Para probar esta posibilidad, los investigadores entrenaron un modelo de aprendizaje profundo para predecir el nivel de dolor autoinformado del paciente a partir de su radiografía de rodilla. Si el modelo resultante tuviera una precisión terrible, esto sugeriría que el dolor autoinformado es bastante arbitrario. Pero si el modelo tuviera una precisión realmente buena, esto proporcionaría evidencia de que el dolor autoinformado está de hecho correlacionado con marcadores radiográficos en la radiografía.
Después de realizar varios experimentos, incluso para descartar cualquier factor de confusión, los investigadores encontraron que el modelo era mucho más preciso que el KLG para predecir los niveles de dolor autoinformados para pacientes blancos y negros, pero especialmente para pacientes negros. Redujo la disparidad racial en cada nivel de dolor a casi la mitad.
El objetivo no es necesariamente comenzar a utilizar este algoritmo en un entorno clínico. Pero al superar la metodología KLG, reveló que la forma estándar de medir el dolor es defectuosa, a un costo mucho mayor para los negros. Esto debería alertar a la comunidad médica para investigar qué marcadores radiográficos podría estar viendo el algoritmo y actualizar su metodología de puntuación.
“En realidad, destaca una parte realmente emocionante de dónde pueden encajar este tipo de algoritmos en el proceso de descubrimiento médico”, dice Obermeyer. “Nos dice si hay algo aquí que vale la pena mirar y que no entendemos. Establece el escenario para que los humanos intervengan y, utilizando estos algoritmos como herramientas, intenten averiguar qué está pasando “.
“Lo bueno de este artículo es que piensa en las cosas desde una perspectiva completamente diferente”, dice Irene Chen, investigadora del . que estudia cómo reducir las inequidades en la atención médica en el aprendizaje automático y no participó en el artículo. En lugar de entrenar el algoritmo basándose en un conocimiento experto bien establecido, dice, los investigadores optaron por tratar la autoevaluación del paciente como una verdad. A través de eso, descubrió importantes lagunas en lo que el campo médico suele considerar como la medida del dolor más “objetiva”.
“Ese era exactamente el secreto”, coincide Obermeyer. Si los algoritmos solo se entrenan para igualar el desempeño de los expertos, dice, simplemente perpetuarán las brechas e inequidades existentes. “Este estudio es una muestra de un proceso más general que podemos utilizar cada vez más en medicina para generar nuevos conocimientos”.