Documentos de Académico
Documentos de Profesional
Documentos de Cultura
El estudio del genoma humano ha sido realmente una aventura muy larga en la
ciencia. Desde principios de los años 80 o incluso antes de eso, la gente estaba
realmente muy interesada en entender cuál es el contenido del genoma humano?
Ya sabíamos que es un factor que transmite información de una generación a otra.
Esta es la razón por la que los padres se parecen a sus hijos, pero no entendimos
completamente por qué y no entendimos completamente el contenido de esa
información. Sabíamos acerca de los genes pero aún no sabíamos exactamente
cómo se organizan esos genes. Así que a principios de los 80 y en realidad durante
unos 20 años, hubo un proyecto muy largo llamado Proyecto Genoma Humano, que
en realidad reunió una gran cantidad de conocimientos diferentes y mucha gente
diferente, con el fin de tratar de analizar el genoma humano. ¿ Qué significa eso,
analizar el genoma humano? Significa que queremos leer realmente ese libro que
define cómo estamos desarrollando individualmente, y cuál es el denominador
común que todos llevamos, que nos hace parecer muy similares pero no idénticos.
Entonces significa, ¿cuáles son las cosas comunes pero también cuáles son las
diferencias entre los individuos? Por supuesto, era imposible hacer todo a la vez.
Así que fue elegido para hacer lo que llamamos el genoma de referencia. Eso
significa que hay una versión de un genoma que creemos que representa en su
mayor parte el aspecto del genoma humano. Así que más de 20 años, había
múltiples instituciones en todo el mundo, principalmente de Estados Unidos, Reino
Unido, Alemania y Japón, pero por supuesto, muchos otros contribuyentes de
diferentes países, que por un lado, secuenciaron el genoma humano. Así que
analizaron la secuencia de las letras, las cuatro letras del genoma que son A, C, G y
T. Estos son cuatro monómeros diferentes de un polímero largo, que es la secuencia
de ADN. Leyeron esa secuencia y produjeron el primer borrador del genoma
humano que fue publicado en 2001. En realidad se anunció a finales de 2000, con
una celebración muy grande en la Casa Blanca, así como en muchos otros lugares
del mundo. Publicado en 2001, simultáneamente, con la publicación de una
segunda versión que en realidad fue impulsada por una empresa privada. De hecho,
la compañía privada fue la que lideró Craig Venter, con el otro lado liderado
principalmente por Eric Lander, John Sulston, Bob Waterston y Francis Collins. Fue
un esfuerzo público. Esas dos cosas estaban realmente compitiendo, y ese tipo de
competencia es la razón por la que tenemos el genoma muchos años antes de lo
que anticipábamos.
Pero esto es sólo la línea de base. Esto es como describir lo que parece, pero
realmente no entendemos la variabilidad del genoma humano en ese momento en
2001. Entonces, ¿hubo muchos estudios que comenzaron en ese punto que se
construyeron para entender cuáles son los componentes de la variabilidad? ¿ Qué
tan variable es el genoma? ¿ Cuál es la estructura de esa variabilidad? Así que de
este esfuerzo y probablemente con las mismas personas, pero también con otras
personas que estaban entrando en la ciencia y se emocionaban más, hubo
proyectos adicionales que fueron diseñados que miraban la variabilidad y la
estructura organizativa de esa variabilidad. Ese era el proyecto de mapa haplotype o
de otro modo llamado proyecto HapMap. Hubo un esfuerzo internacional de
laboratorios de Estados Unidos, Reino Unido y Europa, Japón y China y de todo el
mundo. Esto llevó a otro proyecto que con tecnología dio lugar a lo que llamamos
secuenciación del genoma humano, que ahora era posible con un precio mucho
más bajo. Y ese proyecto fue llamado el proyecto Mil Genomas, que de hecho no
secuenció sólo mil genomas en realidad dos y medio mil genomas. Y ahora estamos
en una situación en la que tenemos millones de genomas que han sido
secuenciados. En realidad, es bastante sorprendente cómo el precio de la
secuenciación del genoma en sí, por lo que la lectura de las letras ha cambiado con
el tiempo. El primer genoma costó $4 mil millones. El genoma para secuenciar hoy
cuesta por debajo de $1,000. Por lo tanto, es una gran diferencia en términos de
costo, pero esa diferencia en el costo no vino por sí misma. Llegó exactamente
debido a la motivación de los investigadores para aprender sobre el genoma
humano, que por supuesto hizo que las empresas inviertan en tecnologías, una gran
cantidad de contribuciones financieras y científicas para hacer avanzar esta
tecnología. Así que somos capaces de día de una manera muy rápida y con un
precio muy bajo para analizar el genoma de un solo individuo. Por supuesto, hay un
componente de análisis de datos que está involucrado cuando hablamos del análisis
del genoma. Una cosa es tener las letras y otra cosa es entender las letras, y este
es un largo proceso que entra en esto. Así que hay proyectos adicionales que han
sido financiados por muchas organizaciones, organizaciones de financiación como
NIH, Wellcome Trust y organizaciones europeas. Y muchos laboratorios han
participado, como el proyecto Encode que era identificar la lista de partes del
genoma, esencialmente cuáles son los elementos del genoma que realmente hacen
las cosas, que realmente contribuyen a la función del genoma. Teníamos proyectos
como el GTex que nos permiten ver la variabilidad de la actividad de los genes en
múltiples tejidos en múltiples individuos. Tenemos la hoja de ruta del NIH, y un gran
número de otros proyectos que es muy difícil mencionar en una breve presentación,
que en realidad contribuyen continuamente a esta comprensión. La evolución tanto
de la capacidad de leer la secuencia como de la capacidad de entender en realidad
ha sido sin precedentes. Esto colectivamente es más rápido que cualquier otro
desarrollo que hayamos visto en cualquier sector tecnológico en la historia humana.
Y esa es en realidad una de las cosas que no se han apreciado porque lo damos
por sentado. Ese tipo de revolución, ese tipo de capacidad para que hoy incluso
fueron capaces de recetar medicamentos contra el cáncer, quimioterapia contra el
cáncer que está apuntando a mutaciones particulares. Aquí es donde estamos hoy.
Esto es en realidad algo que no se predijo que ocurriera tan rápido y nunca se
predijo que fuera tan impactante, y todavía estamos en los primeros días. Así que
esa revolución es algo que está justo al principio, es lo que llamamos en
matemáticas, al comienzo de una fase exponencial. Y el ritmo con el que se
producirán estos cambios seguirá aumentando, lo que significa que nuestra
capacidad de absorber esta información y llevarla al sector clínico, para que tengan
un impacto en los pacientes, así como la ciencia para entender la biología va a ser
un reto. Así que vamos desde un punto en el que era difícil conseguir la
infraestructura básica, para que la gente estuviera haciendo sus doctorados sin
saber cómo era el genoma humano. Al punto en que hay demasiada información y
tenemos que tener un mecanismo en el que podamos juntar toda esta información
de una manera organizada, para que podamos obtener conocimiento de ella, en
lugar de simplemente almacenar esa información y estar orgullosos de que la
generamos. Así que este es el siguiente desafío para entender realmente esta
información, no necesariamente generar información adicional, sino para entenderla
para que seamos capaces de marcar la diferencia tanto en la ciencia, como dije, lo
que significa realmente generar más conocimiento, así como llevarlo a la para que
tengamos un impacto directo en los pacientes.
Ahora, tomaremos unos minutos para ilustrar cómo podemos usar la genómica para
entender mejor las enfermedades. La mayoría de las enfermedades son complejas.
Piense en la hipertensión, la diabetes, la obesidad. Entonces, ¿cómo podemos usar
la genómica para entender mejor las enfermedades complejas? En primer lugar, nos
basamos principalmente en la variación de nucleótidos. Como saben, en nuestro
ADN, tenemos una secuencia de nucleótidos AGCT. El 99,9 por ciento de su
secuencia es la misma que la mía, pero todavía difirimos en el 0,1 por ciento de
nucleótido. Así que los pacientes 1, 2, 3 y 4 pueden mostrar alguna variación en su
secuencia. Estos no son mutaciones porque se encuentran con mayor frecuencia en
la población. Sólo son variación. Así que usaremos esta información, esta variación
para entender la relación entre una variante y la enfermedad. Entonces, ¿qué
estamos haciendo usando esta información? Así que, básicamente, usaremos el
concepto generalmente utilizado en epidemiología. Vamos a comparar grupos. Así
que, básicamente, tendremos información de nucleótidos en casos de personas con
la enfermedad y compararemos con la secuencia o esta variación con las personas
sin la enfermedad, los controles. Ahora bien, la tecnología o la revolución de la
tecnología nos permiten no entender o tener la información de una variante, sino la
varianza a través de todo el genoma. Este es el análisis de todo el genoma.
Básicamente, en epidemiología, realizaremos estudios de asociación en todo el
genoma. Así que comparamos la frecuencia de la varianza entre los casos y el
control. Podemos utilizar estadística cuando una variante se asocia
estadísticamente significativamente con la enfermedad porque se encuentra con
mayor frecuencia en los casos. Así que les mostraré algunas diapositivas sobre un
ejemplo concreto que experimentamos en la Universidad de Ginebra y en la
Universidad de Lausana. En 2012, se publicó un artículo muy bonito, un genoma
estudios de asociación que muestran una variante asociada con la presión arterial.
Así que usamos la epidemiología para buscar la asociación entre varianza, lo que
llamamos polimorfismo de nucleótidos únicos, o SNP. Esta es una variación en un
nucleótido dado, SNP, S-N-P. Realizamos estudios de asociación del genoma,
GWAS. Así que hay muchas cohortes en los EE.UU., en el Reino Unido, que
recopilan información genética o información genómica en la población. Entonces,
¿tenemos información genómica aquí en Ginebra o en la parte francófona de Suiza?
Sí, lo hacemos. Ahora tenemos cohortes como el estudio COLAUS, o el estudio
SKIPOGH, que se llevan a cabo en Ginebra, Lausana y Berna, por ejemplo.
Tenemos información de miles de participantes sobre su estructura genómica. Así
que permítanme darles un ejemplo ahora de cómo nuestro equipo utilizó una nueva
publicación para comprender o comprender mejor el efecto de las variantes en las
enfermedades. En 2012, un estudio muy agradable, un estudio GWAS, informó que
senil una variante asociada con la presión arterial. Este senil se localizó en un área
donde podemos ver un gen llamado gen CYP1A2. Este gen que todos tenemos
produce una enzima llamada la enzima CYP1A2. Entonces, cuando tengas esta
información, ¿vas a buscar qué hace esta enzima? Sucede, como puede ver en esta
diapositiva, que esta enzima metaboliza la cafeína. Así que cuando bebes café,
bebes cafeína. El gen CYP1A2 produce una proteína que le ayuda a digerir la
cafeína, metabolizar la cafeína en teofilina, paraxantina y teobromina. Así que
miramos esta información y decidimos si la varianza se asoció con la presión arterial
en estos estudios GWAS y este gen existe en toda proporción, deberíamos ver en
nuestra cohorte alguna relación entre estas variantes y el riesgo de hipertensión
arterial. Se ve en la diapositiva que publicamos en 2015, un artículo que muestra
que entre las cohortes de adultos suizos, encontramos de hecho que las personas
con más alelo de esta variante, aquí, el alelo A de esta variante, tenían una menor
probabilidad de tener hipertensión. Como puede ver, la relación de probabilidades
disminuyó de uno a menos de 1,7. Entonces, una disminución de aproximadamente
el 30 por ciento de riesgo de hipertensión. Esto es realmente agradable porque fue
seguido unos años después por otro GWAS mostrando que el gen o el genoma es
constitutivo de variantes que ayudan a metabolizar la cafeína, y también influyen en
la cantidad de cafeína que bebe. Así que el número de taza de café que bebe
diariamente está en parte influenciado por su variante genética. Seguimos esta
información utilizando datos de otras cohortes de Lausana y analizamos la relación
entre estas variantes, las variantes del CYP1A2 y la cantidad de sodio reabsorbido
en el riñón. ¿ Por qué miramos eso? Lo miramos porque cuanto más reabsorbas el
sodio en el riñón, más o más alta es la presión arterial. Por el contrario, si reabsorbe
menos sodio en su riñón, tiene una presión arterial más baja. En este gráfico, se ve
que las personas con alelo A que se asoció con menos hipertensión en nuestro
estudio y en el estudio del GWAS se asociaron en realidad con una fracción menor
de reabsorción de sodio. Así que ahora entendemos que la cafeína y el gen
expresado está realmente relacionado con la cantidad de sodio que usted
reabsorbe. Seguimos esto usando otros datos muy buenos, mostrando que la
cafeína y la cantidad de cafeína que excreta en la orina está relacionada con lo que
llamamos presión arterial de 24 horas. Significa que recogemos la presión arterial,
medimos la presión arterial durante el día, durante la noche, para tener datos de 24
horas sobre su presión arterial. Lo que encontramos es que las personas que
estaban excretando, en su orina, mucha o más cafeína tenían una presión arterial
más baja día y noche, 24 horas. Finalmente, este año, pudimos demostrar que la
cafeína y la cantidad de cafeína excretada en la orina también reducen la rigidez de
las arterias. Cuanto más rígidas sean las arterias, más riesgo tendrá de eventos
cardiovasculares. Así que recuerde, empezamos con un GWAS de otro grupo
mostrando una senil de nuestras variantes relacionadas con la presión arterial. Esto
nos ayuda, nuestro grupo, a entender mejor cómo un gen, como puede ver en esta
figura, produce una proteína que metaboliza la cafeína en metabolitos. La cafeína y
los metabolitos influyen en la reabsorción del sodio en el riñón, lo que influye en su
presión arterial. Así que el genómico nos ayudó a entender mejor la presión arterial
alta.
INTERACCIÓN
Interacción al genoma-exposoma
En función de dónde vivirá este individuo más adelante como adulto. Si vive en una
zona pobre, el riesgo genético o el riesgo general aumentará con respecto a la
obesidad. Si por el mismo riesgo genético vive más tarde en un barrio rico, su riesgo
general de obesidad disminuirá.
Por último, sabemos que puede tener una variante pero nunca expresar la
enfermedad con la que está relacionada. Esto se llama la penetrancia de la variante.
Entonces, algunas personas con la variante tendrán la enfermedad, otras no. Esto
no se debe a que tenga las variantes que definitivamente tiene la enfermedad. Por
lo tanto, puede afectar la utilidad o la utilidad clínica de esta información. Si una
variante no se traduce frecuentemente en síntoma clínico, firmado tal vez no valga
la pena usar esta información. Así que básicamente los desafíos se clasifican en
tres áreas. En primer lugar, como se puede ver, la naturaleza de la información;
validez analítica, validez clínica, es útil, incluyendo error de clasificación cuando se
pone una variante como patógena o como era realmente benigna. Hay un gran
desafío acerca de cómo almacenar toda esta información. Son miles de millones de
datos, millones de información para cada individuo que está manejando toda esta
información, hospitales, clínicas, algunas otras infraestructuras que alguien tiene
que lidiar con esta cantidad de información. Finalmente, un reto es cómo restituir
esta información al paciente y a los participantes. ¿ Quién se tomará el tiempo para
entender cómo restituir información variante a los pacientes?
Para ser una variantes médicamente accionables, significa evento que usted tiene
que restituir al paciente entre los millones de varianza que tiene. Tenemos cuatro
criterios. En primer lugar, la varianza tiene que ser analíticamente válida. Este es el
concepto que discutimos cuando se trata de una A, usted debe medir una A. El
segundo punto es que tiene esta variante clasificada como una variante patógena o
probablemente variante patógena al menos. También tienes que tener una
penetración elevada. Recuerde, discutimos el hecho de que si tiene esta variante,
su probabilidad de tener la enfermedad es lo suficientemente alta como para que
valga la pena restituir esta información. Finalmente, tiene que ser útil clínicamente
para el paciente. Una vez que usted da esta información, cuando usted restituye
esta información al paciente, usted tiene que tener evidencia de que tiene utilidad
clínica para el paciente. Que puede cambiar el comportamiento, puede cambiar su
manera, puede tratar o recibir tratamiento basado en la información de varianza, o
puede simplemente discutir con la familia, su cónyuge sobre el riesgo para su familia
e hijos. En esta diapositiva, usted tiene una lista de ejemplos sobre genes y
fenotipos asociados recomendados para devolver o restituir a un paciente como
hallazgos secundarios o hallazgos no deseados cuando alguien tiene su secuencia
de ADN. Como puede ver, muchas enfermedades siguen siendo raras, pero la
primera es probablemente conocida por usted. Se trata del cáncer de mama y de la
varianza en los genes, BRCA1 y BRCA2. Cada vez que alguien tiene su secuencia
de ADN, tal vez por otra razón completa que el cáncer de mama, usted tendría que
restituir esta información sobre el riesgo de cáncer de mama al paciente.
Ahora podemos recopilar información masiva sobre datos genéticos. Sabemos que
tenemos que restituir algunos de ellos al paciente y a cualquier adulto con ADN
secuenciado. En realidad, los pacientes y adultos de la población general están
realmente interesados en recibir estos datos genéticos. Un estudio realizado
utilizando un cuestionario en línea e incluyendo a más de 7.000 participantes en
más de 75 países, concluyó que entre la población adulta general, más del 60 por
ciento de ellos están interesados en recibir datos genómicos brutos, lo que significa
información masiva, datos brutos masivos, un montón de letras, AGCT, y millones
de AGCT. Suficientemente interesante, las personas en el campo genómico fueron
las más interesadas en recibir esta información y personas como profesionales de la
salud genética fueron las menos interesadas en recibir esta información. Aún
sabemos que el paciente y los adultos quieren recibir esta información. Lo que es
aún más interesante es que entre las 4.000 personas dispuestas a recibir esta
información, cuatro de cada 10 personas quieren discutir esta información con su
médico de atención primaria. ¿ Podemos restituir e informar a nuestro paciente
como médico de atención primaria? Actualmente no. Absolutamente no. Así que
necesitamos capacitación, necesitamos cursos, necesitamos capacitar al médico de
atención primaria para poder restituir con validez, con decisión informada, decisión
compartida, información genética.
Así que tenemos que entrenar a un médico de atención primaria, pero también
necesitamos medicina de precisión basada en pruebas. Necesitamos recoger
evidencia para guiar este entrenamiento.
Hemos estudiado la literatura de los últimos 18 años para entender o mirar las
tendencias de la publicación. Y vimos que teníamos un gran número de informes
científicos publicados en la literatura. También vemos claramente que los últimos
años la medicina de precisión es el título principal de esta nueva área de la
medicina.
CONCLUSIÓN
Ahora estamos al final de este módulo, que trataba de la salud y la prevención en
medicina de precisión. Hemos cubierto varios temas y ahora usted entiende que
tenemos muchas oportunidades en medicina de precisión. Estas oportunidades
están aquí gracias a una revolución en la tecnología. Esto ha sido sobresaliente.
Podemos abrir una nueva área en su campo de investigación, recopilar datos
masivos. Podemos ser más inteligentes. Sin embargo, para ser realmente más
inteligente y ser útil para el paciente, ahora cómo entender que tenemos que basar
nuestra decisión en la utilidad de esta información y cómo podemos traducir esta
información al paciente. Básicamente, el reto de restituir toda esta información está
ahora en manos del médico de atención primaria y otros profesionales de la salud.
Es para que hoy podamos imaginar que podemos dibujar un mapa de cada uno de
nosotros que comprenda cada genoma, la forma en que sus células expresan este
genoma, el llamado epigenoma, que es un reflejo de lo que atravesamos a través de
la vida. Ya sea a través de la diferenciación de nuestras células o a través de
eventos que encontramos, pero también todas nuestras interacciones, las personas
con las que interactuamos, con las personas con las que nos encontramos, y así
sucesivamente, de tal manera que ahora podemos tratar de obtener la sustancia de
eso para ayudar a las personas a manejar mejor su salud. Esto ofrece una serie de
oportunidades, el número uno en oportunidades de salud. Creemos que podemos
encontrar medicamentos más fácilmente que en el pasado, encontrar nuevos
tratamientos. Usted ha oído hablar de la inmunoterapia, por ejemplo, para el
tratamiento del cáncer. Podemos actuar no solo a nivel de la enfermedad, que es lo
que en gran medida la medicina ha sido hasta ahora, sino a nivel de prevención.
Podemos ayudar a las personas a estar mejor salud durante más tiempo, en lugar
de simplemente intervenir una vez que están enfermos. Y entonces también
podemos imaginar construir una industria completamente nueva en torno a estas
nuevas tecnologías orientadas a la salud, ya sea a nivel de nuevos métodos de
diagnóstico, nuevas formas de medición, si tal y tal medida tendrá un impacto en
ella, etc. Hay tantas oportunidades sobre la mesa, mucha Esperanza está en la
mente de la gente, tanto desde el punto de vista de la gestión de la salud, punto de
vista económico, ser mejor, Vivir mejor. Pero, por otro lado, para que estas
promesas se cumplan, hay muchos desafíos que hay que afrontar. La primera gama
de desafíos son los desafíos tecnológicos. Es bueno decir que podemos recopilar
mucha información sobre todos, es otra pregunta hacer algo útil e interesante con
esta información.
Y esta gran abundancia de datos, a partir de hoy sabemos muy poco cómo
almacenar, cómo cifrar, es decir, hacerlo de tal manera que no sea accesible por
nadie en ningún momento sin ninguna restricción. Todavía tenemos que desarrollar
gran parte del arte, lo que nos permitiría analizar estos datos. Y entonces tenemos
que aprender o al menos idear métodos para restituir ahora la sustancia de los
datos de una manera que sea inteligible para las personas que van a usarlos. En
otras palabras, necesitamos racionalizar estos datos para hacerlos accesibles, no
solo para devolver una hoja de cálculo con muchos números.
Si oyes mucho sobre cohortes, vamos a recopilar información sobre muchas,
muchas, muchas personas. Vamos a almacenar muestras, vamos a ponerlas en
frigoríficos, y así sucesivamente. Hoy hay que pensar más profundamente en lo que
es realmente como una cohorte que nos dirá algo, de lo que podemos extraer algo.
No son sólo números, es la forma en que podemos seguir a las personas, la forma
en que podemos controlarlas, la forma en que se sienten cómodos en este tipo de
esfuerzo. Una pregunta que se plantea en Suiza es ¿deberíamos considerar a toda
la población suiza como una cohorte? Es decir, individuos que vienen de todo el
mundo, pero que viven en el mismo lugar, al menos por un tiempo, a los que vamos
a seguir, y luego tratar de ver cómo su salud evoluciona con el tiempo o con
diversas situaciones que tienen que vivir?
También se oye mucho sobre biobancking, biobancando este campo en el que las
personas recogen muestras, sangre, orina, muestras de tejido, y luego las
almacenan en algún lugar con una etiqueta en ellos. Esperando que en algún
momento se analice esta muestra y que se extraiga alguna información útil de esta
muestra. Es un esfuerzo muy costoso, es uno que debe hacerse muy bien. Porque
muchos de los biobancos que existen hoy en día son un poco como el arca que
Indiana Jones ve poner en un almacén muy, muy grande al final de la aventura de El
Arca Perdida. Es decir, está en una caja, está ahí atrás, nunca va a ser usado de
nuevo. Y muchos de los biobancos que tenemos hoy son así, son cementerios para
muestras, muy costosos, pero completamente inútiles.
Ahora esos son los desafíos tecnológicos, y estos podemos imaginar cómo
resolverlos, ingenieros, científicos, médicos, etc., los científicos de computación
trabajarán para enfrentar esos desafíos. Pero en términos mucho más generales,
esta nueva tecnología plantea desafíos sociales. Primero tenemos que repensar la
forma en que pagamos por la salud o por la gestión de la salud. Nuestras
compañías de seguros hoy, si son generosas, nos dan dinero cuando estamos
enfermos y cuando tenemos que ir a ver a un médico, y tenemos que ir y quedarnos
en el hospital, ellos pagarán las cuentas. Pero las compañías de seguros y nuestro
sistema de compañías de seguros no están orientados a ayudarnos a no
enfermarnos. En otras palabras, no hay financiación de la prevención, y tenemos
que pensar en ello. Si se deja a las compañías de seguros, si un Estado interviene,
si otras entidades intervienen, a fin de financiar lo que será útil para ayudar a las
personas que no se enfermen. Por ejemplo, si el genoma de todos necesita ser
secuencia para identificar factores de riesgo para tal y tal enfermedad, ¿quién va a
pagar por eso? Nadie está enfermo, sólo queremos el genoma, y necesitamos
integrarlo en nuestro sistema de gestión de la salud. En realidad, hay empresas que
están muy interesadas por todo este campo. Y [INAUDIBLE] una empresa que
maneja algunas de estas tecnologías, que domina algunas de estas tecnologías, o
al menos nos hace creer que las dominan. Los llamados GAFA, el Google, Apple,
Facebook, Amazon, ven un gran mercado en este campo. Pero estas empresas son
empresas privadas, y no importa cuán buenas sean sus intenciones hoy, no
sabemos lo que serán mañana. Y también estas empresas están controladas por
gobiernos que pueden requerir de ellos información sobre nosotros que no nos
gustaría ser voluntarios, que no quisiéramos que estos otros gobiernos tuvieran. En
otras palabras, no sólo tenemos que dominar estas tecnologías nosotros mismos,
sino que tenemos que dominarlas dentro del marco jurídico, que está dictado por
nuestros valores y que podemos votar. En otras palabras, no debemos delegar la
gestión de nuestra salud en otras entidades. Debe ser nuestro y eso debe ser
nuestro para decidir.
Pero, una vez más, todos estos temores deben ser borrados, de modo que
podamos contribuir a la acumulación del conocimiento común, del que nos
beneficiaremos individualmente. En otras palabras, es una oportunidad para revisar
el contrato social de Jean-Jacques Rousseau que dice, bueno, tengo toda mi
libertad, toda mi libertad, todos mis derechos, pero aún así, están escritos en el
contexto de la sociedad, el grupo al que pertenezco, que también tiene sus
prioridades, y soy miembro de ese grupo.
Así que por todo lo que he dicho hasta ahora usted entiende que pensar en la
aplicación de nuevas tecnologías en el campo de la salud es un esfuerzo
extremadamente holístico. No es algo que deba dejarse a los científicos, a los
ingenieros, a los médicos. Es algo donde la gente de la computadora debería estar
involucrada, sociólogos, psicólogos, y así sucesivamente. Todo el mundo tiene algo
relevante que decir a estas cuestiones que nos afectan en nuestras capas más
íntimas. Y esta cuestión es claramente no son ni siquiera cuestiones de mañana,
están aquí, lo son hoy. Estas tecnologías están siendo utilizadas por algunas
personas, por lo que necesitamos ser completamente conscientes de lo que son. ¿
Cuál es su potencial, cuáles son sus limitaciones? Para ello, las instituciones en
Suiza en general, pero más específicamente en Suiza Occidental, han desarrollado
programa, han puesto en marcha la iniciativa. Existe esta iniciativa Health 2030 que
agrupa los esfuerzos de la Universidad de Lausana, Ginebra, Berna, su hospital
afiliado y la EPFL. Y traemos a tanta gente de tantos campos como sea relevante,
pero también a miembros de la comisión, políticos, economistas, etc. para
ayudarnos a pensar sobre estos temas, para ayudarnos a hacer las preguntas
importantes. Para ayudarnos a abordar todos estos problemas y, por lo tanto, estar
en condiciones de dominar verdaderamente estas nuevas tecnologías, convertirlas
realmente en un beneficio para la salud de nuestras poblaciones. Y sabemos que no
va a pasar de la noche a la mañana, pero sabemos que si nos levantamos de las
mangas, entonces tal vez el pequeño Alex, que va a cumplir 16 años en 2030, se
beneficiará del fruto de este trabajo común, gracias.