Entrevista a David Putrino, fisioterapeuta especializado en Neurociencia

El trabajo de Putrino, con experiencia en rehabilitación neurológica, telemedicina y gamificación, se orienta al desarrollo de soluciones de salud de bajo coste y accesibles para las personas que necesitan una mejor accesibilidad sanitaria.

Entrevista a David Putrino, fisioterapeuta especializado en Neurociencia

David Putrino

Ratio: 0 / 5

Inicio desactivadoInicio desactivadoInicio desactivadoInicio desactivadoInicio desactivado
 

El trabajo de Putrino, con experiencia en rehabilitación neurológica, telemedicina y gamificación, se orienta al desarrollo de soluciones de salud de bajo coste y accesibles para las personas que necesitan una mejor accesibilidad sanitaria.

 Es usted fisioterapeuta y actualmente está envuelto en varios proyectos diferentes relacionados con la rehabilitación neurológica. ¿Cómo se dio ese tránsito de la fisioterapia a la neurociencia?

Como fisioterapeuta siempre he estado muy orientado al trabajo científico. Quiero saber por qué unos pacientes responden bien a un tratamiento y otros no, cuáles son los motivos, pero una vez el paciente está en su domicilio resultaba difícil determinarlo con exactitud. En Australia, donde estudié y crecí, la fisioterapia está considerada una titulación científica, te preparan para ser un científico, pero a la hora de trabajar te das cuenta de que en realidad se hace todo de una manera muy poco científica. En aquella época me empecé a interesar por la rehabilitación neurológica y comprobé que se trabajaba con nulas evidencias científicas, no sabíamos quién se iba a recuperar y quién no, y eso era inaceptable para mí. Empecé a estudiar el doctorado en neuropsiquiatría, investigando la respuesta neuronal a diferentes tipos de rehabilitación. Pero seguíamos sin saber qué pacientes se recuperarían y quiénes no. 

 

¿Fue entonces cuando se lanzó a crear videojuegos que ayudaran a los pacientes en su proceso de rehabilitación?

Decidí crear videojuegos que ayudaran a recuperarse a pacientes que habían sufrido un derrame cerebral. Me trasladé a la Harvard Medical School y al MIT para estudiar neurociencia computacional con Emery Brown y empezar a desarrollar interfaces cerebro-maquina, con el objetivo de predecir qué pacientes se podían recuperar. Tras cuatro años nos dimos cuenta que estas tecnologías tendrían potencial en un plazo de unos 10 o 15 años, pero en aquel momento no estaban ayudando a los pacientes. Eso me hizo pensar en cómo utilizar las tecnologías de las que disponemos actualmente para ayudar a las personas. Ahí fue cuando empecé a desarrollar videojuegos, utilizando tecnología de bajo coste como el Leap Motion Controller o el Microsoft Kinect que se pueden comprar por internet. Si no lo puedes comprar en Amazon y tenerlo en casa en un par de días difícilmente se tratará de una tecnología que se pueda expandir a gran escala e influyente para los ciudadanos.

 

¿Cuáles fueron sus primeros proyectos en el ámbito de la telemedicina, que es otra de sus áreas de especialidad?

En aquella época, la empresa para la que trabajo actualmente, Burke Medical Research Institute, se interesó por lo que yo estaba desarrollando. Yo les expliqué que estaba también muy interesado en la telemedicina, porque consideraba que era el futuro del tratamiento de los trastornos neurológicos, y me contrataron para liderar el departamento de telemedicina. Me empecé a interesar por cómo la telemedicina podía ayudar también en el tratamiento de otras enfermedades, no solo en derrames cerebrales. Colaboré con un equipo australiano en el desarrollo de una aplicación móvil para monitorizar los síntomas de niños con fibrosis quística. En un país como Australia, en el que a menudo hay que trasladarse muchos kilómetros para visitar al médico, era muy útil disponer de un dispositivo de monitorización que envía directamente los datos del paciente al profesional sanitario. También trabajé en un programa de telemedicina en el área de Nueva York, en colaboración con una administración local, para personas mayores  que viven por debajo del umbral de la pobreza, gente que no tiene acceso a una atención sanitaria adecuada ni una correcta educación en salud. El objetivo era que estas personas se comprometieran a acudir a un lugar público una vez a la semana para hacerles unos análisis. Si los resultados eran negativos, una enfermera a distancia les llamaría para darles una serie de recomendaciones para mejorar esos resultados. Empezamos hace tres años con unas 50 personas y actualmente el programa da servicio a miles de pacientes en el condado de Westchester y ha resultado muy efectivo.

 

¿Qué otras nuevas posibilidades ofrecen las tecnologías digitales en los procesos de rehabilitación neurológica?

Me ilusiona especialmente el gran potencial de los videojuegos para ayudar en los procesos de rehabilitación. Utilizando sencillos sensores de movimiento disponibles actualmente en el mercado podemos hacernos una idea más exacta de la frecuencia con que el paciente realiza los ejercicios de rehabilitación y si lo hace de la forma adecuada y correcta, así como la manera en que eso afecta a los objetivos previstos en su recuperación. Lo que hemos comprobado es que los pacientes que disfrutan la terapia consiguen mejores resultados. Realizamos un ensayo clínico de un videojuego que habíamos desarrollado con 10 personas que recibieron la misma terapia con la misma intensidad. La aplicación del ejercicio fue idéntica, lo único que cambiaba era la opinión de los pacientes respecto al videojuego. Los que más disfrutaron el juego, obtuvieron mejores resultados en su rehabilitación.

 

Además de en procesos de rehabilitación, ¿qué nuevas opciones abre la salud digital en otros campos?

En estos momentos disponemos de suficientes tecnologías emergentes para ayudar a los profesionales a mejorar la calidad de las terapias. Actualmente hay sensores ‘wearables’ que pueden registrar datos con mayor exactitud de lo que nunca antes había sido posible. Necesitamos concentrar esfuerzos en conseguir mejores resultados sanitarios, más fiables, estables y que aporten valor, por lo que estas nuevas soluciones digitales pueden ayudar a los profesionales a mejorar los tratamientos pero creo que es aún más importante que esta información sea utilizada por los laboratorios para descubrir nuevos fármacos. Otro avance sustancial es que ahora podemos monitorizar los datos del paciente cuando está en su casa, de manera que podemos comprobar si está realizando de forma correcta los ejercicios de rehabilitación prescritos. Por primera vez, el terapeuta sabe exactamente si el paciente está siguiendo o no las recomendaciones. No es que le vayas a castigar, pero puedes afirmar con certeza que sabes que el paciente no está siguiendo las pautas recomendadas y preguntar el porqué: ¿es doloroso? ¿O aburrido? Así podemos intentar que la terapia pueda ser más atractiva para el paciente, si ese es el problema. En tercer lugar, podemos destacar las posibilidades que ofrece la robótica. Podemos usar robots para ayudar a niños con movilidad reducida a realizar los ejercicios de rehabilitación. En lugar de ser el fisioterapeuta el que ayuda al niño a desplazarse, el dispositivo robótico se encarga de esa tarea y el profesional puede observar, supervisar los ejercicios y comprobar el progreso del paciente. Existe una nueva generación de herramientas que realmente pueden ayudar al profesional a sacar el máximo provecho del tiempo que pasa con el paciente. El último gran avance a destacar es la eclosión del ‘big data’. Trabajamos en diversos proyectos de ‘machine learning’ y hemos llegado a la conclusión que la belleza del ‘big data’ consiste en que si realmente puedes ofrecer a gran escala soluciones fáciles de usar que recogen con precisión datos de millones de personas, los sistemas de ‘machine learning’ basados en algoritmos serán capaces de interpretarlos y predecir qué va a pasar. 

 

¿Cómo definiría y en qué consiste el concepto de 'machine learning'?

Podemos definir ‘machine learning’ como el uso de algoritmos para intentar clasificar diferentes parámetros a partir de los valiosos datos de los que disponemos actualmente. Hay pacientes con casos tan complicados y particulares, que necesitamos una máquina que sea capaz de evaluar el modelo y los datos de forma objetiva para clasificar a los diferentes pacientes en grupos de población específicos. El ‘machine learning’ se puede aplicar en múltiples y diferentes áreas. Uno de los ejemplos más destacados que estamos utilizando actualmente es el uso del sensor del Microsoft Kinect para recoger datos de individuos en riesgo de recaída. El dispositivo monitoriza sus cuerpos, registra sus movimientos mientras realizan algún ejercicio. El algoritmo está programado para analizar esos miles de datos recogidos y nos permite clasificar a los pacientes de forma muy específica en función de sus progresos. En cualquier caso, tenemos que tener claro que solo podremos aprovechar estos sistemas de inteligencia artificial, o inteligencia amplificada como prefieren definirla algunos, si disponemos de los mejores profesionales para su supervisión.

 

¿Qué hace falta para integrar definitivamente estas nuevas soluciones en la práctica clínica diaria?

Aún nos queda mucho trabajo por hacer. El mercado de la salud digital está explotando en la actualidad y hay gente que piensa que una solución de salud digital equivale a cualquier otra solución tecnológica en otro sector, pero eso no es cierto. Para conseguir que un producto tenga éxito en el mercado, hay una manera simple y metódica de hacerlo: lo primero es entender muy bien el problema que intentas resolver. También tienes que comprender quien va a ser tu cliente: es un dirigido directamente al paciente, o está dirigido a los médicos, o a las aseguradoras. Por tanto, hay que diseñar el producto en función de a quién va dirigido. Hay que trabajar duro para conseguir la aprobación de la FDA (Food and Drugs Admnistration, en Estados Unidos) o de la administración correspondiente y, sobre todo, hay que demostrar que el producto es efectivo. Si el producto está dirigido a los médicos, más que mejorar los resultados médicos, hay que conseguir principalmente que les permita ahorrar tiempo en su trabajo diario. Un producto con eficacia demostrada puede ser inútil para un médico que tiene que visitar 20 pacientes cada día a unos 10 o 15 minutos por consulta. En el caso de soluciones pensadas directamente para los pacientes, tiene que ser fácil de usar y la persona tiene que percibir que usarlo le reporta beneficios concretos.

 

DAVID PUTRINO

David Putrino es un fisioterapeuta con un PhD en Neurociencia. Clínicamente, ha trabajado con pacientes en hospitales y consultorios privados en los Estados Unidos, Reino Unido y Australia. Como neurocientífico, ha ocupado cargos académicos estudiando Neurociencia Computacional en la Harvard Medical School y el MIT con Emery Brown, y realizando investigación de control motriz e interfaces cerebro-máquina en la NYU con Esther Gardner y Bijan Pesaran.

Putrino considera que la enseñanza es una parte esencial de cualquier posición de la facultad. En Perth, Australia Occidental, ha ocupado cargos docentes en la Curtin University of Technology y Edith Cowan University, y fue responsable de enseñar neuroanatomía y neuropatología a cientos de estudiantes durante varios cursos. En Nueva York, se desempeñó durante dos semestres académicos como asistente de enseñanza para las clases de Neuroanatomía en la Escuela de Medicina de la Universidad de Nueva York, donde enseñó Neuroanatomía y Neurociencia Clínica a estudiantes de primer año de Medicina y estudiantes de posgrado en Neurociencia.

También cree que los científicos tienen la responsabilidad de ayudar en la educación de su comunidad con el fin de involucrar al público en la investigación científica y tecnológica y explicar por qué esto es importante en un nivel fundamental. Como tal, es co-fundador de StreetSmart Science - una organización sin fines de lucro que trabaja para conectar a científicos-mentores con las escuelas secundarias locales con el fin de alentar el enriquecimiento científico en la ciudad de Nueva York. Actualmente está trabajando con tres escuelas secundarias del interior de la ciudad en Harlem y el Bronx.

 Jose L. Cánovas