En tiempos de pandemia donde la ciudadanía consume la información desde muchas fuentes diferentes, los datos cobran especial importancia porque ahora más que nunca deben ser veraces. Se genera gran cantidad de información a gran velocidad y la validez de los datos es fundamental para generar conocimiento y tranquilidad entre los ciudadanos.
Los datos referentes a la salud y la sanidad son especialmente sensibles y cuentan con el máximo grado de confidencialidad. Pero, prevaleciendo esta confidencialidad, el sector sanitario genera una gran cantidad de datos que, aplicando técnicas de Inteligencia Artificial y Machine Learning, puede arrojar gran valor a la sociedad.
Datos procedentes de historias clínicas, pruebas médicas o los que generan los dispositivos electrónicos o wearables, ayudan a la toma de decisiones. Benefician tanto a los equipos médicos, como a los gestores de centros sanitarios, para trabajar en un mejor servicio sanitario.
Los conocidos como Real World Data o datos de la Vida Real nos permiten obtener información clínica como datos epidemiológicos, genómicos y nutricionales. Estos datos de poblaciones diversas, debidamente analizados con modelos analíticos, nos favorece su conversión en evidencias o “Real World Evidence”.
La heterogeneidad de los datos clínicos contribuye a la riqueza de estos. Una vez unificados y normalizados, permiten ser analizados extrayendo el valor para la toma de decisiones. Se puede obtener información sobre una enfermedad concreta y seleccionar las variables relevantes que determinen su predicción.
Aplicaciones reales
Por ejemplo, a través de los datos que proporcionan imágenes de resonancia magnética cerebral, se puede hacer un diagnóstico automático del estadio de la enfermedad de Alzheimer. Otro ejemplo de como se puede ayudar al colectivo médico es con la localización de tumores usando redes neuronales dadas las imágenes por escáner. El especialista no tarda mucho en localizar el tumor, aunque sí en dibujar los bordes para poder operar, y estas técnicas ayudan a definirlo y segmentarlo.
Cabe decir que las técnicas de Big Data proporcionan una ayuda al ecosistema científico y médico. Aportan recomendaciones para la toma de decisiones que se llevará a cabo por los médicos según su criterio profesional. En ningún caso son los modelos algorítmicos los que proporcionan el diagnóstico.
Como hemos dicho anteriormente, los datos también contribuyen a una mejor gestión sanitaria ofreciendo evidencias que ayuden a la toma de decisiones. Una hiperfrecuentación de pacientes al servicio de atención primaria puede ser debido a diferentes motivos. Estos se desvelan tras un análisis de los patrones de comportamiento de los hiperfrecuentadores con técnicas de clasificación y segmentación. Una vez clasificados y determinadas las causas, se puede trabajar de una forma proactiva. Se adoptan medidas que disminuyan esta hiperfrecuentación con la consecuente reducción de costes y mejora del servicio.
El análisis de datos a partir de técnicas de Data Science permite a las organizaciones dejar de ser retrospectivas y reactivas en sus análisis de datos. Comienzan a ser predictivas, proactivas y empíricas.
Como apuntó Ana Galve, Directora Corporativa de Operaciones Logísticas de Grupo Hefame, en su participación en “Data is the Air, y ¿ahora que?”, la observación y medición de las necesidades de los pacientes durante la pandemia ha hecho que un servicio como era la distribución de medicamentos a pacientes crónicos en los hospitales se trasladase a las farmacias. Así se facilita el acceso a estos medicamentos de una forma segura y cómoda.
Material sanitario
Otra aplicación de gestión eficiente es el que se puede llevar a cabo con el material sanitario. En base a los datos de referencias, categorías y familias, los datos históricos de los movimientos de almacén, entradas y salidas, roturas de stocks, las rotaciones de las referencias, las estrategias y restricciones de compras y el análisis de proveedores, se puede realizar un análisis para identificar la compra óptima de cada una de las referencias.
Esta compra óptima está basada en diferentes variables, parametrizables, de forma que, en una herramienta de simulación se pueden testar diferentes estrategias de compras. Se calculan stocks mínimos, rotaciones estimadas, potenciales roturas y costes de inventarios en cada de una de estas estrategias de compra testadas.
Un sistema de seguimiento y medición global permite llegar a las conclusiones correctas y optimizar los servicios pensando en el ecosistema completo. Además, mantiene el foco de las estrategias, orientándolas hacia la consecución de los objetivos generales.
CitizenLab
Cada vez existen más iniciativas para favorecer a la ciudadanía del valor que aportan los datos. Como el proyecto CitizenLab que, entre uno de sus objetivos, se encuentra conocer las necesidades de los ciudadanos en materia de salud para mejorar los servicios prestados.
La diversidad de casos de uso aplicando la IA y el Machine Learning es enorme. Para que sea efectivo, es necesario el compromiso de administraciones públicas, comunidad científica y empresas privadas. De esta manera, se fomenta la compartición de información y la creación de sinergias que favorezcan la investigación y el desarrollo de nuevos servicios sanitarios.
