Lisa Woakes/Unsplash

El gato que predecía la muerte

Durante varios años, el gato Oscar se acurrucó junto a 50 enfermos. Todos y cada uno de ellos murieron poco después. ¿Cómo podría la medicina reproducir esta capacidad?

|
oct. 11 2018, 3:45am

Lisa Woakes/Unsplash

De la multitud de pequeñas humillaciones que tuvo que soportar un joven oncólogo en su último año de residencia, quizá la más hiriente fuera Oscar, un gato blanco y negro de dos años que, al parecer, era capaz de predecir mejor que los médicos el momento en que un paciente terminal estaba a punto de morir.

Sorprendentemente, la historia apareció en verano de 2007 en The New England Journal of Medicine. Adoptado por el equipo médico cuando era cachorro, Oscar campaba a sus anchas por una de las plantas del hogar de ancianos Steere House, en Rhode Island. Cada vez que el gato olisqueaba el aire, estiraba el cuello y se acurrucaba junto a algún paciente, no cabía duda alguna de que la muerte de esa persona era inminente. Los médicos se apresuraban a llamar a los familiares para que acudieran a hacerles la última visita. Durante varios años, el gato Oscar se acurrucó junto a 50 enfermos. Todos y cada uno de ellos murieron poco después.

Nadie sabe cómo Oscar adquirió esa formidable habilidad para oler la muerte. Quizá aprendió a detectar un olor característico, como el de las sustancias químicas que liberan las células muertas, por ejemplo. O tal vez detectaba otras señales inescrutables. Al principio me costaba creerlo, pero varios médicos que vieron al gato profético en acción corroboraron su especial talento. Como decía el autor del artículo: “En la tercera planta, nadie muere hasta que Oscar le haya visitado y se quede un rato”.


MIRA:


Aquella historia tenía un interés especial para mí, ya que ese mismo verano había estado tratando a S., un fontanero de 32 años con cáncer de esófago. El paciente había respondido bien a la quimio y la radioterapia. Le habíamos extirpado el esófago, eliminando todo rastro de tejido maligno de su cuerpo.

Una tarde, varias semanas después de haber finalizado su tratamiento, saqué a colación, con la mayor delicadeza posible, el tema de los cuidados de pacientes en fase terminal. El objetivo era encontrar la cura, por supuesto, le dije a S., pero siempre cabía la posibilidad de la recaída, por pequeña que fuera. S. tenía una joven esposa y dos hijos, y una madre que lo había traído semanalmente a quimioterapia. Le sugerí que tal vez convendría que hablara abiertamente con su familia sobre sus objetivos.

Pero S. se negó a hacerlo. Cada semana que pasaba se encontraba más fortalecido, así que descartó la idea. Estaba muy animado. El cáncer había desaparecido. ¿Por qué estropear la celebración con una conversación así? Yo acepté con renuencia; la verdad es que era poco probable que el cáncer reapareciera.

Algunos médicos predicen las muertes con mucha precisión, otros yerran en su pronóstico por un margen de casi tres meses por encima o por debajo

La recaída llegó como una avalancha. Dos meses después de recibir el alta, S. volvió a mi consulta con metástasis en el hígado, los pulmones e, inusitadamente, también en los huesos. El dolor causado por estas lesiones era tan insoportable que solo era posible aliviarlo con altas dosis de analgésicos.

S. pasó las últimas semanas de su vida en un estado rayano en el coma, incapaz siquiera de advertir la presencia de su familia en torno a la cama. Al principio, su madre me suplicó que le diera más quimio y luego me acusó de haber dado a la familia información errónea sobre el pronóstico de S. Me mordí la lengua, avergonzado. Y es que los médicos tenemos un historial fatídico cuando se trata de predecir qué pacientes van a morir.

En un estudio hecho por investigadores de la University College of London en el que se analizaron más de 12.000 pronósticos sobre la esperanza de vida de pacientes terminales, las cifras de acierto y error variaban considerablemente. Algunos médicos predecían las muertes con mucha precisión. Otros erraban en su pronóstico por un margen de casi tres meses por encima o por debajo. En el mundo de la oncología incluso existen subculturas con ejemplos de lo más escandaloso: una de las historias, probablemente apócrifa, cuenta que una vez encontraron a un oncólogo especializado en leucemia administrando quimioterapia a un hombre cuyo corazón hacía tiempo que había dejado de latir, según su monitor de constantes vitales.

Pero, ¿y si hubiera un algoritmo que permitiera predecir la muerte? A finales de 2016, un estudiante universitario del departamento de Ciencias Informáticas de Stanford, llamado Anand Avati, y un pequeño grupo de la facultad de Medicina intentaron “crear” un algoritmo para detectar a pacientes que era muy probable que fallecieran en un intervalo de tiempo determinado. “El equipo de atención paliativa del hospital tenía un reto”, me explicó Avati. “¿Cómo podemos saber qué pacientes van a morir en un periodo de entre 3 y 12 meses?”.

Ese intervalo de tiempo era “el periodo óptimo para aplicar cuidados paliativos”. Un plazo superior a 12 meses podría ocupar innecesariamente los recursos limitados del hospital al intentar ofrecer mucho y demasiado pronto; por otro lado, si la muerte se producía menos de tres meses después de lo pronosticado, se esfumaba la posibilidad de disponer de tiempo preparatorio para la muerte —muy poco y demasiado tarde—.

Avati sabía que la capacidad de predecir ese breve periodo óptimo permitiría a los doctores aplicar intervenciones médicas de forma más apropiada y humana. Y si el algoritmo funcionaba, los equipos de atención paliativa se ahorrarían la labor de tener que examinar manualmente las gráficas en busca de los candidatos más adecuados.

Si algoritmo funcionaba, permitiría a los doctores aplicar intervenciones médicas de forma más apropiada y humana

Avati y su equipo seleccionaron un total de 200.000 pacientes susceptibles de ser estudiados. Sus dolencias eran muy diversas: cáncer, enfermedades neurológicas y fallos renales y cardiacos. El aspecto clave es que los investigadores utilizaron los registros médicos del hospital a modo de máquina del tiempo. Imaginemos que un hombre murió en enero de 2017. ¿Y si retrocediéramos en el tiempo hasta ese “periodo óptimo para aplicar cuidados paliativos”, el lapso entre enero y octubre de 2016, cuando los cuidados habrían sido más efectivos?

Para hallar esa ventana de tiempo en un paciente determinado, Avati sabía que era preciso disponer de información médica que poder analizar antes de que se abriera. ¿Era posible recabar información sobre el hombre en el periodo previo a la franja temporal y que permitiera a un médico predecir su fallecimiento en esos 3-12 meses? ¿Qué clase de información habría que enseñar al algoritmo para que hiciera las predicciones oportunas?

Avati utilizó información médica que ya había sido procesada por los médicos del hospital: el diagnóstico de un paciente, el número de peticiones de tomografías, el total de días que el paciente permaneció ingresado, los procedimientos a los que se le sometió, las recetas prescritas. Si bien la información era ciertamente limitada —ni cuestionarios, ni conversaciones ni olfateo de sustancias químicas—, al menos era objetiva y estándar para todos los pacientes.

Todos esos datos fueron introducidos en lo que se conoce como una red neuronal profunda —una estructura de software llamada así porque está diseñada para imitar vagamente la forma en que se organizan las neuronas en el cerebro humano. La tarea del algoritmo era la de ajustar el peso y la fuerza de cada elemento de información para generar una puntuación de probabilidad de que un paciente muriera en un periodo de entre 3 y 12 meses.

Este “algoritmo de mortalidad” absorbió la información de cerca de 160 000 pacientes en un proceso de autoaprendizaje. Una vez procesados todos los datos, el equipo de Avati lo probó con los otros 40.000 pacientes. El resultado fue sorprendentemente bueno. El índice de falsos positivos era bajo: nueve de cada diez pacientes cuyo fallecimiento se previó para un plazo de 3-12 meses murieron en ese periodo, y el 95 por ciento de los pacientes a los que el programa asignó una baja probabilidad de supervivencia vivieron más allá de los 12 meses.

¿Qué aprendió el algoritmo sobre el proceso de la muerte? ¿Y qué puede este, a su vez, enseñar a los oncólogos? Aquí radica la peculiaridad de este sistema de aprendizaje profundo: no puede enseñarnos lo que ha aprendido; el sistema asigna probabilidades pero no puede expresar de forma sencilla el razonamiento que hay detrás de esa lógica. Como un niño que aprende a ir en bicicleta a base de ensayo y error y, al ser preguntado por las reglas que le han permitido aprender, se limita a encogerse de hombros, el algoritmo mira al vacío cuando le preguntamos el cómo. Es, como la propia muerte, otro misterio.

El algoritmo a asigna probabilidades pero no puede expresar de forma sencilla el razonamiento que hay detrás de esa lógica

Pero cuando analizamos cada caso de forma individual, apreciamos patrones inesperados. Un hombre al que se había asignado una puntuación de 0,946 murió al cabo de pocos meses, como estaba previsto. Tenía cáncer de próstata y vejiga, le habían hecho 21 resonancias y había permanecido 60 días hospitalizado, información que el algoritmo había procesado como signos de una muerte inminente.

Sin embargo, el sistema pareció poner mucho énfasis en el hecho de que las resonancias eran de la columna vertebral y de que se le había implantado un catéter en la médula espinal, aspectos que tal vez ni yo ni mis compañeros hubiéramos interpretado como indicadores de fallecimiento. (Más tarde aprendí que una resonancia magnética de la médula espinal era señal, muy probablemente, de cáncer en el sistema nervioso).

Es casi inevitable que, cuando leo sobre el “algoritmo de mortalidad”, me venga a la memoria mi paciente, S. Si hubiera tenido a mi disposición una versión más sofisticada de este, ¿la habría usado en ese caso? Sin duda alguna. ¿Me habría ayudado a convencerle de la importancia de hablar con su familia sobre los cuidados para pacientes terminales? Sí. Y aun así, no puedo evitar sentir cierta incomodidad ante la idea de que un algoritmo sea capaz de entender los patrones de la mortalidad mejor que la mayoría de los seres humanos. Y no dejo de preguntarme por qué ese programa nos parecería mucho más aceptable si viniera presentado como una criatura felina de pelaje blanco y negro acurrucada junto a nosotros.

Siddharta Mukherjee es el editor principal de Tonic y el autor de Emperor of All Maladies: A Biography of Cancer, ganador de un premio Pulitzer, The Gene (2016) y The Laws of medicine. Mukherjee también es profesor adjunto de Medicina en la Universidad de Columbia y médico e investigador especializado en oncología.

Suscríbete a nuestra newsletter para recibir nuestro contenido más destacado.

Más VICE
Canales de VICE