IA, big data y machine learning, indispensables para el análisis de datos médicos

Generar estadísticas fiables, personalizar la atención a los pacientes, generar modelos predictivos que ayuden a salvar vidas y descongestionar los sistemas de salud, son solo algunas de las aplicaciones de la inteligencia artificial, el big data y el machine learning en el campo de la salud.

“En salud e investigación clínica es indispensable la utilización de grandes volúmenes de datos, una cantidad muy amplia de información para el procesamiento e interpretación y toma de decisiones en base a estos datos que son muy difíciles de sistematizar de manera manual, pero que a través del uso de la IA y tecnologías asociadas es posible”, explica Joshuan Barboza, médico especialista en Revisiones Sistemáticas y Meta-análisis, Bioestadística y Toma de decisiones basadas en evidencia.

Barboza brindó recientemente una masterclass a cerca de 200 alumnos y docentes, como antesala al Congreso Internacional de IA en Salud, evento organizado por la Universidad Franz Tamayo, Unifranz, el cual se llevará a cabo en Cochabamba el 17 de septiembre y contará con la presencia de expertos nacionales e internacionales en la temática.

El especialista indica que, en el pasado, los investigadores médicos contaban con muchas limitaciones para realizar el análisis de grandes volúmenes de datos (datos estadísticos, encuestas nacionales, diagnósticos, entre otros) de poblaciones enteras, sin embargo, con el advenimiento de la IA, estas tareas ahora son más accesibles.

“La IA nos ayuda a entender gran cantidad de información que muchas veces no podemos procesar de forma libre. Hay un crecimiento exponencial de los datos sanitarios que se nos hace difícil procesar con máquinas o computadoras sin la asistencia de la IA”, puntualiza.

Sin embargo, el investigador explica que las nuevas tecnologías no son una fórmula mágica y que se requieren profesionales que entiendan el funcionamiento de la IA y sus tecnologías para sacarles el mayor provecho a la hora de analizar los datos, de lo contrario, éstos no serán pertinentes o no reflejarán la realidad de una determinada población.

La IA como solución nos permite integrar y extraer el valor verdadero de los datos, tiene grandes ventajas que podemos explotar, pero el desafío principal es el impacto en la personalización de tratamientos.

“Al aplicar la información, los médicos generalizan la misma en una determinada población a través de la evaluación de los comportamientos y tendencias, pero cuando se trata de grandes volúmenes de datos, como por ejemplo 100.000 pacientes, esta tarea se complejiza y es necesario generar un contexto para su análisis, por eso es importante conocer las herramientas y adaptarlas a nuestras necesidades”.

Machine learning y big data aplicadas a la salud

Barboza apunta que las aplicaciones del big data en la salud tienen el potencial de mejorar la atención médica, logrando optimizar múltiples procesos, desde optimizar la experiencia del paciente hasta crear modelos complejos de machine learning para diagnosticar enfermedades y condiciones médicas.

“Al contar con más datos de los clientes, se obtiene una oportunidad invaluable para comprender mejor su experiencia y así hacer más eficiente la atención que reciben”, puntualiza.

Por ejemplo, el big data y el machine learning han tenido un impacto significativo en la optimización de la gestión de recursos sanitarios. Aquí hay algunas aplicaciones específicas:

Optimización de la gestión de recursos sanitarios

●             Gestión de inventario y suministros: monitoreando los datos de uso y consumo, los hospitales y centros de atención médica pueden optimizar sus pedidos y evitar tanto la escasez como el exceso de existencias, especialmente en países de ingresos medios y bajos.

●             Programación de personal: identificando las necesidades de personal en diferentes momentos y ubicaciones es posible asegurar una asignación adecuada de recursos humanos, reducir la carga de trabajo excesiva y mejorar la eficiencia operativa.

●             Planificación de instalaciones y recursos: comprendiendo la demanda y el uso de las instalaciones, se puede realizar una planificación estratégica para garantizar una distribución óptima de los recursos y evitar la infrautilización o la congestión.

●             Optimización de rutas y logística: analizando datos de tráfico, ubicación y tiempos de espera, se pueden encontrar las rutas más eficientes y minimizar los retrasos.

●             Análisis de costos y facturación: evaluando los datos de facturación, reclamaciones y pagos, se pueden identificar áreas de mejora, reducir los errores y maximizar los ingresos.

Mejora de la atención al paciente y la experiencia del usuario

A través de tecnologías como la historia clínica electrónica o EHRs, es posible obtener poderosos insights gracias a datos demográficos, historia médica, alergias, resultados de laboratorio y más, con el fin de conocer a fondo al paciente y ofrecerle un mejor servicio, proporcionando procesos como:

●             Personalización de la atención médica: alineando los tratamientos y servicios de acuerdo con las necesidades individuales de cada paciente, mejorando la precisión de los diagnósticos y tratamientos y llevando una experiencia más personalizada y satisfactoria para los pacientes.

●             Mejor acceso a la información de salud: almacenando y compartiendo de manera segura la información, lo que permite a los profesionales de la salud acceder a los datos relevantes de los pacientes en tiempo real.

●             Monitoreo remoto y cuidado continuo: esto permite un seguimiento continuo del estado de salud del paciente, donde los médicos pueden recibir alertas y notificaciones en tiempo real sobre cambios en los signos vitales, mediciones y otros datos relevantes.

●             Retroalimentación y mejora de la calidad: ayudando a los proveedores de atención médica a comprender mejor las necesidades y expectativas de los pacientes, identificar áreas de mejora y tomar medidas para brindar una atención de mayor calidad.

●             Predicción y prevención de enfermedades: el big data puede identificar patrones, tendencias y factores de riesgo relacionados con enfermedades, permitiendo la predicción y prevención temprana de enfermedades, así como la implementación de intervenciones preventivas y programas de promoción de la salud.

Análisis epidemiológico

Otro aspecto relevante de las aplicaciones del big data en la mejora de la atención al paciente y la experiencia del usuario es el análisis epidemiológico. A continuación, se detallan cómo se relacionan:

●             Vigilancia y seguimiento de enfermedades: al recopilar y analizar grandes volúmenes de datos epidemiológicos, como informes de casos, registros de salud pública y datos de vigilancia, ayuda a identificar patrones y tendencias en la propagación de enfermedades, lo que puede contribuir a la implementación de medidas preventivas y de control más eficaces.

●             Identificación de factores de riesgo y determinantes de salud: al estudiar datos demográficos, socioeconómicos, ambientales y de salud, se pueden identificar correlaciones y patrones que ayuden a comprender mejor las causas y los factores que contribuyen a la salud de la población.

●             Evaluación de intervenciones y políticas de salud: al procesar datos de salud y de resultados de intervenciones, se pueden evaluar los impactos de las acciones implementadas y realizar ajustes en función de los resultados. Esto también mejora la toma de decisiones en políticas de salud pública y contribuye a garantizar que los recursos se asignen de manera óptima para lograr resultados positivos.

Gracias a esta tecnología es posible prevenir brotes epidemiológicos y reducir las posibilidades de vivir nuevas epidemias o pandemias como las últimas que han impactado en la salud mundial, explica el experto.