Continua - Las últimas tendencias del nuevo contexto

La importancia del análisis de datos en la medicina predictiva

Escrito por Luis Andrés Torres Balcázar | Feb 1, 2022 6:21:47 PM

En la actualidad, la inteligencia artificial (IA) representa un gran aporte y una ventana de posibilidades para la salud. La razón se encuentra en los grandes volúmenes de datos que rodean al sector. Información relacionada a los datos clínicos, hospitales, enfermedades, pacientes o antecedentes, es tratada día a día en un centro de salud.

¿Qué valor aporta el análisis de datos en la medicina?

El análisis de datos brinda nuevas oportunidades de mejora en los procesos de atención médica y prevención de enfermedades. Hoy ofrecer una medicina personalizada y estudiar el comportamiento de la población es posible, siempre y cuando coloquemos el foco en el paciente y sus necesidades.

Beneficios del análisis de datos en salud

  1. Detección temprana: lograr una atención y tratamiento especializado para cada tipo de enfermedad, diagnosticada a tiempo.

  2. Medicina personalizada: encontrar patrones de comportamiento en poblaciones con necesidades y características sociosanitarias similares.

  3. Eficacia de fármacos: analizar y monitorear los efectos de un fármaco o tratamiento experimental en pacientes.

  4. HCE (historias clínicas electrónicas): contar con los datos históricos clínicos en formato digital para mejorar la atención del paciente, y a su vez empoderar al personal médico.

¿Cómo empleamos la inteligencia artificial en la medicina?

No cabe duda que la medicina y la tecnología se encuentran en el mismo camino. El informe de CB Insights confirma que el 86% de las organizaciones proveedoras de asistencia médica utilizan inteligencia artificial en sus establecimientos.

El principal objetivo de la inteligencia artificial (IA) es el procesar y analizar datos médicos ahorrando tiempo e impulsando una mejor gestión sanitaria. Su capacidad de procesamiento de datos permite llegar a dar diagnósticos más precisos y detectar patologías con un margen de error pequeño.

3 aplicaciones del IA en la medicina

    1. Análisis médicos: pruebas médicas como las resonancias o estudios genéticos pueden ser analizados y procesados a gran escala gracias a la inteligencia artificial.

    2. Diagnóstico médico: al analizar la cantidad de datos de los pacientes podemos detectar enfermedades que se desarrollan en periodo muy corto, e iniciar el tratamiento para detener su progresión.

    3. Tratamiento farmacológico: el análisis del volumen de datos brinda a los investigadores secuencias genéticas que permiten encontrar vacunas o soluciones adecuadas para combatir cada tipo de virus.

Beneficios del big data en el sector Salud

El sector salud a diario genera grandes volúmenes de información. El big data nos ayuda a procesar y estructurar fuentes de datos; permitiéndonos optimizar la atención primaria del paciente, avanzar en la investigación médica y ofrecer mejores soluciones en la prevención de enfermedades. Además, su aplicación permite a los médicos:

  • Realizar diagnósticos más precisos y seguros.
  • Fomentar el desarrollo de la medicina predictiva.
  • Descubrir nuevas oportunidades de gestión en el sector.
  • Realizar estudios de previsión sobre próximas epidemias o pandemias.
  • Mejorar en la toma de decisiones en base a la demanda de servicios en salud.

El análisis de datos en la medicina preventiva

El big data resulta en la medicina una herramienta para anticiparse a las necesidades del paciente. Gracias a ello, los centros sanitarios pueden crear sistemas inteligentes de alertas de salud, predecir gastos sanitarios, controlar epidemias, evolución de enfermedades y de pacientes crónicos.

Dentro del sector público el análisis de datos permite crear políticas preventivas específicas como:

o Probabilidad de aparición o progresión de enfermedades.
o Monitoreo de brotes epidémicos o emergencia sanitaria.
o Promoción de campañas y programas de educación en salud.

Modelo predictivo SIR

El modelo SIR es el modelo epidemiológico comúnmente empleado en Salud durante pandemias y enfermedades. Sus siglas hacen mención a la población susceptible (S), población infectada (I) y la población recuperada (R) que participan en el estudio. Este modelo matemático permite predecir el comportamiento de una enfermedad infecciosa, siendo útil para la predicción y toma de decisiones en la salud pública.

En el contexto de Covid 19, el modelo apoya a los profesionales en el análisis de la evolución de un brote o rebrote de una nueva variante. El modelo SIR está compuesto por tres fases, en donde una persona no infectada pasa a contagiarse y luego su organismo logra desarrollar anticuerpos. Cabe mencionar que cada recuperado puede repetir el proceso debido a que la inmunidad es limitada a cierto tiempo.

El rol del Machine Learning en salud

El aprendizaje automático o machine learning es una de las tecnologías revolucionarias, junto al big data y al cloud computing, que han impactado en el sector salud. Su capacidad de extraer, analizar y encontrar valor a los datos ha forzado nuevos modelos predictivos y de hallazgos de tendencias en salud.

Dentro de las aplicaciones en el sector podemos rescatar el procesamiento natural del lenguaje (PNL), el reconocimiento de imágenes y el uso del IoT (Internet of things). El machine learning es capaz de extraer el valor de los textos y un gran indicador de fiabilidad para un diagnóstico precoz.

El futuro de la analítica de datos en salud

Ante el inminente avance de la medicina el objetivo principal es mejorar la esperanza de vida. En este sentido, el principal reto que involucra el análisis de datos en los centros de salud es su adecuada aplicación. Su capacidad de recoger datos, analizarlos y facilitar decisiones rápidas de manera ineficiente.

La Organización Panamericana de la Salud (OPS) menciona que existe un gasto de por lo menos 30% dirigido al manejo de la información en cada institución médica. En Continua entendemos la oportunidad que esto supone para los profesionales de la salud o de la ciencia de datos, por lo que buscamos potenciar sus habilidades para una mejor lectura y toma de decisiones en cada caso médico.

Conoce las nuevas tecnologías para producir predicciones más precisas, confiables y en tiempo real. Visita aquí nuestro curso Análisis de Datos en Salud.

CBINSIGHTS, From Drug R&D To Diagnostics: 90 Artificial Intelligence Startups In Healthcare, 2019.
Urueña, M. Ballestero and E. Morais, "Big Data en salud digital," 2017.
OPS, Revisión de estándares de interoperabilidad para la eSalud en Latinoamerica y el Caribe, Washington: Organización Panamericana de la Salud., 2016.