El siglo
XXI permitió superar las barreras que habían limitado la materialización de los
conceptos relacionados con la inteligencia artificial en el siglo XX, que eran
el bajo poder computacional de los ordenadores, una cantidad limitada de datos,
los lenguajes y algoritmos de programación.
La
transformación digital y la conectividad dan paso a la tercera revolución
industrial o también la llamada era de la información, donde los datos se han
convertido en una de las materias prima más valiosas en todos los ámbitos, y el
campo de la salud no es la excepción.
Pero la
idea no es solamente tener el dato, lo realmente valioso es que se puede
obtener del dato, proceso descrito en la Pirámide del Conocimiento o
la Jerarquía DIKW de la sigla en inglés Data, Information,
Knowledge and Wisdom, que muestra como se logra la progresión desde la
observación al dato, del dato a la información, de la información al
conocimiento y de esta a la sabiduría.
Entendiendo
como datos (Data) los hechos o valores crudos que se obtienen
a través de la observación o medición, que por sí solos no tienen significado
ni contexto. La siguiente capa es la información (Information), o
los datos organizados y a los que se les ha dado un contexto, una relación que
da significado. Cuando la información se analiza, se interpreta y se conecta
con otras informaciones, surge el conocimiento (Knowlege) que
implica comprender las relaciones entre diferentes piezas. Al aplicar el
conocimiento basados en la experiencia y la reflexión para tomar decisiones
informadas y considerar las consecuencias a largo plazo, llegamos a la cima de
la pirámide, la sabiduría (Wisdom).
El análisis
o procesamiento de datos en el sector sanitario se ha convertido no solo es una
herramienta poderosa, sino que en una necesidad para impulsar mejoras
significativas en la atención médica y un punto de inflexión ética.
La
diversidad de perspectivas y conocimientos que aporta cada participante es
invaluable para comprender plenamente las complejidades de los problemas de
salud y diseñar soluciones efectivas y centradas en el paciente 10.
En esta
columna, compartiremos nuestra experiencia como tanque de pensamiento en el
logro de consensos y exploraremos cómo un equipo de analítica de datos en salud
es capaz de desbloquear el potencial impulsando avances que mejoren la calidad
de vida de los individuos y las poblaciones, junto con la eficiencia de los
sistemas de atención médica.
Sin
embargo, la presencia de arquitecturas de inteligencia artificial robustas, los
adelantos en las herramientas y estrategias de entrenamiento, no debe primar
sobre, la necesidad de sistemas únicos de información interoperables.
El empleo
de la analítica en el campo de la atención médica abarca un amplio espectro de
actividades, desde la recopilación del dato en la fuente, esto incluye
registros de pacientes (datos clínicos, demográficos y sociales entre otros),
resultados de pruebas de diagnóstico e imágenes diagnósticas, hasta la
interpretación de una variedad de datos que permite tener la capacidad de
prever posibles epidemias, la prevención de enfermedades, la reducción de los
costos en salud, la evaluación de la efectividad de tratamientos, e incluso el
monitoreo en tiempo real de pacientes, con el objetivo es mejorar la calidad de
vida y garantizar una salud óptima para todas las personas1,2.
Diversos
tipos de análisis de datos se usan para mejorar la toma de decisiones y
optimizar las operaciones en el sector de la salud, como lo son:
- El análisis descriptivo, que revela
tendencias pasadas.
- El análisis de diagnóstico, que
identifica causas de problemas anteriores.
- El análisis predictivo, que pronostica
futuras tendencias médicas.
- La analítica prescriptiva, que ofrece
recomendaciones basadas en modelos.
En un mundo
donde la tecnología avanza a pasos agigantados, la inteligencia artificial (IA)
emerge como una fuerza transformadora en innumerables sectores.
En el
ámbito de la salud, su impacto es particularmente prometedor, abriendo puertas
a posibilidades antes inimaginables. Estos enfoques se combinan para formar
herramientas que impulsan mejoras significativas en la atención médica1 y
la integración de la IA en la analítica de datos en salud es un paso natural en
esta evolución.
Al combinar
la capacidad de procesamiento y análisis de datos masivos de la IA con el
conocimiento experto del personal médico, se crea un sinergismo que potencia la
toma de decisiones clínicas y administrativas que lleva a:
- El mejoramiento y optimización del
análisis clínico, permitiendo la captura e interpretación de variables que
usualmente están fuera de la perspectiva del personal médico, como los
determinantes sociales de la salud, lo que permite una visión de 360°, una
medicina más allá de los consultorios y los hospitales, llevando no solo a
una medicina de precisión sino un alto grado de personalización, con
diagnósticos más exactos, tratamientos más acordes con su genómica,
transcriptómica y exposómica, mejora la adherencia y satisfacción
del paciente.con la proyección de disminuir el impacto y el costo social y
económico del error médico no yatrogénico, sin olvidar, el deseable
desenlace de eliminar la iatrogenia. Pero lo anterior aplica a la medicina
individual, pero las intervenciones sociales, comunitarias optimizadas por
una medicina poblacional y un enfoque de salud pública potenciado por
modelos bien entrenados de inteligencia artificial nos llevan a pensar en
un horizonte sin límites.
- La analítica financiera y la analítica
operativa que usan modelos de inteligencia artificial permiten la
optimización de la eficiencia hospitalaria y los recursos
económicos, en el marco de un sistema con recursos limitados y siempre
insuficiente para cumplir los deseos de toda la población.
Sin
embargo, para navegar por este nuevo horizonte, es esencial contar con un
equipo de analítica de datos bien estructurado, que no solo comprenda la
complejidad de los datos de salud, sino que también esté equipado con las
herramientas y conocimientos necesarios para aplicar la IA de manera efectiva
en un dominio específico de la medicina 5,6,7,8.
Pero detrás
de cada avance en analítica de datos en salud, que permite desde la
personalización de tratamientos hasta la anticipación de brotes epidémicos, a
través de la capacidad de extraer insights significativos de grandes conjuntos
de datos, se encuentra un equipo experto, bien estructurado, multidisciplinar e
interdisciplinario, algunos van más allá y adoptan el concepto de
transdiciplinario, lo cual está revolucionando la forma en que abordamos los
desafíos de salud.
Para abrir
la participación de enfermeras, estudiantes de medicina y médicos en la
simbiosis con ingenieros, estadísticos y científicos de datos en el ámbito de
la salud, es fundamental fomentar un ambiente de colaboración donde todas las
voces sean valoradas y respetadas, donde se reconozca y aproveche la
experiencia práctica y clínica de los profesionales de la salud, mientras se
integran con las habilidades técnicas y analíticas de los expertos en ciencia
de datos y tecnología! espacios de comunicación abierta y donde el compartir
multidirectional de conocimientos, a través de prácticas organizadas, con
objetivos y metodologias claras como sesiones de trabajo conjunto, talleres y
proyectos colaborativos que permitan a cada grupo aportar su perspectiva única
y trabajar en conjunto para abordar desafíos complejos en la atención médica,
sean más que una práctica cotidiana, sean un hábito implícito en el DNA del
grupo.
Conformación
de Equipos en Analítica de Datos para el Sector Salud
La
estructuración de equipos en la analítica de datos en salud es crucial para
maximizar el potencial de esta disciplina. Diversos roles son esenciales para
el éxito del proyecto, incluyendo al usuario final, patrocinador, gerente de
proyecto, analista de inteligencia, administrador de bases de datos, ingeniero
de datos y científicos especializados en inteligencia artificial. Cada uno de
estos roles contribuye de manera significativa al desarrollo de soluciones
innovadoras que pueden mejorar sustancialmente la calidad de la atención médica
y la salud general de la población.
Estos
profesionales forman un equipo multidisciplinario que está equipado para
enfrentar los retos más complejos en el ámbito de la analítica de datos en
salud. Los resultados de su trabajo no solo optimizan procesos y servicios de
atención médica, sino que también promueven una toma de decisiones clínica más
informada y basada en evidencias.
Detalles de
los Roles del Equipo de Analítica de Datos
- Usuario: Actúa como el experto del
dominio, beneficiándose directamente de los resultados y evaluando su
aplicabilidad práctica. Su experiencia y retroalimentación son cruciales
para asegurar la relevancia y la practicidad de los resultados.
- Patrocinador del Proyecto: Define los
requerimientos y problemas a abordar, además de evaluar el valor de los
resultados obtenidos. Este rol es clave para garantizar que el proyecto
esté alineado con los objetivos estratégicos de la organización.
- Gerente del Proyecto: Coordina y ejecuta
el proyecto asegurando el cumplimiento de los objetivos en términos de
tiempo y calidad. Supervisa que los resultados satisfagan las expectativas
de todos los stakeholders.
- Analista de Inteligencia: Proporciona
análisis clave, identifica indicadores de desempeño y elabora informes que
permiten una comprensión profunda de los datos recopilados.
- Administrador de Bases de Datos: Asegura
la provisión, configuración y mantenimiento de las bases de datos,
garantizando su accesibilidad y seguridad.
- Ingeniero de Datos: Fundamental en la
extracción y transformación de datos, garantiza la calidad y la
disponibilidad de los datos para análisis subsiguientes.
- Científico de Datos Especializado en IA:
Aplica conocimientos avanzados en inteligencia artificial para desarrollar
modelos predictivos, sistemas de recomendación y algoritmos de aprendizaje
automático que mejoran la toma de decisiones clínicas.
- Bioeticista: La Organización Mundial de
la Salud (OMS) enfatiza la necesidad de considerar la Éticas en la
Implementación de Tecnología en Salud, enfocado en proteger los derechos
humanos. Se resalta de un miembro enfocado a la importancia de abordar
riesgos como la recopilación no ética de datos de salud y los sesgos en
algoritmos, asegurando que estas tecnologías se implementen de manera
responsable y justa
Los
miembros del equipo deben colaborar estrechamente para desarrollar modelos
predictivos y de análisis avanzado que aprovechen los datos clínicos y
operativos para predecir resultados de salud, identificar tendencias y
patrones, y optimizar la toma de decisiones clínicas y administrativas. Además,
es esencial generar un ecosistema que proporcione oportunidades de formación y
educación interdisciplinaria, para la generación de competencias nuevas, es
decir, capacidades y habilidades adicionales en áreas que promuevan un enfoque
holístico e integrado para la resolución de problemas en salud.
Autor:
Rafael Enrique Brango. MD Esp. Gerencia y Auditoria de Calidad. Miembro
Fundador AIpocrates.
