El modelo de análisis de los datos en salud

La transformación de los datos que se generan durante la atención de salud es de vital importancia en la toma de decisiones. La cantidad de ellos que surgen en cada uno de los centros que componen una institución hospitalaria, son capaces de desbordar cualquier sistema y las técnicas de bioestadística que se emplean convencionalmente parecen ser insuficientes ante la magnitud valores, imágenes, palabras, mensajes y variables biológicas que surgen en un día de hospital.

El comercio y la industria se han convertido en mentores para demostrar cuales son las prácticas de mayor beneficio cuando de modelar la información para obtener respuestas se refiere.

A continuación, presentamos algunos elementos que hemos considerado de relevancia, basados en la experiencia de los miembros de nuestro equipo en el trabajo con datos médicos.

  1. Es necesario conformar un ecosistema de datos: Para comprender la enfermedad es necesario centrarnos en la persona y así, conocer a nuestro paciente en su que hacer diario nos brinda datos de gran valor que pueden ser razones para la no respuesta a un medicamento o a la consulta frecuente. Necesitamos conocer a la persona no al enfermo.
  2. Construir un ecosistema nos obliga a generar un modelo de información complejo que tiene grandes Volúmenes de datos los cuales crecen a gran Velocidad y además son Variables en su estructura, hay imágenes, sonidos, chats, correos, localizaciones, intereses y relaciones. Estas V, caracterizan al modelo de integración de los datos conocido como Big Data, con la adición del Valor y la Veracidad como características fundamentales del resultado obtenido con el proceso

La infografía a continuación actualiza la cantidad de datos disponibles en un minuto en internet, con la consideración de que en salud, puede incrementarse de manera muy significativa con datos de laboratorios, signos vitales, imágenes y registros de historia clínica dentro del proceso de atención.

 

 

Tomada de: https://www.domo.com/learn/data-never-sleeps-8

3. Es necesario generar un proceso de arquitectura empresarial. El sistema de información debe ser transversal a la organización y la inversión en tecnología se considera una inversión. Un reconocimiento de la importancia de modelar los datos es fundamental para el crecimiento. Las bases de datos seguras, confiables y escalables, alojadas en plataformas en nube y orientadas a brindar las respuestas correctas son cimiento de todos los procesos.

4. Es necesario aprovechar todos los datos disponibles y la información que se encuentra en los campos de texto de notas médicas tienen gran riqueza que puede ser extraída mediante herramientas en metodologías como el procesamiento del lenguaje natural. Existe ya información de los mejores procedimientos y recursos para transformar el texto a campos estructurados que facilitan el análisis.

5. El aprendizaje automático facilita las tareas pero requiere de un marcado correcto de los datos. Enseñar a un computador cual es el patrón que se relaciona con un evento puede ser de gran valor cuando se requiere revisar un alto volumen de registros, sin embargo para obtener un buen resultado, se requiere que existan registros identificados de forma correcta, con validación y ensayo en diferentes corpus, de lo contrario la probabilidad de falla en la predicción es alta.

6. La analítica visual es el arte que acompaña al proceso, la capacidad de presentar los datos en gráficos dinámicos y fáciles de entender es fundamental para cerrar el ciclo de análisis y pasar al modelo de recomendaciones. En este ámbito la inteligencia de negocios ha ganado gran aceptación dentro de los equipos de salud y diferentes plataformas como Power Bi®, Titco®, Alterix® y Tableau®, son ejemplos de herramientas disponibles para su implementación.

7. Finalmente es necesario incorporar toda la información en los procesos y allí nuevamente una herramienta del aprendizaje automático conforma el núcleo de los modelos de soporte a la toma de decisiones. La construcción de modelos de redes neuronales recurrentes y de árboles aleatorios, soportan la construcción de diferentes aplicaciones que facilitan llegar a la mejor decisión en seguimiento de un algoritmo predefinido. Consideramos esto un avance en el desarrollo de las guías de práctica clínica.

A continuación puede encontrar una lista de recursos abiertos que hemos empleado con éxito en nuestros procesos, mayor información tenemos disponible para consulta con nuestros expertos.

https://projector.tensorflow.org/ Excelente herramienta visual para generación de modelos de vecinos cercanos.

https://www.cs.waikato.ac.nz/ml/weka/ Conjunto de herramientas que permiten diseño de procedimientos de inteligencia artificial, árboles de decisiones, bosques aleatorios, etc

http://www.tiberius.biz/ Software de modelamiento predictivo

 

El cuidado de salud centrado en el valor­­­, nuevos desafíos para todos

 El modelo de prestación de servicios de salud que se encuentra con mayor frecuencia en el mundo ha sido caracterizado dentro del concepto de cuidado de  la salud centrado en el volumen. Dentro de este modelo cada medicamento, insumo o procedimiento genera un cobro independiente y así, un mayor volumen de ventas deriva en mayor ingreso.

A pesar de que este tipo de prestación de los servicios de salud es el más frecuente, se han generado muchos cuestionamientos frente a la sostenibilidad de los sistemas de salud  bajo un estímulo a consumir más recursos en virtud de obtener mejor rendimiento financiero.

Como un primer elemento a analizar se encuentra la distribución del riesgo entre prestador y asegurador.

La gráfica número 1, muestra el desplazamiento del riesgo financiero entre las dos partes del sistema, cuando se modifica la forma de cobro por el servicio prestado.

 

 

En el extremo izquierdo  se encuentra el modelo financiero descrito anteriormente, y en él se puede observar una carga de  riesgo asumida por el asegurador, lo cual puede ser aparente, teniendo en cuenta que la supervivencia de cada uno de los participantes en el proceso es fundamental para la de los demás y así en realidad el riesgo termina afectando a ambas partes, con reflejo en la oportunidad de pago, factor de máxima relevancia.

En el otro extremo, se encuentra el modelo denominado como capitación, en el cual una población asignada genera un recurso fijo y el prestador asume todo el riesgo en relación con la carga de la enfermedad y la variación en los precios de honorarios, insumos o medicamentos. En este punto todo el riesgo es transferido al prestador, quien puede verse afectado seriamente hasta llegar a comprometer su permanencia en el mercado.

Con estas consideraciones, buscar un punto medio, con un interés conjunto por lograr el mejor resultado parece ser la solución y es ahí donde surge el concepto del cuidado de la salud centrado en el valor, con propuestas que modifican la manera de cobrar los servicios, fortaleciendo un plan de cuidado unificado, adherido a la evidencia de mejor calidad pero además  siempre con una adaptación a nuestro medio y recursos.

Dentro de estos modelos, la generación de paquetes por morbilidad, agrupación de recursos para un cobro global por procedimientos y la generación de alianzas entre los prestadores y los pagadores predominan sobre el interés individual de estos grupos por aparte.

¿Quién se beneficia de la medicina centrada en el valor?

Garantizar la supervivencia del sistema de salud por obvias razones es una meta conjunta para todos nosotros, quienes cambiamos nuestro rol como pacientes, familiares, profesionales, instituciones de aseguramiento o participación en políticas de salud pública.

El rol del paciente sin embargo parece ser el de mayor importancia, quien dentro de estos modelos parece tener menor riesgo durante su cuidado. Se interroga el cambio en la cultura organizacional que puede surgir de un modelo en el cual, se reconoce la calidad de la atención, se premia con mayor volumen a quien se reconoce brinda las mejores condiciones para los pacientes y así mismo se insta a la reflexión y al cambio,  a quien de manera repetida presenta resultados no satisfactorios.

A manera de ejemplo se presenta el análisis del evento adverso de mayor frecuencia en nuestro medio, a saber la infección asociada a la atención en salud.

Esta morbilidad afecta hasta un 50 % de los pacientes atendidos en muchos centros, incrementa la probabilidad de morir y aumenta el costo significativamente, a pesar de lo cual aún las acciones de prevención no son uniformes y menos exitosas en los diferentes centros.

Un modelo de cuidado basado en el volumen, reconoce el evento, pero además debe pagar todo el exceso de costo asignado a la infección, por decirlo de alguna manera no existe un estímulo para que las políticas de prevención sean prioridad,  con una falsa percepción de que no hay cambio en el ingreso con este tipo de actividades.

Desde la perspectiva del cuidado centrado en el valor, un paquete hospitalario puede tener en cuenta en el valor global una frecuencia esperada de eventos infecciosos que pueden surgir dentro de una frecuencia definida durante la atención y así el mayor volumen de pacientes no infectados compensa de manera suficiente los recursos que pueden ser requeridos como una adición para el cuidado de un paciente infectado. Aquí la situación es completamente diferente para el prestador quien puede obtener mayor beneficio, si el consumo de recursos es menor, pero además garantiza el flujo de pacientes, cuando sus resultados demuestran mejor desempeño.

Como se logra la transformación al cuidado centrado en el valor?

La metodología se orienta a cualquiera de los participantes del proceso, es decir corresponde a un desarrollo conjunto que fusiona a los aseguradores y a los prestadores con un objetivo del mejor cuidado para los pacientes y la supervivencia de todos dentro del sistema.

El reconocimiento de la necesidad de participar en el cambio es el primer paso. Solo cuando se tiene la atención centrada en la posibilidad de hacer las cosas diferente, se puede definir un nuevo rumbo.

Un proceso centrado en la confianza, dentro del cual cada uno desarrolla las acciones que le corresponden, de la mejor manera posible y dentro del marco de los acuerdos. La auditoría se centra en la calidad y en la búsqueda de nuevas propuestas que generen mayor eficiencia en el proceso. Es una actitud mas de acompañamiento y dirección que un ente punitivo.

La transformación de los datos  en información de valor, es decir oportuna, pertinente e incorporada en la acción es fundamental. Reconoce que los indicadores fijos, en grandes tablas o sin un propósito deben ser reemplazados por modelos dinámicos, que siempre se encuentren disponibles para quienes deben tomar decisiones con un soporte a la selección del mejor curso de acción.

Conclusión

La supervivencia de nuestro sistema de salud parece estar condicionada al cambio. Una propuesta que ya ha sido puesta a prueba es el cuidado centrado en el valor y la participación de cada uno de nosotros es fundamental. El cambio en el modelo parte del reconocimiento del problema, pero el éxito depende de que dispongamos de la información suficiente para que se pueda monitorizar el cambio. Un proceso similar al cuidado intensivo de un sistema gravemente enfermo podría ser la respuesta mas adecuada.

Referencias

  1. Aetna Pharmacy Management. (2014). Commercial prescription drug claim form (GC-1652). Revisadooctubre  16 2020, from http://www.aetna.com/healthcare-professionals/documents-forms/commercial-prescription-drug-claim-form.pdf
  2. Centers for Medicare & Medicaid Services (CMS). (2012). Health insurance claim form (CMS 1500). Revisado Noviembre 5, 2020, from https://www.cms.gov/Medicare/CMS-Forms/CMS-Forms/Downloads/CMS1500.pdf
  3. Express Scripts. (2013). Prescription drug reimbursement/coordination of benefits claims form (12-0684). Revisado octubre 20 de 2020, from https://www.anthem.com/health-insurance/nsecurepdf/pharmacy_PrescriptionDrugClaimForm
  4. National Uniform Billing Committee (NUBC). (2013). http://www.nubc.org/subscriber/index.dhtml
  5. (n.d.) Member reimbursement pharmacy form (102-003 ORX5262_140405). Revisado noviembre 2020 , from https://www.optumrx.com/vgnlive/CHP/Assets/PDF/ORx_UHG_ClaimForm.pdf
  6. Centers for Medicare & Medicaid Services. (2015). NHE fact sheet. https://www.cms.gov/Research-Statistics-Data-and-Systems/Statistics-Trends-and-Reports/NationalHealthExpendData/NHE-Fact-Sheet.html
  7. Frakt, A. B., & Mayes, R. (2012). Beyond capitation: How new payment experiments seek to find the ‘Sweet Spot’ in amount of risk providers and payers bear. Health Affairs, 31(9), 1951–1958. doi: 10.1377/hlthaff.2012.0344
  8. Health policy briefs: Reducing waste in health care. (2012 December 13). Health Affairs. Retrieved May 12, 2016, from http://healthaffairs.org/healthpolicybriefs/brief_pdfs/healthpolicybrief_82.pdf

 

Informática Biomédica en COVID

La afección pulmonar por sars- Cov.2 se presenta en su forma mas grave en cerca del 5 % de los pacientes, se caracteriza por ocasionar un grave trastorno en los mecanismos de intercambio de gases en la membrana alveolo capilar con un fenómeno micro trombótico en lechos capilares y hasta el momento el único tratamiento que tiene probada efectividad es la ventilación mecánica.

La enfermedad tiene características propias que la diferencian del cuadro de Síndrome de dificultad respiratorio agudo, el cual se ha reconocido en los últimos 50 años. La variabilidad genómica explica al menos dos formas diferentes de presentación, definidas como fenótipo H, el cual se caracteriza  por alta elastancia, con incremento en la rigidez pulmonar, mayor trasudación de líquido al intersticio y un requerimiento de altas presiones en la vía aérea. De otro lado se encuentra el fenótipo L, con predominio de trastorno en el intercambio de gases, pero menor compromiso de la capacidad de distender el parénquima pulmonar.(1)

Así mismo los cambios inducidos en la disociación de la oxihemoglobina y los sistemas de censado de la hipoxemia se ven afectados gravemente, con la posibilidad de llegar a niveles muy bajos de saturación de oxígeno, sin que se activen los mecanismos de defensa al perderse la percepción de disnea. Este cuadro se ha descrito como “Hipoxemia feliz” y da cuenta de la posibilidad de morir sin intervención médica ante la falta de alarma en condiciones de  gravedad de la enfermedad.(2–3)

Las series de casos tabulados en otros países como  España. Italia, Estados Unidos y China, coinciden con la observación de  grupos de pacientes atendidos en las unidades de cuidados intensivos, con tiempos de estancia medianos de 12 días, tiempos de ventilación mecánica promedios de 9 días y cifras de mortalidad hasta en 50 % de los casos.

Se observa además una mayor posibilidad de requerimiento de soporte ventilatorio prolongado, que se extiende a centros de cuidado crónico o a programas de extensión hospitalaria con cifras aún no determinadas de discapacidad, pérdida laboral y costos para los sistemas de salud.

La pandemia sin duda nos ha permitido avanzar, con cada uno de los  nuevos desafíos. La intención de aplicar antiguos conceptos a nuevos problemas, fenómeno denominado efecto Barnum, ha sido insuficiente y el desarrollo de soluciones innovadoras se ha hecho necesario. Entre estas nuevas opciones, algunos recursos propuestos por  la informática biomédica se encuentra en los primeros lugares.(3)

Los avances previos en temas como historia clínica electrónica, registro personalizado de datos médicos, interoperabilidad, analítica de datos y telemedicina, son fáciles de ubicar en la literatura, conformando un cuerpo de conocimiento que ha servido de base para la implementación de metodologías ya probadas a los nuevos problemas ocasionados por Covid 19.

Ejemplos de la capacidad de rápida implementación de soluciones, se encuentra descrita por Reeves  en San Diego California, en donde modelos  destinados a la implementación de sistemas de tamizaje inicial, detección temprana de complicaciones y tableros de mando  surgen  como herramientas s para ayudar a la atención de un alto volumen de pacientes en los servicios de urgencias, hospitalización y cuidados intensivos.(4)

Además de las herramientas de estratificación, analítica de datos y telemedicina, aparecen los modelos de soporte a la toma de decisiones clínicas. Este tipo de soluciones en su mayoría combinan conceptos de  interoperabilidad, análisis de datos e inteligencia artificial, para lograr la clasificación automática de grandes poblaciones, con la identificación de una determinada condición y una propuesta de intervención que por lo general se presenta como una recomendación para el profesional clínico.(2 ,5)

En las fases iniciales de la enfermedad, la falta de datos clínicos, obligó a los investigadores a desarrollar los modelos de entrenamiento a partir de registros relacionados con otras patologías como Influenza A H1N1, SARS y MERS, lo cual puso en duda la precisión de los sistemas de clasificación así como  las recomendaciones propuestas que se derivan del análisis.

Sin embargo el rápido crecimiento en el número de casos, ha hecho posible disponer de datos confirmados de Covid-19, que mejoran la calidad de la información y así mismo incrementan la precisión de los modelos predictivos.

La caracterización de grandes volúmenes de datos, con tipos variables y rápida velocidad de aparición junto con la necesidad de garantía de validez y valor de la información obtenida, enmarcan los conceptos claves de “big data” y sin duda se adaptan a las necesidades de los sistemas de salud.(6)

Aparecen nuevas teorías relacionadas con la forma de almacenar datos médicos y se hace necesario rediseñar los sistemas de información médica para facilitar el proceso de atención  por parte de los profesionales de la salud, con un mayor tiempo dedicado a los pacientes y   menor dedicación al registro de historia clínica, cuya información puede ser extraída de otras fuentes o capturada con herramientas de procesamiento de voz o procesamiento  de imágenes.(7)

Modelos como el registro electrónico orientado en problemas, con casi 50 años de evolución, hoy se hacen posibles con la incorporación de herramientas de aprendizaje de máquina e inteligencia artificial los cuales permiten la captura de los datos desde diversas fuentes con la incorporación en núcleos de decisiones, que mas allá de aspectos médicos puede incorporar elementos culturales, sociales y de comportamiento para mejorar la toma de  decisiones.(7,8,9)

Cambios en el orden de inclusión de los datos, que ahora pueden aparecer como bloques enfocados en un problema, partiendo de la descripción, pruebas, antecedentes y tratamientos, junto con los estándares de interoperabilidad, reemplazan  el orden cronológico heredado de la historia clínica impresa.  Los  resultados de estos cambios, aún necesitan ser  demostrados  en la calidad de la atención.

A partir de un nuevo sistema de información mas  orientado al análisis, surgen también diferentes  modelos de intervención, entre los cuales el soporte  a la toma de decisiones clínicas es de resaltar.

El desarrollo de herramientas que faciliten la detección de condiciones de riesgo, como pueden ser las alergias a medicamentos, con alarmas y recomendaciones alternas de otros fármacos en el momento de la prescripción, así como la integración de resultados de laboratorios, con identificación de condiciones críticas en valores de azúcar y hemoglobina, combinados con modificaciones en la frecuencia de solicitud de pruebas, alertas a bancos de sangre para agilizar la preparación de unidades transfusionales o incluso la modificación automática de programación de bombas de infusión, son algunos ejemplos de este tipo de aplicaciones.

Con la  implementación de modelos de soporte a la toma de decisiones aparecen  algunos riesgos , entre los cuales se encuentran:  la fatiga por redundancia en los sistemas de alarmas, errores por falta de atención en puntos críticos de la atención, dificultades en el mantenimiento y actualización de sistemas interoperados  y errores  financieros.  Es evidente la necesidad de acelerar la construcción de conocimiento que demuestre la utilidad clínica y administrativa, así como la  investigación orientada al análisis bioético de la responsabilidad y efectos derivados de incluir   nuevos profesionales en disciplinas distintas a la salud, en la toma de decisiones médicas, con nuevos problemas derivados de una recomendación errónea, la falta de adherencia a una intervención propuesta o al resultado inesperado por condiciones no tenidas en cuenta en el desarrollo del modelo.(10,11,12,13,14)

Diferentes metodologías predictivas han sido evaluadas para la inclusión en procesos de aprendizaje de máquina e inteligencia artificial como soporte de modelos de soporte a la toma de decisiones.

Aplicaciones de regresión lineal y  regresión logística se encuentran con frecuencia en la predicción de desenlaces y su asociación con diferentes variables. Este tipo de cálculos tienen demostrada utilidad, con la limitación de requerir categorías predefinidas por el investigador las cuales deben ser  demostradas y comprobadas dentro del modelo.(30)

De otro lado, la implementación de métodos  de clasificación no supervisada, también han sido evaluados, encontrando los mejores resultados en precisión, recall y área bajo la curva operador receptor con los bosques aleatorios y las redes neuronales recurrentes, herramientas que  parecen convertirse en las de mayor utilidad en este tipo de procedimientos.

La implementación en poblaciones afectadas por Covid-19, han sido descritos como pobremente reportados y con alta probabilidad de sesgo, con recomendaciones al fortalecimiento de los sistemas de información y la evaluación de nuevos tipos de intervención, teniendo en cuenta en el diseño, el riesgo iminente de causar daño con recomendaciones erradas, además de la sugerencia de tener en cuenta guías como Tripod ( transparent reporting of a multivariable prediction model for individual prognosis or diagnosis) para favorecer  un desarrollo que siga las mejores prácticas definidas con la evidencia disponible.

Referencias

  1. Gattinoni L, Chiumello D, Caironi P, Busana M, Romitti F, Brazzi L, et al. COVID-19 pneumonia: different respiratory treatments for different phenotypes? Intensive Care Med [Internet]. 2020;6–9.
  2. Terpos E, Ntanasis-Stathopoulos I, Elalamy I, Kastritis E, Sergentanis TN, Politou M, et al. Hematological findings and complications of COVID-19. Am J Hematol. 2020; 95:834-47
  3. Li X, Geng M, Peng Y, Meng L, Lu S. Molecular immune pathogenesis and diagnosis of COVID-19. J Pharm Anal [Internet]. 2020;10(2):102–8.
  4. Wynants L, Van Calster B, Bonten MMJ, Collins GS, Debray TPA, De Vos M, et al. Prediction models for diagnosis and prognosis of covid-19 infection: Systematic review and critical appraisal. BMJ. 2020;369.
  5. Bagley SC, Altman RB. Computing disease incidence, prevalence and comorbidity from electronic medical records. J Biomed Inform [Internet]. 2016;63:108–11.
  6. Sakusic A, Gajic O. Chronic critical illness: unintended consequence of intensive care medicine. Vol. 4, The Lancet Respiratory Medicine. Lancet Publishing Group; 2016. p. 531–2.
  7. Mullenbach J, Swartz J, McKelvey TG, Dai H, Sontag D. Knowledge Base Completion for Constructing Problem-Oriented Medical Records. 2020;1–24.
  8. Shah P, Kendall F, Khozin S, Goosen R, Hu J, Laramie J, et al. Artificial intelligence and machine learning in clinical development: a translational perspective. npj Digit Med [Internet]. 2019;2(1).
  9. Buchanan J. Accelerating the benefits of the problem oriented medical record. Appl Clin Inform. 2017;8(1):180–90.
  10. Wynants L, Van Calster B, Bonten MMJ, Collins GS, Debray TPA, De Vos M, et al. Prediction models for diagnosis and prognosis of covid-19 infection: Systematic review and critical appraisal. BMJ. 2020;369.
  11. Anastassopoulou C, Russo L, Tsakris A, Siettos C. Data-based analysis, modelling and forecasting of the COVID-19 outbreak. PLoS One [Internet]. 2020;15(3):1–21
  12. Tang Y, Yang J, Ang PS, Dorajoo SR, Foo B, Soh S, et al. Detecting adverse drug reactions in discharge summaries of electronic medical records using Readpeer. Int J Med Inform. 2019 Aug;128:62–70.
  13. Horta AB, Salgado C, Fernandes M, Vieira S, Sousa JM, Papoila AL, et al. Clinical decision support tool for Co-management signalling. Int J Med Inform. 2018 May 1;113:56–62.
  14. Sutton RT, Pincock D, Baumgart DC, Sadowski DC, Fedorak RN, Kroeker KI. An overview of clinical decision support systems: benefits, risks, and strategies for success. npj Digit Med [Internet]. 2020;3(1):1–10.

 

LA VERDADERA MAGIA DE LA COMPUTACIÓN Y LA ESTADÍSTICA

El salto cuántico no está en la gran cantidad de datos sino en la información que se extrae de ellos. Nuevos métodos algorítmicos y estadísticos que permiten tratar estos datos llegan al rescate. Entre estos métodos hay algoritmos que logran capturar patrones de los datos, inferir y aprender las características que determinan cierto fenómeno. Estos algoritmos son cruciales en el mejoramiento de los desenlaces clínicos y el soporte a la toma de decisiones médicas. 

El área donde los algoritmos aprenden patrones en los datos, es conocida como Aprendizaje de máquina (Machine Learning), esta es un área de la computación en auge desde la segunda mitad del siglo XX. Tom Mitchell, define el aprendizaje de máquina de la siguiente forma: “Un programa de computadora se dice que aprende de una experiencia E con respecto a una clase de tareas T y medida de desempeño P, si su desempeño en la tarea T, medida por P, mejora con la experiencia E” (ver Machine Learning by Tom Mitchell). El aprendizaje de máquina es asociado con la Inteligencia Artificial (IA) que es el nombre del anhelo de crear sistemas inteligentes capaces de desempeñar tareas complejas de forma autónoma y creativa. Este anhelo titánico trae problemas desde la misma definición de inteligencia que no es unificada y  pasa por la comprensión de diferentes problemas como la conciencia y la percepción. Lo anterior lleva a que el espectro de la IA vaya desde la filosofía hasta los últimos desarrollos de la ingeniería. Según esto se puede decir que el aprendizaje de máquina es un enfoque de una de las tantas áreas de la IA. 

La creciente popularidad de estos términos ha sido causada por otra sub-área del aprendizaje de máquina que en los últimos años ha sido utilizada para abordar diferentes problemas, esta sub-área que ocupa titulares y captura devotos es conocida como Aprendizaje profundo (Deep Learning) donde se usan los elementos de aprendizaje a través de redes neuronales artificiales en arquitecturas de gran escala que, en ciertas condiciones, permite capturar patrones de forma muy exitosa. Esta técnica ha logrado resultados exitosos en problemas clínicos como de predicción como mortalidad, readmisión, tiempo de estancia y condición de egreso.  Estos modelos han superado a los algoritmos tradicionales en todos los casos.  Scalable and accurate deep learning with electronic health records  

(tomado de The Difference Between AI, Machine Learning, and Deep Learning?)

 

Sin embargo, el mundo de los algoritmos más recientes no se reduce al aprendizaje profundo. Uno de los temas más interesantes en el aprendizaje de máquina es el de la causalidad. Este no solo es un cambio de herramienta sino también un cambio de paradigma en el razonamiento algorítmico.. En este caso no se buscan simplemente las asociaciones entre los datos sino relaciones causales que se acercan más a los razonamientos humanos. Este tipo de algoritmos ya son una realidad y han mostrado mejorar los algoritmos clínicos tradicionales, llegando a tener una precisión clínica de experto, convirtiendo al razonamiento causal en un elemento vital en el diagnóstico médico. Improving the accuracy of medical diagnosis with causal machine learning.

 

Aunque nombramos los algoritmos de aprendizaje y causalidad, estos corresponden a la frontera que  en la mayoría de casos, no es necesaria. Muchos de los problemas que enfrentan las instituciones de salud son de integración de datos, operativos y de automatización los cuales  pueden ser resueltos con técnicas clásicas y a la vez obtener grandes resultados. Este es el primer paso para poder usar los algoritmos de última generación.

Los algoritmos no son magia, son matemáticas, computación y estadística. Los algoritmos deben aspirar a ser interpretables, transparentes, trasladables entre contextos y abogar por la equidad social ([2009.10576] Ethical Machine Learning in Health Care, Can AI Help Reduce Disparities in General Medical and Mental Health Care?, Treating health disparities with artificial intelligence ). Un algoritmo no reemplaza a un humano sino que potencia la capacidad humana. Son una herramienta muy poderosa, pero debe ser producto del trabajo investigativo y de la reflexión social. La mayoría de avances en esta área requieren la articulación entre distintas áreas que inclusive trascienden las ciencias médicas y la ingeniería, y también incluye a las ciencias sociales. Sobre todo cuando se desea tener impactos directos y desplegar los resultados eficientemente en los ambientes clínicos, se hace necesario no solo entender el problema desde las perspectivas tecnológica y médica, se requiere también comprender el contexto social y su incidencia en el algoritmo, para así  mejorar su despliegue y resultados (ver Lessons Learned from Developing ML for Healthcare), después de todo el sistema sobre el que se actúa es la salud humana, y esta es el reflejo de una combinación de diferentes factores en contextos diversos (ver «The human body is a black box» | Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency).

 

Las TIC en la salud

El avance tecnológico en los últimos años  ha permitido la adopción masiva de nuevos métodos algorítmicos y nuevas formas de interacción entre los seres humanos, factores que deben ser considerados. Hoy en día, todos cargamos en los bolsillos más tecnología que la que necesitó el Apollo 11 para ir a la Luna, precisamente, este grado de miniaturización tecnológica alcanzado, permite tener grandes capacidades de almacenamiento y procesamiento de datos  que facilitan  el intercambio de información entre diferentes fuentes. Además, en los últimos años el crecimiento en el área de las telecomunicaciones está permitiendo que cada día exista una mayor cantidad de personas que se interconectan por medio de la red mundial de datos Internet, red que no solo permite consumir información, sino también está siendo alimentada constantemente por sus múltiples usuarios, facilitando la extracción de información individual y la relación con otras fuentes y eventos. El crecimiento de la tecnología de las telecomunicaciones ofrece ahora la posibilidad de interconectarse por diferentes métodos, garantizando que cada vez más personas puedan participar de esta red. Es así como solo en Colombia al término del cuarto trimestre de 2019, las principales tecnologías de acceso a Internet eran: Cable, con 4.14 millones de accesos,; xDSL, con 1.51 millones de accesos; fibra óptica con 960.000 accesos y otras tecnologías (WiMAX, WiFi, satelital y otras tecnologías inalámbricas), con 350.000 accesos fijos.

Acceso fijos a Internet por tipo de tecnología (millones):

 

 

Este crecimiento de las tecnologías y en particular de las TICs han permitido expandir nuestros usos de ella, teniendo impacto en sectores como la educación y el trabajo, donde a través de estos sistemas es posible realizar las tareas que antes eran únicamente presenciales. La medicina no es ajena a estos avances tecnológicos y es uno de los actores que actualmente se está favoreciendo considerablemente. Gracias a estos avances, han surgido nuevas áreas como la telemedicina que  ha permitido ampliar y mejorar los sistemas de atención de salud a pacientes que por limitaciones socioeconómicas y geográficas, antes no tenían posibilidad  de acceder a estos servicios. Precisamente, el crecimiento que ha venido teniendo el acceso a internet móvil, es uno de los factores que está beneficiando directamente a la telemedicina, por ejemplo, solamente en Colombia en el cuarto trimestre de 2019, la cantidad de accesos a Internet Móvil alcanzó los 30,9 millones, 3,5 millones más que los registrados en el mismo trimestre del año 2018. Este crecimiento está favoreciendo la conexión de usuarios ubicados lejos de las áreas rurales.

Accesos a Internet Móvil (millones):

 

 

El avance tecnológico también ha estado beneficiando a los instrumentos terapéuticos y de monitoreo pues cada día estos son más pequeños, inteligentes e interactivos y con módulos de comunicación que facilitan el registro de comportamientos y eventos. Justamente, este tipo de instrumentos son los elementos que están resultando ser claves en los desafíos que presenta el aumento de la demanda de servicios de salud, el envejecimiento de la población y la necesidad de almacenar y procesar datos confiables de los pacientes. Toda esta información recolectada se está consolidando en enormes bases de datos que requieren de un análisis estadístico y de herramientas de inteligencia artificial que apoyen la labor médica.

Referencias:  Boletín trimestral del sector de las TICS- Cifras cuarto trimestre de 2019. https://colombiatic.mintic.gov.co/679/articles-135691_archivo_pdf.pdf