opinión, así será como nos comunicaremos en el futuro 
y como los médicos se relacionarán con sus pacientes.
¿Cuántos de nosotros leemos el manual 
antes de empezar a usar el teléfono móvil 
o la tablet?
Los sistemas robóticos intuitivos permitirán una 
 mejor ejecución de los dispositivos portátiles de 
 comunicación y de los robots médicos en un siste-
ma robótico colaborativo. En mi laboratorio estamos 
 empezando a trabajar con la Agencia Espacial Europea 
para que nuestros robots no sean solo una idea de 
 futuro, sino que estamos trabajando para enviar este 
tipo de robots a la estación espacial que, por razones 
de espacio disponible, no permite el envío de muchos 
 robots y es más conveniente enviar un único robot 
 capaz de desarrollar múltiples tareas.
«En conclusión, mediante el 
uso de estos interfaces de robots 
flexibles y blandos vamos 
a poder desarrollar tareas 
mucho más variadas de lo que 
jamás habíamos imaginado, e 
interaccionar de forma muy suave 
e intuitiva, sin necesidad de leer 
los manuales para controlarlos.»
35
Potencial de la inteligencia artificial/
deep learning para mejorar el tratamiento 
oncológico
Dra. Kara L. Davis
Departamento de Pediatría, Centro Bass del Instituto de Investigación en Salud y del Cáncer y Leucemias 
Pediátricos, Universidad de Stanford, Stanford, Estados Unidos
Dra. Kara L. Davis
E n este ciclo de conferencias hemos descu-bierto varios aspectos realmente emocio-nantes y atractivos sobre el uso del deep 
learning en diferentes ámbitos de nuestra sociedad. 
En esta presentación se expone la experiencia de la 
aplicación de la inteligencia artificial en el cuidado de 
niños con leucemia. 
Hace cien años la leucemia en la infancia era una 
enfermedad fatal, tal y como refleja un informe deun 
médico de Estados Unidos que describió el curso de 
 estos pacientes, los cuales sucumbían a la enferme-
dad en muy pocos meses. Pero en el transcurso de los 
 últimos 50 a 60 años se han llevado a cabo avances real-
mente increíbles en el manejo de los niños con leucemia 
y, de hecho, casi se ha convertido en un claro ejemplo de 
la importancia de la colaboración multidisciplinar para 
el tratamiento del cáncer. 
Se ha avanzado de tal manera que en los años sesenta 
solo sobrevivían a su leucemia alrededor del 20% de los 
pacientes, mientras que ahora se curan más del 90% de 
los niños con esta patología. Sin embargo, el problema 
real de esta enfermedad es la recaída del paciente, ya 
que cuando la enfermedad reaparece después de un 
primer tratamiento, es muy difícil de tratar. En algu-
nos estudios de los ochenta y la década de los 2000 y 
en un ensayo clínico en el que participó la Dra. Kara 
L. Davis el año pasado, se utilizó ingeniería genética de 
células T para tratar pacientes en los que falló el trata-
miento inicial. Los resultados de todos estos estudios 
muestran que más de la mitad de los pacientes en los 
que el tratamiento no funcionó fallecen a consecuencia 
de esta enfermedad.
¿Cómo abordar clínicamente la recaída 
y la predicción de esta cuando llega un 
paciente al hospital?
Cuando un paciente llega al hospital es importante 
informar a su familia de cuál es su pronóstico. Para 
ello, es preciso recabar distintos tipos de información; 
la primera corresponde a los datos clínicos según el 
INTELIGENCIA ARTIFICIAL APLICADA A LA BIOMEDICINA
 criterio Roma NCI, que se determina en el momento 
del diagnóstico según las características del paciente 
cuando llega al hospital. Lo segundo que se analiza son 
los cambios genéticos generales, y de los cromosomas 
en particular, cuyos resultados tardan en saberse entre 
1-2 semanas desde la llegada del paciente. Por último, se 
revisa la respuesta al tratamiento inicial que se valora al 
mes o dos meses después de iniciar el tratamiento. 
El conjunto de esta información constituye lo que se 
denomina evaluación final del riesgo, en función de la 
cual se tomarán las decisiones más adecuadas de trata-
miento para estos pacientes. Sin embargo, hay dos limi-
taciones principales en este enfoque; la primera es que 
hay cierta demora en conocer el riesgo, por lo que no se 
puede saber el riesgo total de los pacientes hasta un par 
de meses después de su primer ingreso; la segunda limi-
tación es que no se trata de una predicción informativa, 
se puede saber que el paciente corre un alto riesgo de 
recaída, pero realmente no se sabe qué células no están 
respondiendo o qué hace que no respondan para poder 
adaptar el tratamiento de manera inteligente. 
Ese ha sido el objetivo de nuestros estudios. Tra-
tamos de encontrar las poblaciones de células clínica-
mente relevantes dentro de un tumor individual para 
poder actuar lo antes posible. Por ejemplo, la pauta de 
actuación actual en el diagnóstico de un paciente con 
cáncer es someterle a un tratamiento y evaluar su enfer-
medad mínima residual o la respuesta a la terapia en el 
curso de las siguientes semanas y esperar a ver su evo-
lución. Hoy por hoy se sabe que a los 7-10 años, un 80% 
de los pacientes se curarán y un 20% recaerán.
Las preguntas que nos planteamos en la actualidad 
son, en el momento del diagnóstico, cuando el paciente 
ingresa en el hospital por primera vez, ¿se puede prede-
cir quién va a recaer y quién no?, ¿es posible distinguir 
realmente qué células causarán la recaída y cómo tratar 
al paciente más eficazmente? 
Para responder a estas preguntas diseñamos un 
 estudio con una cohorte de 60 pacientes con leucemia 
desde el momento en que fueron diagnosticados y un 
grupo control con médula ósea sana. Determinamos 
a través de estudios de estimulación de células aisladas 
de alta dimensión qué proteínas tenían a nivel de células 
individuales de estos pacientes. Para ello, analizamos los 
 distintos tipos de proteínas mediante citometría de masas 
en cada una de las células extraídas de los pacientes y los 
controles. El primer problema que se nos planteó en este 
estudio de células tumorales indivi duales fue la gran 
heterogeneidad de las células estudiadas y la dificultad 
para analizarlas. El objetivo entonces fue organizarlas en 
 bloques y tratar de obtener un modelo. 
¿Cómo pasar de este conglomerado de 
información a un modelo de aprendizaje? 
Para ello, aplicamos el mismo enfoque a células B 
 sanas de la médula ósea y analizamos en detalle cómo 
era su proceso de maduración. Evaluamos los com-
ponentes principales de las poblaciones de células 
normales y cómo las células de la leucemia se sitúan 
en dicho rango de fenotipos, y comprobamos que los 
patrones de las células B sanas y de las cancerígenas se 
superponían. A partir de ahí desarrollamos un clasifi-
cador de desarrollo de células únicas, y en cada una de 
las distintas etapas de poblaciones de células B sanas 
analizamos la expresión de 11 proteínas principales. 
Realizamos también este tipo de análisis en pacientes 
con leucemia extrayendo de cada paciente un total 
de alrededor de 600.000 células y determinamos, 
«El paradigma de la recaída en 
la leucemia es que las células que 
causan la recaída están presentes 
desde el inicio de la enfermedad, 
escondidas, y se debe intentar 
detectarlas en los estadios 
iniciales.»
37
Potencial de la inteligencia artificial/deep learning para mejorar el tratamiento oncológico | Dra. Kara L. Davis
 tomando como base la expresión de estos marcadores, 
qué poblaciones eran más similares a la población sana. 
Por último, organizamos nuestros datos normali-
zándolos según la progresión normal del desarrollo de 
células B y pudimos observar que, en comparación con 
las células sanas, las células B de pacientes con leucemia 
se expandían en la transición entre células pro-B y pre-B. 
Analizamos también otras características de las células, 
como la genética de pronóstico, y pudimos comprobar 
que no había una gran diferencia, según la genética, en 
cómo se asentaban estas células en esta clasificación de 
desarrollo. Comprobamos también que para predecir la 
recaída no bastaba únicamente con tener en cuenta las 
diferencias observadas en la clasificación de desarrollo. 
En este punto recurrimos al aprendizaje automá-
tico. Disponíamos de datos de parámetros diferentes 
medidos en 600.000 células de cada uno de los 60 
pacientes. Para ello, extrajimos las características de 
 dichos datos (proteínas fenotípicas, señal basal y señal 
inducida) en el momento del diagnóstico y las situa-
mos en un algoritmo de aprendizaje automático. Divi-
dimos nuestra cohorte en un grupo de entrenamiento 
con el 80% de las muestras y un grupo de prueba con 
el 20% de las muestras. Lo llevamos al modelo reali-
zando un total de 10 veces una validación cruzada y 
obtuvimos la selección de las características celulares 
que podían predecir con precisión una futura recaí-
da, denominando a este modelo predictor de recaída 
 dependiente del desarrollo (DDPR).
El modelo DDPR identificó seis características de 
señalización presentes en el momento del diagnóstico 
que podían predecir una futura recaída; dichas carac-
terísticas estaban básicamente confinadas a dos células 
en particular (células pre-B y pro-B), presentes una a 
continuación de la otra en el proceso de desarrollo de 
las células B. La conclusión de estos hallazgos es que los 
pacientes que van a recaer presentan altos niveles de 
señalización al inicio y no pueden continuar activando 
esa señalización con nuestras estrategias de tratamiento. 
Pudimos observar que, tanto en nuestra cohorte de 
 entrenamiento como en la cohorte de validación, tenía-
mos un excelente poder predictivo basado en las áreas 
bajo las curvas. Cuando comprobamos la curva de 
Kaplan-Meier que valoraba el riesgo de tener o no una 
recaída según nuestro modelo, obtuvimos una fantás-
tica separación entre los pacientes