Por: Francis Argomaniz y Rubén Rosa
La importancia de los datos ha cambiado a lo largo de los años. Inicialmente, los datos eran meramente registros en los sistemas ERP de las organizaciones. A través de los años, con la 3era y 4ta revolución industrial, o mejor dicho, la era digital, dichos datos aumentaron exponencialmente en volumen, en variedad y en velocidad de los datos de cambio y/o generación de éstos. Estos datos generan un valor económico que permite a las organizaciones capturar información más amplia, granular y en tiempo real en las interacciones con pacientes, servicios, operaciones y diagnósticos de enfermedades.
Adicionalmente, los avances en la inteligencia artificial (IA) impulsarán el uso y usufructo de este nuevo recurso natural que muchos llaman Big Data y que pocos han sabido transformar en valor. De hecho, el concepto Big Data, empieza a desaparecer de las conversaciones para dar lugar a la inteligencia artificial.
Por lo tanto, debemos usar la IA para generar el conocimiento necesario para maximizar el viaje y la salud del paciente, convirtiendo al prestador de servicios de salud en un ente inteligente que se sustenta en tener la información necesaria para poder reaccionar anticipadamente, convirtiendo la información en oportunidad y transformando ésta en beneficios de la salud del paciente.
Caso de Usos
- Eficacia y eficiencia de las vacunas
- Las vacunas han reducido drásticamente la mortalidad y la morbilidad de muchas enfermedades. Sin embargo, históricamente las vacunas se han desarrollado empíricamente, y el desarrollo reciente de vacunas contra las pandemias actuales, como el VIH, la malaria y recientemente el COVID-19, se ha enfrentado con grandes dificultades.
- El proceso de autorización de las vacunas candidatas implica ensayos clínicos muy largos y costosos para evaluar su eficacia y seguridad. Estos ensayos involucran a miles de sujetos y pueden costar cientos de millones de dólares para completarlos. Como resultado, se hacen pruebas de vacunas con muy pocos candidatos.
- Un desafío importante en la vacunación es que la eficacia solo se puede determinar después de que las personas vacunadas hayan estado expuestas a la infección.
- Modelo de análisis descriptivo, predictivo y prescriptivo de IA
- La ciencia cognitiva es la ciencia del aprendizaje, el conocimiento y el razonamiento. El reconocimiento de patrones es un campo amplio dentro de la ciencia cognitiva que se ocupa del proceso de reconocer, identificar y categorizar la información de entrada. Estas áreas se cruzan con la informática, particularmente en las áreas estrechamente relacionadas con inteligencia artificial, aprendizaje automático y reconocimiento de patrones estadísticos.
- Si creamos un sistema que sea capaz de reconocer patrones, seleccionar características (features) y un modelador de clasificación con un módulo de resolución rápida, podremos:
- Identificar firmas predictivas tempranas de las respuestas a las vacunas y proveer información novedosa y sólida de protección contra la infección, lo que jugará un papel fundamental en el desarrollo de la próxima generación de vacunas.
- Facilitar el diseño y la evaluación rápida de vacunas nuevas y emergentes, así como la identificación de personas que probablemente no estarán protegidas por éstas.
- Facilitar la predicción del nivel de inmunidad del paciente sin necesidad de exponerlo a la enfermedad.
- Detección de enfermedades cardíacas
- Las enfermedades cardíacas son unas de las principales causas de mortalidad en el mundo.
- Las arritmias y el infarto de miocardio pueden no ser potencialmente mortales. Sin embargo, esas enfermedades posiblemente conduzcan a un paro cardíaco o a un derrame cerebral.
- El diagnóstico precoz de ellas permite elegir los medicamentos y la terapia más adecuada.
- Modelo de análisis descriptivo, predictivo y prescriptivo de IA y el IoT
- Un modelo de inteligencia artificial que monitoree en tiempo real ecocardiogramas (IoT – monitor cardíaco) y ayude al médico a determinar con anticipación cuando un paciente pudiera tener un ataque cardíaco.
- Eficiencia de los exámenes de laboratorios
- Un proceso de examen de laboratorio clínico generalmente se divide en tres etapas:
- Preanalítica, que se ocupa de la recolección, transporte, almacenamiento y preparación de muestras de pacientes.
- Analítica, que implica el análisis de la muestra del paciente usando algún instrumento calibrado.
- Postanalítica, que se ocupa de registrar, informar e interpretar el resultado de la medición. Cada una de estas etapas tiene una incertidumbre asociada. Analizar e identificar todas las fuentes de variación asociadas con cada etapa es a menudo poco práctico.
- Modelo de análisis descriptivo, predictivo y prescriptivo de IA
- En cada una de las etapas, procedemos a identificar y caracterizar las fuentes de incertidumbre que operan dentro del proceso, y a estimar la incertidumbre de éstas utilizando el método estadístico como el método Montecarlo. Adicionalmente, pueden ocurrir errores humanos en la presentación e interpretación de resultados, que deben clasificarse también.
- Al detectar y reducir dicha incertidumbre, mejoraremos la eficacia de los tests, ayudando al médico a dar un mejor y más asertivo diagnóstico.
En conclusión, vivimos en una era de «Big Data». Las organizaciones y los gobiernos tienen a su disposición crecientes avances en tecnología para satisfacer las expectativas sociales de salud. Acá les hemos presentado un subconjunto mínimo de cómo la técnica de modelado predictivo y prescriptivo tiene la capacidad de proporcionar información para un mejor diagnóstico, una administración de tratamiento más precisa y para predecir la respuesta de los humanos a vacunas sin necesidad de exponerlos a la enfermedad. Es importante que los gobiernos, principalmente de Latinoamérica, fomenten y apoyen la innovación en estas áreas para mejorar la calidad de vida de las personas.
HealthCare Analytics – From data to knowledge to healthecare improvement. Hui Yang, Eva Lee. Wiley
BIPM, CIPM, and Working Group. Expression of Experimental Uncertainties. Sevres: ISO; 1980.
BIPM, IEC, IFCC, ISO, IUPAC, IUPAP, and OIML. Guide to the Expression of Uncertainty in Measurement. Geneva: ISO; 1993.
Chang WH, Lin K, Tseng S. ECG analysis based on Hilbert transform descriptor, Engineering in Medicine and Biology Society, 1988. Proceedings of the Annual International Conference of the IEEE, 36–37; 1988
Afonso VX, Tompkins WJ. Detecting ventricular fibrillation. Eng Med Biol Mag 1995;14(2):152–159.
Empieza la conversación en Community