Building a clinical and academic health research network using data science and artificial intelligence

En el mundo de la ciencia médica, resolver problemas de salud complejos rara vez ocurre de forma aislada. Cuando investigadores, médicos e instituciones unen fuerzas, crean una red de investigación: una forma estructurada de compartir conocimientos, recursos y pacientes para abordar problemas que son demasiado grandes para que una sola persona los gestione por sí sola. Estas alianzas son vitalas para convertir los descubrimientos científicos en tratamientos y políticas del mundo real. Sin embargo, la construcción de estas redes ha sido tradicionalmente un proceso lento y manual. Los científicos suelen depender de contactos personales, encuestas o registros institucionales para encontrar quién está trabajando en qué. Este enfoque requiere mucha mano de obra, es propenso al error humano y queda desactualizado rápidamente a medida que surgen nuevos expertos y se disuelven los equipos antiguos. Es como intentar mapear un vasto y cambiante paisaje caminando cada centímetro de él a pie; funciona, pero es agotador y podrías perderte los caminos más importantes.

Un equipo de investigadores de la Universidad de Hull ha propuesto una forma diferente de construir estas conexiones, una que utiliza la velocidad y el poder de reconocimiento de patrones de las computadoras. Se preguntaron si la ciencia de datos y la inteligencia artificial podrían encontrar automáticamente a las personas adecuadas para unirse a una red de investigación, específicamente para aquellos que estudian el alcohol, la adicción y la salud mental en el norte de Inglaterra. En lugar de depender de llamadas telefónicas o hojas de cálculo, construyeron un sistema que escanea millones de artículos científicos para encontrar a los autores, verificar sus identidades y mapear con quién están trabajando ya. El objetivo era ver si una máquina podía realizar el trabajo pesado de la creación de redes, creando una imagen clara y actualizada del panorama de la investigación que sea tanto escalable como sistemática.

Los investigadores centraron su atención en la parte norte de Inglaterra, un área que enfrenta desafíos significantes de salud pública relacionados con el uso de sustancias y el bienestar mental. Querían identificar a los académicos y clínicos en esta región que estuvieran publicando activamente sobre estos temas entre 2020 y 2025. Para hacer esto, recurrieron a PubMed, una base de datos masiva y gratuita de literatura médica. Seleccionaron veintiséis revistas específicas conocidas por publicar trabajos sobre alcohol, adicción y salud mental. Utilizando un programa informático, buscaron en estas revistas cada artículo publicado en los últimos cinco años. El software luego extrajo los nombres de los autores y las universidades u hospitales para los que trabajaban.

Un obstáculo importante en este tipo de trabajo es que muchos investigadores comparten los mismos nombres. Para resolver esto, el equipo utilizó una herramienta digital llamada ORCID, que actúa como una tarjeta de identificación única para los científicos. La computadora intentó emparejar los nombres y afiliaciones encontrados en los artículos con estos IDs únicos para asegurar que un "John Smith" de una universidad no fuera confundido con otro "John Smith" de otra. Una vez que los autores fueron identificados y sus identidades confirmadas, el equipo construyó un mapa digital de sus relaciones. En este mapa, cada investigador es un punto, y una línea conecta dos puntos si han escrito un artículo juntos. Esta estructura visual revela con quién colabora cada uno y qué tan estrechamente vinculados están los diferentes grupos.

Los resultados de esta búsqueda automatizada fueron reveladores. El sistema identificó 420 investigadores únicos en veintiuna instituciones en el norte de Inglaterra. Cuando el equipo observó dónde se encontraban ubicados estos investigadores, descubrieron que la región de Yorkshire y Humber era la más activa, produciendo 181 de las publicaciones totales. El Noroeste le siguió con 162 publicaciones, y el Nordeste con 55. Entre las universidades individuales, la Universidad de Sheffield destacó con 94 publicaciones, seguida por la Universidad de York con 57 y la Universidad de Liverpool con 52. Los datos mostraron una tendencia clara: si bien el número total de artículos sobre estos temas ha experimentado un ligero descenso en los últimos años, la concentración de la experiencia en el Norte sigue siendo significativa.

Cuando los investigadores examinaron las conexiones entre estos científicos, encontraron una red moderadamente conectada. En promedio, cada investigador había colaborado con aproximadamente siete otras personas. El mapa mostró que, si bien gran parte de la colaboración ocurre dentro de una misma universidad, también hay una cantidad saludable de trabajo ocurriendo entre diferentes instituciones. La Universidad de Sheffield emergió como un centro central en la región de Yorkshire y Humber, actuando como un punto focal para muchas de las conexiones. Sin embargo, la red no era una telaraña perfecta; el análisis sugirió que solo alrededor del cuatro por ciento de todas las colaboraciones posibles entre estos investigadores existen realmente, lo que indica que todavía hay mucho espacio para que se formen nuevas asociaciones.

El estudio sugiere que el uso de la inteligencia artificial para construir redes de investigación es una alternativa viable y poderosa a los métodos tradicionales. Los autores argumentan que los enfoques manuales suelen ser demasiado lentos e inconsistentes para ser útiles en proyectos a gran escala, mientras que su método automatizado puede generar rápidamente una lista exhaustiva de colaboradores potenciales. Este enfoque ofrece una forma de ver el panorama de la investigación tal como es realmente, basándose en el trabajo publicado de hecho y no en quién conoce a quién. No obstante, los investigadores advierten cuidadosamente que su método no es perfecto. Debido a que el sistema depende de artículos publicados, podría pasar por alto a investigadores de carrera temprana que aún no han publicado o a clínicos que no escriben para las revistas seleccionadas. Además, la computadora no pudo encontrar un ID único para cada uno de los autores, por lo que algunos nombres tuvieron que usarse tal como aparecían, lo que conlleva un pequeño riesgo de error.

A pesar de estas limitaciones, el trabajo demuestra un camino claro hacia adelante sobre cómo pueden formarse y entenderse las comunidades de investigación. Al convertir el vasto y caótico océano de la literatura científica en un mapa estructurado, este método proporciona a las agencias de financiación y a los responsables de políticas una herramienta para identificar dónde reside la experiencia y dónde podrían existir brechas. El estudio concluye que este enfoque automatizado y basado en datos es un paso sustancial por encima de las viejas formas de crear redes. Ofrece una manera de identificar sistemáticamente a las personas que ya están realizando el trabajo, facilitando la tarea de reunirlos para resolver los complejos desafíos de salud que enfrentan el norte de Inglaterra y más allá. El futuro de este trabajo consistirá en refinar las herramientas para captar incluso a más investigadores y poner el software a disposición de otros, de modo que la construcción de estas conexiones vitales se convierta en una parte estándar del proceso científico.