Un equipo combinado de investigadores de Babylon Health y University College ha creado un algoritmo que, según afirman, puede encontrar relaciones causales entre la información en conjuntos de datos médicos superpuestos. Han escrito un artículo que describe su algoritmo y lo han subido al servidor de preimpresión arXiv. También harán una presentación describiendo su investigación en la reunión de la Asociación para el Avance de la Inteligencia Artificial de este año.

Encontrar una forma sistemática de examinar los datos para encontrar la causa de una condición determinada en una sola persona enferma es un desafío importante en la investigación de la IA. Si un paciente ha estado estornudando más de lo normal últimamente, ¿Es porque se ha introducido un alérgeno en su entorno? ¿O se han resfriado? Peor, tal vez tengan un tumor canceroso en los senos nasales o en el cerebro. El sistema actual para buscar la respuesta correcta en tales escenarios está basado en humanos. Los médicos hacen preguntas y buscan respuestas en su memoria. Si no pueden encontrar uno, pueden consultar con otros médicos o estudiar libros de texto médicos o bases de datos en línea.

Este sistema tiene sus méritos, por supuesto, siendo el mejor disponible. Pero también tiene inconvenientes:está limitado por la memoria y el ingenio humanos. Muchos especialistas en computación creen que hay una mejor manera:dejar que la computadora lo haga. Esto no es posible actualmente, pero los científicos están trabajando en ello. En este nuevo esfuerzo, los investigadores han introducido un sistema con un algoritmo que analiza datos de diferentes conjuntos de datos superpuestos y encuentra relaciones causales.

El algoritmo se basa en el concepto de entropía, en el que cualquier sistema se vuelve más desordenado con el tiempo. Los investigadores proponen que la entropía existe con información en conjuntos de datos, así como, y que las fuerzas causales están más ordenadas que los datos que describen el resultado de sus efectos. Siendo ese el caso, debería ser posible trabajar hacia atrás para encontrar la causa, y eso es exactamente lo que hace su algoritmo.

El sistema pudo evaluar correctamente el tamaño y la textura de los tumores de cáncer de mama al comparar conjuntos de datos en los que ya se conocían las relaciones causales; determinó que no tenían un vínculo causal, pero ambos eran un indicador de si un tumor era benigno o maligno.

© 2020 Science X Network