LA CIENCIA DETRÁS DEL «BIENESTAR CIENTÍFICO»

La semana pasada, Arivale, la empresa de «bienestar científico» o tambien conocido como «scientific wellness«, en ingles, de comercio directo al consumidor, ha cerrado sus puertas. Pero el fin de Arivale no es el fin del «bienestar científico». El atributo «científico» es más que para el marketing, más que para expresar un sentimiento. Sin embargo, para ver su sustancia tenemos que ir más allá de la «ciencia de los datos», que no es ciencia, sino en la que Arivale ha confiado. La secuenciación profunda y el aprendizaje profundo no lo harán, también necesitamos un pensamiento profundo. Si la teoría sin datos es inútil, también lo son los datos sin teoría. Una consideración epistémica para la medicina de grandes datos.

En vista de los rápidos ciclos de auge y caída en el campo de la gran medicina de datos, el repentino final de la nueva empresa de tecnología sanitaria Arivale no debería haber valido la pena. Sin embargo, envió ondas de choque a la tierra de un nuevo y prometedor género de servicios de salud. Debido a que Arivale ha encabezado la venta de «bienestar científico» como un nuevo tipo de servicio, su desaparición tiene el peso de un indicador para el futuro de todo un campo. Pero más allá de todo el habitual quarterbacking del lunes por la mañana sobre la ausencia de un mercado o el fracaso de la comercialización o de la gestión, etc., hay una cuestión mucho más profunda sobre la que el cierre de Arivale nos incitará a reflexionar: ¿Qué es en realidad el «bienestar científico», que Arivale ha marcado con su marca, pero que ahora se utiliza de forma omnipresente? No he encontrado ni una sola definición onomasiológicamente sólida en Internet. Una consideración epistemológica más amplia será, por lo tanto, necesaria.

Se ha notado el alboroto en torno a la industria del bienestar, especialmente cuando está atada al gran auge de los datos. Pero, ¿todo esto es sólo humo sin el asado – o hay sustancia escondida en el humo? ¿Añadir el atributo `científico’ a `bienestar’ significaba sugerir esto último, o simplemente soplaba más aire caliente en el globo, ayudando a su rápido ascenso? Todo el mundo sabe lo que es el’bienestar’ (incluso si no puedes definirlo, «lo sabes cuando lo ves»). Pero, ¿qué lo hace «científico»? ¿Acaso la medicina moderna no se basa ya en métodos científicos? Sostendré que hay sustancia concreta detrás de un nuevo esfuerzo en la industria del bienestar que merecería el atributo «científico» en un sentido que es fundamental, no sentimental. Pero es matizada y difícil de articular. Incluso los científicos y el equipo de marketing de Arivale, y ciertamente sus competidores, no se han molestado en pensar en detalle y en profundidad sobre la parte «científica» del «bienestar científico».

La idea de un «bienestar científico» no es una estratagema de marketing. Tiene su origen en la visión de Leroy Hood, uno de los fundadores de Arivale, que es un spin-off del Instituto de Biología de Sistemas de Seattle que el Dr. Hood fundó hace casi 20 años para promover enfoques de sistemas de biología. La idea de «bienestar científico» sólo puede entenderse en el contexto de un enfoque sistémico y de la cuestión de cómo se pueden aprovechar los logros de la biología «ómica» (desde la genómica hasta la metabolómica) para mejorar la salud. El «bienestar científico», a pesar de su lucha por encontrar una definición convincente, captura una idea que es profunda en formas desconocidas para muchos, incluyendo los científicos de datos de Arivale. La’ciencia de datos’ no es ciencia, y la mayor parte de los análisis actuales realizados en el espíritu del «bienestar científico» son meramente ciencia de datos. Ese es el problema. Es la «ciencia», más precisamente, la «ciencia de sistemas», la que hace que el nuevo enfoque del bienestar sea «científico». ¿Pero de qué manera específica? Esto es difícil de explicar, pero déjame intentarlo.

LA CIENCIA DE LOS DATOS NO ES CIENCIA

La fuerza bruta recolectando, correlacionando y categorizando los datos y luego interrogando las bases de conocimiento médico para «acciones prácticas» que mejorarían el bienestar es todo menos un método científico. Este enfoque de los grandes datos no es la receta para un home-run en medicina; es la desesperación detrás de un pase Hail Mary. Sí, los datos son necesarios en la ciencia. Pero los datos por sí solos son de poca utilidad sin la ciencia, e incluso pueden frenar el progreso científico. El cribado algorítmico ciego de grandes cantidades de datos longitudinales multiómicos con la esperanza de encontrar las pepitas de oro que pueden ser monetizadas, utilizando herramientas estadísticas cada vez más sofisticadas, no es ciencia.

Claro, la actividad que el mal llamado «ciencia de datos» describe puede ser más útil en muchos ámbitos de la vida: Por ejemplo, para averiguar cuál es la próxima compra probable de su cliente, qué película es probable que vea a continuación, por quién es probable que vote, etc. -todo esto tiene implicaciones prácticas que se traducen en ingresos. Este uso rentable de los datos no requiere ciencia y no es ciencia. Y a la inversa, la buena ciencia no tiene por qué ser útil. En estas aplicaciones comerciales, los hallazgos producidos por los científicos de datos son per se los «accionables». Pero en la medicina como ciencia biológica hay un gran paso adicional entre los datos y su aplicación que pocos científicos ven: se llama «ciencia», o más precisamente, una teoría científica que trata de principios generales y fundamentales. Los datos (u observaciones, en el lenguaje antiguo) son necesarios tanto para erigir los principios generales de la teoría como para aplicarlos a la instancia específica.

Puesto que la ciencia de los datos no es ciencia, y los científicos de datos no están necesariamente entrenados como científicos (pocos lo están), es excusable para ellos no ser conscientes de la existencia misma de la ciencia y la necesidad de ella en algunos (pero no todos) los dominios donde los datos están siendo producidos y analizados. Pensar que la analítica de datos de alguna manera, mágica y consistente, desenterrará información procesable se acerca a lo que el psiquiatra suizo Eugen Bleuler llamó «pensamiento autista-indisciplinado» en medicina en la década de 1919 – ahora en el manto de los grandes datos y la informática.

Como sugirió el difunto biólogo molecular Sidney Brenner: Los «ómicos» más útiles son los económicos. Por lo tanto, mientras que los grandes datos alimentan los ingresos en Amazon o Netflix, los ómicos en medicina siguen siendo muy difíciles de monetizar. Descubrir que los niveles de metabolito X en la sangre en los datos de tu perfil ómico son demasiado altos no significa automáticamente que necesites reducirlos para mejorar tu bienestar personal. La medicina es más complicada que eso: la información procesable no puede ser derivada por el tipo de pensamiento racional basado en la causalidad que funciona como un encanto en el análisis de datos comerciales y en tantos dominios de la vida. Saber que la vitamina D promueve la absorción y mineralización del calcio no significa automáticamente que el consumo de suplementos de vitamina D prevendrá la osteoporosis en personas sanas (en la mayoría de los casos no lo hace). Saber que la vitamina C promueve la actividad de las células inmunitarias no significa automáticamente que la vitamina C pueda prevenir el cáncer y el resfriado común (como todos sabemos ahora). Saber que el magnesio reduce la contractilidad muscular no significa automáticamente que prevendrá los calambres en su próximo maratón (no lo hará).

LOS MECANISMOS CAUSALES PLAUSIBLES SON CASI INÚTILES EN MEDICINA

Las explicaciones mecanicistas de tipo o altamente plausibles como las ejemplificadas arriba simplemente no funcionan en medicina (la mayoría de las veces). Pocos investigadores sin una larga exposición a la investigación médica, incluyendo a los científicos de datos y bioinformáticos que ahora entran en la biomedicina en masa debido a sus habilidades indispensables, aprecian este hecho. Los «hacks de ingeniería» inteligentes, deducidos lógicamente de cualquier mecanismo causal sólido, sin importar si se identifican mediante razonamiento humano o sofisticados algoritmos de inferencia estadística, no son adecuados para informar las decisiones de atención en medicina. La forma moderna más extrema de un modo de pensamiento tan primitivo está personificada por la «medicina de precisión» que ingenuamente trata al cuerpo humano como una complicada máquina Rube-Goldberg de mecanismos moleculares secuenciales susceptibles de pensamiento lineal sobre la causalidad. Así no es como funcionan las enfermedades.

El organismo humano es un complejo sistema dinámico no lineal (estocástico). El tipo de razonamiento lineal simplista que los científicos aportan a la medicina puede tener utilidad sólo en las pocas islas de linealidad en un vasto mar de no linealidad. Tales islas en las que el principio de causalidad lineal funciona, son ciertas enfermedades monogénicas, enfermedades infecciosas o algunos cánceres impulsados por un único oncogén dominante – eso es todo. (Esto decepcionará a los defensores de la medicina de precisión, pero se están acumulando y describiendo señales de advertencia humillantes de sus limitaciones inmanentes debido a la complejidad del organismo por parte de muchos observadores, notablemente el Dr. Michael Joyner de la clínica Mayo, aquí y aquí).

Es el hecho mismo de que las razones mecánicas plausibles no son confiables en el mundo real de la medicina que ha dado origen a la medicina basada en evidencias (EBM). Con el significado más restringido del término ‘evidencia’, la EBM propugna el conocimiento empírico y evita la «opinión de expertos» que a menudo tienen sus raíces en el razonamiento causal mecanicista ad hoc antes criticado. La EBM extrae información clínicamente procesable de grandes y rigurosos ensayos clínicos y estudios epidemiológicos que establecen pautas de mejores prácticas. La EBM ha tenido un gran éxito en muchos sentidos, como se ve mejor en la medicina cardiovascular, salvando millones de vidas. Pero la EBM ha llegado claramente a sus límites. Su enfoque descriptivo y empírico tiene poca paciencia para la inferencia lógica sobre la base de mecanismos moleculares o fisiológicos, porque no se puede confiar en ellos. Pero cada vez sabemos más sobre las vías moleculares y la fisiopatología del organismo, que llenan vastas bases de datos.

Si bien la atención basada en la EBM sigue siendo, por orden de magnitudes, más fiable que la basada únicamente en razones moleculares ad hoc plausibles, uno de los problemas de la EBM es que sus conocimientos, al derivarse de ensayos clínicos, pertenecen necesariamente a agregados de grandes cohortes de pacientes y a menudo no se aplican al individuo. La idiosincrasia de la persona individual que necesita atención médica plantea un problema fundamental para la EBM y es lo que la medicina personalizada, la medicina de precisión y la medicina de grandes datos tratan de resolver. Una posible solución es el llamado juicio «N de 1». Pero este esquema de obtener evidencia de la eficacia del tratamiento para un paciente en particular a través de series de ciclos de tratamiento/observación en el mismo paciente es logísticamente desafiante. A largo plazo, y epistemológicamente, no hay forma de evitar el razonamiento mecanicista que utiliza información específica de cada caso cuando se trata de mejorar la condición de un paciente individual (la instancia) porque las pautas generales de EBM se aplican sólo a un «paciente promedio» imaginario.

Nuestro conocimiento del cuerpo humano, incluso si uno pudiera buscar en las bases de datos médicas en explosión todas las vías moleculares y leyes fisiológicas, no está todavía preparado para permitir un razonamiento deductivo fiable que nos permita «descifrar», como hacen los ingenieros, los mecánicos de automóviles o los detectives, qué hay de malo en un determinado caso (de una clase de sistemas) y cuál es la causa de ello y cómo arreglarlo: El médico no puede deducir, combinando la información del perfil multiómico de un paciente determinado con los conocimientos médicos existentes, cómo tratar el complejo estado clínico de ese paciente multimórbido específico. Todavía necesita «buscarlo» en (o memorizarlo de) algún manual o documento con pautas generales determinadas por estudios clínicos empíricos. En medicina, a diferencia de la física, química, ingeniería, meteorología (ver más abajo), etc., carecemos de una teoría formal para la deducción lógica de qué hacer en un caso específico sin depender de pautas empíricas explícitas («si la presión arterial es superior a 130/80mmHg, y hay otros factores de riesgo x, entonces comienza el tratamiento farmacológico»).

Entonces, si tanto la medicina tradicional basada en evidencias como los nuevos enfoques basados en mecanismos causales ad hoc derivados de los datos personales tienen sus limitaciones, ¿qué podemos hacer en la era de la gran medicina de datos?

MÁS ALLÁ DE LA MEDICINA BASADA EN EVIDENCIAS Y EL RAZONAMIENTO MECÁNICO LINEAL

Entra en el «bienestar científico». Propongo que el principio científico que justifica el atributo `científico’ es la aplicación de conceptos formales florecientes de la biología de sistemas, que es lo que originalmente había fomentado la idea del’bienestar científico’. El término, acuñado por el Dr. Leroy Hood, está lejos de ser una sugerencia tácita de que la medicina actual es «no científica» -por supuesto, la medicina moderna se basa en la ciencia. Pero en opinión de Hood, el «bienestar científico» implica un énfasis en la optimización del bienestar, informado por principios científicos, sin referencia explícita a la «enfermedad». Hay una diferencia sutil pero fundamental entre «optimizar el bienestar» y «prevenir enfermedades» – más allá de la analogía sentimental del vaso medio lleno/medio vacío. El enfoque en la optimización del bienestar está motivado por la comprensión de la naturaleza misma de las transiciones del régimen de «estar bien» al de «estar enfermo», si imaginamos, siguiendo un formalismo de la teoría de los sistemas dinámicos, que estos dos regímenes de salud son dominios complementarios en el espacio de todos los estados de salud posibles (las zonas verde y roja en la figura de abajo).

La aplicación del marco teórico de los sistemas dinámicos complejos a la medicina evitará el hábito de asumir mecanismos causales lineales que se ha convertido en el modo de funcionamiento predeterminado de los científicos y estadísticos que analizan los grandes datos producidos por la elaboración de perfiles multieconómicos de consumidores y pacientes: «Si A aumenta antes de que la enfermedad B se manifieste, entonces A podría ser un biomarcador o incluso una diana terapéutica para la enfermedad B». Este pensamiento lineal se basa en relaciones lógicas plausibles, pero con demasiada frecuencia no se materializan, que es lo que llevó a la biología de los sistemas en primer lugar: Los millones de variables medibles (genes, proteínas, metabolitos, síntomas, signos clínicos, etc.) están todos interconectados: se influyen entre sí, formando un sistema integrado que exhibe su comportamiento colectivo y emergente.

SISTEMAS DE DINÁMICA DE TRANSICIÓN DE LA BIENESTAR A LA ENFERMEDAD (Y CÓMO DEMORARLA)

¿Por qué un enfoque sistémico es diferente de la comprensión de los mecanismos causales individuales en la comprensión de la pérdida de bienestar? Esto es muy técnico, pero muy breve:

Como consecuencia de la inevitable degradación de la función del organismo con la edad, los circuitos de retroalimentación de regulación molecular pierden su plena funcionalidad. En la visión teórica de dicho espacio de estado de salud, este proceso desplaza al organismo gradualmente del régimen de homeostasis (autoestabilización contra las perturbaciones) hacia el régimen de enfermedad, hasta que entra en él -y luego queda atrapado en él. Esto no es una metáfora, pero puede reducirse a principios matemáticos nítidos de la dinámica de sistemas aplicados a la regulación fisiológica.

Podemos enmarcar este proceso en términos de un principio unificador, no de mecanismos moleculares individuales que pueden diferir de un individuo a otro. La reducción de la autoestabilización se manifiesta prosaicamente, como muchos de nosotros observamos tristemente, en el tiempo que toma recuperarse de una lesión a medida que uno envejece. Las fuerzas restauradoras que subyacen al «atractivo del bienestar» se debilitan, y el estado de salud fluctúa a menudo con mayores amplitudes en torno al estado de bienestar óptimo. Es por eso que el Dr. Hood concede tanta importancia a la optimización del bienestar, que se convierte en el «objetivo del tratamiento» por derecho propio, independientemente de cualquier noción de vías patogénicas específicas que se pretenda bloquear en la idea convencional de la prevención de enfermedades. La’enfermedad’ no es parte de la ecuación, de ahí el término’bienestar’! Y es también por eso que necesitamos obtener puntos de datos a lo largo del tiempo cuando el individuo está todavía en el régimen saludable con el fin de optimizar la estabilidad del bienestar. (Está bien, «tratar a los sanos» puede sonar como un lujo y un desperdicio de dinero, pero aquí estamos hablando de ciencia, no de economía social. Pero mira las lámparas LED, los teléfonos inteligentes, los coches eléctricos: Toda nueva tecnología, inicialmente asequible sólo para los más ricos, será un día más barata y accesible para todos. )

UNA VISIÓN DINÁMICA DE LOS SISTEMAS – una simplificación permisiva intuitiva de la teoría. La bola azul y su posición representa el estado de salud de un individuo en el espacio de alta dimensión de todos los estados de salud posibles – proyectado aquí en una dimensión, el eje horizontal. Este espacio de estado se divide en dos regímenes, BIENESTAR (verde) y ENFERMEDAD (magenta). El «paisaje cuasipotencial» representa la estabilidad de un Estado. A medida que el individuo envejece, el «atractor de bienestar» estable se desestabiliza – se aplana, ralentizando así la recuperación homeostática (regreso al fondo del pozo potencial). En algún momento la pelota cruza el límite del régimen de los pozos y «se derrama» en un nuevo atractor en el régimen rojo, de forma autopropulsada (descenso). «Optimizar el bienestar» significa mantener el atractivo del bienestar profundo durante el mayor tiempo posible.

Este concepto formal bastante abstracto también se puede ilustrar (de alguna manera alargada pero permisiva) con la pérdida de control del sistema muy similar a lo que ocurrió en los trágicos accidentes recientes del Boeing 737 MAX: Un sistema de retroalimentación defectuoso provoca un vuelo ondulado debido a un exceso de corrección y contra-corrección, lo que lleva a un aumento de la desviación del punto de ajuste óptimo (la altitud de crucero introducida en el piloto automático – el equivalente a la homeóstasis). La precisión decreciente de los bucles de control en el cuerpo expone cada vez más los procesos reguladores primordiales, una vez críticos, y por lo tanto poderosos. Se conectan de nuevo en bucles de retroalimentación inapropiados y auto-reforzados. El control de retroalimentación defectuoso puede atrapar al sistema en una fatídica trayectoria autopropulsada de disfunción creciente que en las primeras etapas se manifiesta en una diversidad y fluctuaciones cada vez mayores de los estados del sistema.

Si los sensores envían señales inexactas, el organismo, como un complejo sistema multicapa, alternará entre la subcompensación y la sobrecompensación porque no puede terminar las acciones correctivas según sea necesario. Se produce una mala adaptación: La cicatrización de heridas y la regeneración estimulan el crecimiento del cáncer, la hemostasia y la reparación de vasos construyen placas ateroscleróticas, el sistema anti-shock que salva vidas aumenta la presión sanguínea, los puntos de control de las células inmunológicas permiten la autoinmunidad o debilitan la defensa inmunológica, etc. En cada individuo los defectos moleculares que impulsan estos círculos viciosos inadaptados pueden ser diferentes – sólo que el resultado clínico es similar. Tales comportamientos, como los teóricos de los sistemas apreciarán fácilmente, se caracterizan por la existencia de múltiples formas alternativas de llegar a un comportamiento con propiedades comunes: un punto de no retorno y un curso unidireccional irreversible después de eso. Esto se reconoce entonces como una enfermedad crónica. Por eso, la estabilización del bienestar eo ipso es una forma de prevención.

Además, esta convergencia de trayectorias distintas en un espacio multiómico de alta dimensión hacia estos puntos finales comunes es una de las razones por las que es tan difícil encontrar biomarcadores para esto y aquello, ya que los individuos pueden adoptar trayectorias ligeramente distintas en el régimen de la enfermedad. Por lo tanto, identificar e interpretar la naturaleza de la degradación y el cableado erróneo de los lazos de control cuando se analizan los datos ómicos exige no sólo un conocimiento impecable de la bioquímica, la fisiopatología y la medicina, sino también un sólido dominio de la teoría de los sistemas dinámicos que se ocupa de la dinámica no lineal que está en el centro de cualquier salida autopropulsada de la homeostasis. Las asociaciones estadísticas que ofrece la ciencia de datos no lo harán.

Este formalismo puede ser todavía demasiado abstracto para ser procesable. Por supuesto, aún necesita ser desarrollado, pero la idea ya ofrece un marco formal para unificar los diversos cambios moleculares específicos de cada individuo que pueden diferir de una persona a otra y que, por lo tanto, han desafiado el promedio de la población en la EBM. El concepto de dinámica de sistemas nos pone en camino hacia la capacidad de evaluar deductivamente la naturaleza de la disfunción molecular en el estado de salud de un paciente individual. Con una teoría general, los datos específicos recogidos por ejemplo pueden ser explicativos y predictivos sin necesidad de asociaciones estadísticas basadas en biomarcadores genéricos. Este análisis sería más parecido a la resolución de un caso misterioso, similar al trabajo de un detective o investigador, y menos a la rutina actual de los médicos de comparar los datos de los pacientes con alguna referencia para el diagnóstico y luego aplicar estándares de tratamiento. Esto cambiaría para siempre la tarea intelectual del proveedor de cuidados.

Es esta nueva perspectiva de sistemas la que sustenta el concepto de Hood de optimizar el bienestar dentro de la visión más amplia del bienestar científico. Este enfoque teórico es mucho más que enumerar correlaciones e inferir la causalidad a partir de datos ómicos. Entender el comportamiento de los sistemas no lineales requerirá tanto toneladas de datos como una teoría sólida. En los últimos años hemos hecho hincapié en lo primero, pero hemos descuidado lo segundo. Al igual que en la predicción de huracanes, una tarea en la que somos sorprendentemente buenos, se requieren tanto datos longitudinales de alta dimensión como teóricos (mecánica clásica, termodinámica, mecánica de fluidos, etc.). En la ciencia, los datos sin una teoría formal son inútiles, a menos que usted sea un científico de datos que trabaja fuera de la ciencia, es decir, en tareas mundanas pero comercialmente importantes, como por ejemplo, averiguar qué anuncio debe insertar en un sitio web cuando un cliente en particular lo visita.

PERSPECTIVAS: LECCIONES (POR APRENDER)

Lamentablemente, en la medicina de datos actual, los científicos de datos no hacen preguntas científicas profundas, no formulan hipótesis, y mucho menos enmarcan teorías. En una cultura de encaprichamiento con grandes datos sin teoría, a la que Arivale puede haber sucumbido en los últimos años, no sólo hemos descuidado la teoría de sistemas, sino que también hemos desechado las disciplinas médicas clásicas que abarcan los principios teóricos y la búsqueda académica, como la bioquímica y la fisiopatología, que subyacen en el camino hacia la enfermedad. Es demasiado tentador saltarse todos los pasos de la disciplina académica, la teoría rigurosa y la ciencia en la era de los grandes datos. La secuenciación profunda y el aprendizaje profundo están reemplazando el pensamiento profundo.

Arivale, pequeño, innovador y ágil, habría estado en condiciones de ser líder en oponerse a esta desafortunada tendencia de alejarse de la ciencia y acercarse al análisis de datos por la fuerza bruta y sin teoría, debido a las raíces históricas del «bienestar científico» en la propia disciplina de la biología de sistemas. Esta ventaja sobre los Googles, Microsoft e IBMs, etc., y quienquiera que haya entrado en el sistema de salud pensando que su maquinaria de compresión de datos y sus capacidades de IA por sí solas serán suficientes, ha sido regalado con demasiada facilidad.

Arivale formaba parte de la nueva ola de empresas de tecnología de la salud que, en vista de la debilidad de la base científica de sus servicios, deben depender de dos brazos para obtener posibles fuentes de ingresos: Un brazo proporciona un servicio directo al cliente relacionado con la salud (a pesar de que a veces la ciencia todavía es incompleta), el otro recoge los datos del cliente, y, por lo tanto, la idea, los convierte en nueva propiedad intelectual para establecer la base científica que falta, pero también para vender nuevos conocimientos a las grandes farmacéuticas. Esta estrategia de dos brazos plantea un desafío de liderazgo, pero tiene sentido. El primer brazo debería basarse éticamente en una ciencia sólida, pero simplemente no estamos allí todavía, y el segundo brazo puede generar nuevos conocimientos sobre las enfermedades, e incluso contribuir a la ciencia que falta para el primero. Pero esto requeriría un pensamiento científico riguroso y una teoría de sistemas en el sentido antes descrito.

El modelo de negocio de dos brazos de financiar la adquisición de conocimiento por parte de las empresas es crítico para el avance del conocimiento médico porque las agencias gubernamentales han dejado de financiar la verdadera innovación hace mucho tiempo. El sistema de revisión por pares de las propuestas de subvenciones está destinado estructuralmente a sofocar las grandes ideas innovadoras que se presentan fuera de la caja. De hecho, desde hace años, los Institutos Nacionales de Salud financian principalmente proyectos de recopilación y gestión de datos, así como de tecnología para hacerlo, pero no para erigir nuevos conceptos biológicos. En resumen, los NIH también han sucumbido a la mentalidad de «sólo datos» autistas e indisciplinados. Por lo tanto, la fuente principal para cambiar paradigmas de nuevas ideas en nuestra comprensión del cuerpo humano más allá de la actual recolección de sellos moleculares y el recuento de frijoles vendrá de empresas innovadoras y audaces que pasan por alto la revisión académica de sus pares y, sin embargo, abrazan alguna ciencia básica.

Si los costos de los ensayos para la adquisición de datos personales son demasiado elevados, lo que ralentiza la expansión del primer brazo, como parece haber sido el caso de Arivale, entonces es obvio que se debe dar prioridad al segundo brazo de ingresos para subvencionar el primer brazo a través de asociaciones con las grandes farmacéuticas. Pero esto requeriría algo más que la promesa difusa de que «de alguna manera» la gran minería de datos proporcionará una nueva IP. Se necesita un programa de investigación concreto que establezca un camino lógico para responder a una pregunta biológica impulsada por una hipótesis que esté enraizada en una teoría (por ejemplo, de la dinámica de sistemas) y en un conocimiento médico riguroso. El problema es que pocos científicos de datos y grandes empresarios de datos saben cómo hacerlo.

Así, para concluir: En la medicina (no en el comercio) hay un paso importante, a menudo supervisado, que se encuentra entre la adquisición de datos y la información procesable, y este paso se denomina «ciencia» como en «bienestar científico». Sólo podemos esperar que todos los competidores que ahora puedan saltar al espacio liberado por Arivale lo aprecien y aprendan a superar el pensamiento autista-indisciplinado de la ciencia de la información porque el «bienestar científico», con el significado fundamental y no sentimental de «científico», es el futuro.

AL FINAL, TODO ESTARÁ BIEN. SI NO ESTÁ BIEN, NO ES EL FIN.

Únete al debate..

MAS EN NANOVA

Día del Orgullo Geek: Lo que debes saber sobre este día festivo…

El Día del Orgullo Geek es el 25 de mayo, y esto es lo que necesitas saber sobre la celebración para los...

La presión arterial alta durante y después del ejercicio puede ser un signo de enfermedad a una edad más avanzada

El aumento de la presión arterial durante el ejercicio y el retraso en la recuperación del ejercicio están asociados con un mayor...

Récord de velocidad en Internet: 44,2 terabits por segundo

Un equipo de investigadores australianos ha establecido un nuevo récord al alcanzar los 44,2 Tbps en una sola fibra óptica. Usando un...

HOY

Apple Glass: todo lo que sabemos sobre las futuras gafas de realidad aumentada de Apple

Aunque probablemente tengamos que esperar hasta finales de 2021, o incluso 2022, para verlas en las tiendas, la Apple Glass nos ofrece...

iPhone 12 : 128 Go minimum

Varias fuentes fidedignas detallan las especificaciones técnicas del próximo iPhone 12. Se han anunciado cuatro versiones del smartphone de Apple, con algunos...

Récord de velocidad en Internet: 44,2 terabits por segundo

Un equipo de investigadores australianos ha establecido un nuevo récord al alcanzar los 44,2 Tbps en una sola fibra óptica. Usando un...

StrongArm : un dispositivo que rastrea cada movimiento humano para mejorar la eficacia

Cada mañana, yendo a trabajar, los trabajadores del almacén Jack Westley se ponen un cinturón que asegura un dispositivo negro del tamaño de un teléfono inteligente. Este realiza un...