Big Data en la sanidad: ¿Porqué es tan valioso?

La pandemia está teniendo un enorme impacto en el sector sanitario. Entre las abrumadoras tasas de hospitalización, la intensificación de las amenazas de ciberseguridad y el agravamiento de las enfermedades mentales debido a las estrictas medidas de cierre, los hospitales buscan desesperadamente ayuda. Los macrodatos en la sanidad parecen una solución viable. Puede proporcionar de forma proactiva información significativa y actualizada que permita a las clínicas abordar los problemas urgentes y prepararse para lo que se avecina. Los hospitales recurren cada vez más a proveedores de servicios de desarrollo de big data para dar sentido a sus datos operativos. Según Healthcare Weekly, se espera que el mercado mundial de big data en el sector sanitario alcance 34.300 millones de dólares en 2022, con un crecimiento del 22,1%. Entonces, ¿cuál es el papel de la analítica de big data en la sanidad? ¿Qué retos hay que esperar? Y ¿cómo prepararse para el éxito?

¿Qué es el big data en la sanidad y cómo se utiliza?

El big data tiene varias definiciones aceptadas. Aquí hay dos populares:

La definición de Douglas Laney. Laney es un antiguo director de datos de Gartner. Afirma que el big data se caracteriza por 3 Vs: volumen, velocidad y variedad. El volumen se refiere a las grandes cantidades de datos. La velocidad se refiere a la rapidez con la que se recogen los datos y se hacen accesibles, mientras que la variedad indica los diferentes tipos de datos, como texto, vídeo, registros, audio, etc. La definición de McKinsey. La renombrada consultora define los big data como conjuntos de datos cuyo tamaño supera la capacidad de las típicas herramientas de software de bases de datos para capturar, almacenar, gestionar y analizar.

Según un informe del IDC, se espera que el volumen de big data alcance los 175 Zettabytes en 2025. Para ponerlo en perspectiva, se necesitarán 1.800 millones de años para descargar esta cantidad de datos con la velocidad media de Internet disponible en la actualidad.

Big data en la sanidad: fuentes y beneficios

El big data sanitario se refiere a las cantidades masivas de datos relacionados con la salud que provienen de diversas fuentes, como las historias clínicas electrónicas (HCE), la secuenciación genómica, la investigación médica, los wearables y las imágenes médicas, por mencionar algunas. Estos datos son enormes en su volumen y diversos en su formato, lo que dificulta su almacenamiento en bases de datos convencionales, y son demasiado complejos para las tecnologías tradicionales de procesamiento de datos. Está surgiendo el debate de que “grande” ya no es el parámetro definitorio. Para el sector sanitario, es más importante el grado de “inteligencia” de los datos y el tipo de información que proporcionan.

Beneficios del big data en la sanidad

El sector sanitario se está quedando atrás en la adopción de big data debido a la sensibilidad de la información sanitaria. A pesar de los problemas del big data en la sanidad, los hospitales están ansiosos por desplegar tecnología innovadora para desbloquear los beneficios del big data en la medicina.

Estos beneficios incluyen:

    • Reducción de costes
    • Mejorar los resultados de los pacientes
    • Avanzar la posición competitiva

.

  • Comprender el rendimiento de una organización
  • Detectar enfermedades en etapas tempranas
  • Mejorar la gestión del personal

Dos tendencias principales están impulsando actualmente la adopción del big data en el ámbito médico:

  1. El movimiento hacia un modelo de atención basado en el valor que premia a las clínicas por la salud de su población de pacientes.
  2. La necesidad de un modelo de atención basado en la evidencia.
  3. La necesidad de información basada en la evidencia para conocer las mejores prácticas relacionadas con el manejo de enfermedades y lesiones.

Analítica de big data para la atención sanitaria

Para extraer información significativa de los big data, las organizaciones sanitarias recurren a la analítica. La analítica de big data es el proceso de descubrir patrones en grandes cantidades de datos con la ayuda de diferentes técnicas originadas en las matemáticas, la estadística, la informática y la economía. El informe sobre big data de McKinsey enumera las más destacadas:

    • Aprendizaje automático: es un subconjunto de la IA. Esta técnica entrena los algoritmos sobre datos etiquetados.
    • Minería de datos: utiliza la estadística y el aprendizaje automático para extraer patrones de los conjuntos de datos.

.

  • Procesamiento del lenguaje natural: esta técnica es un subdominio de la IA y la lingüística. Utiliza algoritmos para analizar el lenguaje humano.
  • Procesamiento del lenguaje natural: esta técnica es un subdominio de la IA y la lingüística.
  • Pruebas A/B: compara grupos de prueba con un grupo de control para identificar qué cambios tienen impacto en la variable examinada.
  • Fusión de datos e integración de datos: técnicas que integran datos procedentes de diversas fuentes y los analizan.
  • Estadística: recogen, clasifican e interpretan los datos de experimentos y encuestas.
  • Por ejemplo, el análisis de los datos de un grupo de prueba y de un grupo de control.

Tipos de análisis de big data en la sanidad

El papel de la analítica de big data para la sanidad es separar la información del ruido y extraer ideas que beneficien a todos los accionistas, desde los médicos hasta los pacientes, pasando por los gestores de los hospitales y las startups de tecnología médica. Existen cuatro tipos principales de análisis de big data para la sanidad:

Análisis de descubrimiento: analiza los datos entrantes sin procesar para identificar patrones y valores atípicos. Si los datos entrantes están incompletos y llenos de ruido, los resultados serán cuestionables

Análisis descriptivo: utiliza datos históricos para analizar tendencias y ayudar a entender lo que ocurrió en el pasado. No predice los acontecimientos futuros.

Analítica predictiva: utiliza los datos históricos para analizar las tendencias y ayudar a entender lo que ocurrió en el pasado.

Análisis predictivo: depende de técnicas de modelización para predecir lo que ocurrirá en el futuro, dado que todas las condiciones se mantendrán constantes. Si las circunstancias cambian, la predicción pierde su validez.

Analítica predictiva: depende de técnicas de modelado para predecir lo que ocurrirá en el futuro, dado que todas las condiciones se mantienen constantes.

Analítica prescriptiva: emplea el aprendizaje automático para analizar datos de múltiples fuentes y sugerir un curso de acción. Estas técnicas son todavía limitadas en sus capacidades.

Precisión: emplea el aprendizaje automático para analizar datos de múltiples fuentes y sugerir un curso de acción.

7 casos de uso del big data en el sector sanitario

Habilitar alertas en tiempo real

Mejorar la salud de la población

Facilitar la investigación médica

Contribuir al tratamiento del cáncer

Prevenir los ciberataques y el fraude

Gestionar las condiciones de salud mental

Mitigar los riesgos de hospitalización

1. Habilitar las alertas en tiempo real

El software de apoyo a la toma de decisiones clínicas (CDS) y otras soluciones de software sanitario analizan los datos en tiempo real, ofreciendo consejos oportunos a los profesionales médicos mientras diagnostican a los pacientes o componen los planes de tratamiento. Este ejemplo de big data en la sanidad es especialmente relevante cuando se habla de dispositivos médicos vestibles. Los wearables recogen constantemente datos de los pacientes, que luego se analizan y se presentan a los médicos, permitiéndoles reaccionar inmediatamente si los resultados son alarmantes. Por ejemplo, si la presión arterial de un paciente aumenta repentinamente, su médico recibirá una alerta en el acto y administrará medidas para ayudar al paciente. Además, las alertas en tiempo real pueden ser útiles para controlar al personal del hospital y garantizar su cumplimiento. Un ejemplo proviene de la colaboración entre ITRex y Hygenix Inc. con sede en Connecticut, una empresa de tecnología para la seguridad del paciente. Hygenix quería supervisar el cumplimiento del lavado de manos de los empleados sanitarios y emitir notificaciones oportunas si se incumplían las normas de higiene. ITRex construyó un ecosistema de IoT, que incluía una pulsera inteligente, una aplicación de software para la gestión de datos, análisis de datos y una herramienta de visualización. Los resultados de la implantación de esta solución en los hospitales fueron sorprendentes. Las clínicas fueron testigos de un aumento del 70% en el cumplimiento de la higiene de manos a lo largo de la primera semana, la duración del lavado de manos se ha duplicado, mientras que el uso de desinfectantes se ha triplicado.

2. Mejorar la salud de la población

La investigación de la salud de la población ayuda a las clínicas médicas a comprender las vulnerabilidades de cohortes específicas de pacientes y a abordar los problemas antes de que se agraven. Un ejemplo de esta aplicación del big data en la sanidad es el desarrollo de modelos que predigan el riesgo de caídas de los ancianos en el grupo de edad de 75 a 85 años. Para una predicción precisa, es necesario combinar datos de diversas fuentes, como las HCE, para conocer su historial médico, y factores sociales para ver sus condiciones de vida. Los datos demográficos no limitan las cohortes de población. También pueden formarse a partir de condiciones médicas compartidas, estilo de vida, riesgos, etc. SCIO Health, con sede en Connecticut, ofrece soluciones analíticas a escala mundial. Su tecnología utiliza big data para identificar las lagunas asistenciales que provocan un aumento de los costes y malos resultados para los pacientes. Al ver estas lagunas, los médicos pueden dirigirse preventivamente a los pacientes de riesgo y evitar su hospitalización. Otro ejemplo es el de Linguamatics, con sede en Massachusetts, que utiliza el análisis predictivo y el procesamiento del lenguaje natural para interpretar datos sanitarios no estructurados e identificar los factores del estilo de vida que pueden provocar complicaciones de salud en el futuro. Además, los investigadores médicos pueden utilizar la modelización predictiva para analizar los brotes de enfermedades. Esto da la oportunidad de desarrollar vacunas específicas con mayor rapidez y prevenir una crisis sanitaria. Por el momento, el big data tiene el potencial de predecir los focos de COVID-19 ya que los algoritmos pueden analizar el historial médico y rastrear los contactos de los pacientes infectados.

4. Contribuir al tratamiento del cáncer

La analítica de big data beneficia a la investigación sobre el cáncer, ya que los científicos necesitan revisar enormes cantidades de datos para desvelar los remedios con mayor índice de éxito. Examinan muestras de tumores procedentes de biobancos y las relacionan con los historiales médicos de los pacientes para descubrir cómo interactúan las proteínas del cáncer con los distintos tratamientos. Este examen de big data puede arrojar resultados inesperados. Uno de estos estudios descubrió que la desipramina, un antidepresivo, puede ayudar a curar ciertos tipos de cáncer de pulmón. Sin embargo, este tipo de análisis de big data requiere una amplia base de datos sobre el cáncer que integre información de hospitales, universidades médicas y otras organizaciones relevantes. Flatiron Health, con sede en Nueva York, ha desarrollado una solución que conecta a los diferentes actores de este campo, desde los oncólogos hasta los académicos, y les permite aprender unos de otros. La empresa ofrece acceso a miles de millones de datos de diferentes pacientes con cáncer. Analítica de big data y cáncer de mama El big data contribuye a la detección del cáncer de mama. Los modelos tradicionales de predicción del cáncer de mama sólo tienen en cuenta un conjunto limitado de factores, como los antecedentes familiares, las biopsias anteriores y la densidad mamaria. Los análisis de big data pueden dar cabida a un mayor nivel de detalle de las mamografías y los registros de las pacientes. Recientemente, investigadores del Hospital General de Massachusetts han desarrollado algoritmos de aprendizaje automático que pueden evaluar el riesgo de cáncer de mama mediante la identificación de biomarcadores de imagen en las mamografías. Esto es lo que dijo Leslie Lamb, jefa de la División de Imágenes Mamarias del hospital, sobre esta herramienta de big data: “¿Por qué deberíamos limitarnos sólo a la densidad de las mamas cuando hay datos digitales tan ricos incrustados en la mamografía de cada mujer? La mamografía de cada mujer es única, como su huella dactilar. Contiene biomarcadores de imagen que son altamente predictivos del riesgo de cáncer futuro, pero hasta que no teníamos las herramientas del aprendizaje profundo, no éramos capaces de extraer esta información para mejorar la atención al paciente.”

5. Prevenir los ciberataques y el fraude

Los proveedores de servicios sanitarios se encuentran entre las organizaciones más atacadas en lo que respecta a las brechas de ciberseguridad. Este sector representa casi cuatro de cada cinco violaciones industriales. Los costes de estas violaciones de seguridad ascendieron a 4.000 millones de dólares en 2019. Esto no es sorprendente, teniendo en cuenta el valor de los datos sanitarios personales. Un registro sanitario puede ser vendido por 250 dólares en el mercado negro, frente a los solo 5,4 dólares de la información de las tarjetas de pago. Las organizaciones sanitarias están optando por la analítica de big data en la sanidad para bloquear las amenazas a la seguridad mediante la supervisión de los cambios en el tráfico de la red o cualquier otro comportamiento relevante. La analítica predictiva en sanidad mediante big data también ayuda a prevenir el fraude en las reclamaciones de seguros, ya que utilizan una combinación de reglas, minería de datos y textos, y búsquedas en bases de datos.

7. Mitigar los riesgos de hospitalización

El big data y la analítica sanitaria pueden ayudar a rastrear los riesgos de hospitalización de los pacientes con enfermedades crónicas. Al analizar varios criterios, como la gravedad de los síntomas, la ingesta de medicamentos y la frecuencia de las visitas al médico, las clínicas pueden ofrecer una atención preventiva específica para reducir los ingresos. Al mismo tiempo, al predecir quién podría ser admitido, los hospitales pueden asignar espacio y recursos a los posibles pacientes. Durante la pandemia, los médicos están utilizando el big data en la atención sanitaria para recopilar datos de todo el país e identificar los puntos de mayor riesgo. Según Sampson David, médico de urgencias, orador inspirador y cofundador de la Fundación de los Tres Médicos, “ahora tenemos que pensar en cómo reunir y compartir datos en todo el país para saber dónde hay más necesidad. Y al saber dónde es mayor la necesidad, podemos decir que si tenemos una vacuna o un tratamiento, podemos empezar por ahí para ver qué tipo de impacto puede tener este tratamiento.”

Estado de la IA para evaluar cómo las diferentes organizaciones de todo el mundo emplean/planean utilizar la IA. Esta encuesta reveló que los costes de la IA siguen estando entre los obstáculos más destacados.

Categorías : # bigdata, # medicina, # tecnología

Deja una respuesta

Tu dirección de correo electrónico no será publicada.