Salud y tecnología: lo más destacado que se viene en 2022

Las instituciones de salud han tenido que acelerar sus procesos de transformación digital desde comienzos de la pandemia. Es un camino que no debe de abandonarse ahora

Telemedicina, monitoreo remoto, procesamiento de datos impulsado por la inteligencia artificial e investigación de vanguardia. Somos testigos de un desarrollo sin precedentes en el campo de la tecnología de la salud. La contracara, la amenaza a la privacidad de los datos de pacientes.

Las innovaciones impulsadas por los datos que se generan para los proveedores de atención médica y las empresas de tecnología de la salud son muchas, incluida la monitorización remota, las nanotecnologías y la realidad aumentada.

Sin embargo, a medida que surgen nuevas tecnologías, también aumenta la necesidad de datos limpios y de alta calidad. Esto presenta desafíos complejos para una industria caracterizada por fuertes controles de protección de datos y ataques de ciberseguridad.

"La atención médica se enfrenta a una nueva frontera de innovaciones tecnológicas que prometen enormemente ofrecer mejores resultados para los pacientes y empoderar la toma de decisiones de los proveedores de atención médica", analiza Facundo Navarro, Engagement Manager en intive, una empresa global de tecnología en rápido crecimiento y partner de marcas líderes en el mundo.

Tecnologías en foco

Las principales tendencias actuales en innovaciones de tecnología de la salud que identificó Navarro y que intive compartió con iProfesional, son las siguientes:

Nanotecnología

Los científicos están utilizando esta tecnología para mejorar los sistemas de administración de fármacos y las imágenes médicas, así como para combatir los tumores. Se prevé que el tamaño del mercado de la nanotecnología alcance casi los 291.000 millones de dólares para 2028.

Monitoreo impulsado por IoT

Los dispositivos de la Internet de las cosas (IoT, sigla en inglés) se están utilizando actualmente para la monitorización remota de pacientes, una herramienta esencial para un mundo que todavía sufre la pandemia de coronavirus.

En su estudio sobre el crecimiento de IoT, McKinsey predice que la salud humana constituirá del 10 al 14% del valor estimado de IoT para 2030. El Centro Clínico de Salud Pública de Shanghai (SPHCC) informó que utiliza tecnología IoT y sensores portátiles para monitorear la temperatura corporal de los pacientes de Covid-19, lo que reduce el riesgo de exponer a los cuidadores al virus.

Data analytics

Se estima que el volumen de datos generados anualmente por la industria de la salud crezca un 48% año tras año. El análisis de datos y la inteligencia artificial (IA) están ayudando a impulsar la administración de medicamentos, reduciendo además los tiempos de lanzamiento de medicamentos, mediante IA e inteligencia empresarial.

También se está utilizando en la medicina de precisión: Vara, la empresa de tecnología de la salud, desarrolla algoritmos para detectar el cáncer de mama, utilizando un conjunto de datos de 2,5 millones de imágenes de cáncer de mama para entrenamiento, validación y pruebas.

Realidad aumentada y realidad virtual

Ya están avanzando en el sector de la tecnología e impulsando innovaciones, en educación, visualización quirúrgica, fisioterapia, etc. Los cirujanos utilizan RA y RV para realizar procedimientos avanzados. Entrenan y crean memoria muscular sin ningún riesgo para el paciente, lo que resulta en procedimientos más rápidos y menos errores.

Desafíos acerca de datos y privacidad

La contracara de un horizonte promisorio, son los desafíos que enfrenta el sector: "Crear y aprovechar soluciones de tecnología sanitaria no es una tarea sencilla, especialmente en una industria donde la protección de datos es una prioridad absoluta y el acceso puede estar restringido", explicó Navarro.

Mover, manipular y administrar datos de salud es una tarea compleja, y sin datos precisos y administrados adecuadamente, los proveedores de soluciones de tecnología corren el riesgo de producir resultados poco confiables y crear sesgos. La captura de datos limpios, precisos, completos y formateados con precisión ha sido un desafío para muchas organizaciones.

Los conjuntos de datos de atención médica continúan siendo un objetivo principal para los piratas informáticos, por lo que es crucial que las empresas y proveedores de tecnología de la salud adopten prácticas de seguridad avanzadas para evitar fugas de datos costosas.

Mientras que el 91% de los encuestados en una encuesta reciente de KPMG predijo que la IA podría aumentar el acceso de los pacientes a la atención, el 75% cree que la IA podría amenazar la privacidad de los datos del paciente.

Para continuar impulsando los avances en big data e inteligencia artificial, y ayudar a construir las innovaciones del futuro, las instituciones de atención médica y los socios tecnológicos deben unirse para garantizar la calidad y el manejo adecuado de los datos.

Esto significa aprovechar las soluciones de gestión de datos para impulsar la calidad de los datos. También deben adoptar medidas de seguridad como protocolos de autenticación, seguridad de transmisión, controles de acceso y auditoría para garantizar la mejor seguridad de los datos.

"La atención médica está brindando una nueva frontera para las innovaciones impulsadas por datos que tienen el poder de mejorar drásticamente los resultados de salud para las personas en todo el mundo. Ante los desafíos relacionados con la gestión y los estándares adecuados de los datos, es esencial que los proveedores de atención médica y los socios tecnológicos se unan para construir un sistema que proteja y asegure los datos al tiempo que facilita más innovaciones", concluyó Navarro.

Fuente: Revista Salud Digital

Primera cirugía robótica realizada sin ayuda humana

Un robot ha desarrollado por sí mismo en un cerdo vivo una de las tareas más complejas y delicadas de la cirugía: la reconexión de dos extremos de un intestino. El éxito de la intervención es un paso significativo hacia la cirugía totalmente automatizada en humanos.

Un equipo de investigadores de la Universidad Johns Hopkins, en Estados Unidos, ha diseñado un robot autónomo de tejido inteligente capaz de realizar una cirugía laparoscópica en un cerdo sin la mano guía de un ser humano. El notable avance, que se describe en un nuevo estudio publicado en la revista Science Robotics, podría acelerar los desarrollos tecnológicos necesarios para llevar a cabo cirugías 100% automatizadas en seres humanos.

Según una nota de prensa, el robot se destacó en la sutura de dos extremos del intestino, una acción especialmente complicada dentro de una cirugía abdominal. El robot, denominado Star, efectuó el procedimiento en cuatro animales vivos, obteniendo resultados significativamente mejores que los humanos que realizaron la misma intervención quirúrgica.

Máxima precisión

Los investigadores, liderados por los científicos Axel Krieger y Hamed Saeidi, destacaron que el robot llevó adelante una anastomosis intestinal, un procedimiento para el cual es necesario alcanzar un elevado nivel de precisión, incluyendo numerosos movimientos repetitivos. En 2016, el mismo robot había logrado reparar los intestinos de un cerdo con precisión, pero requiriendo más orientación de los humanos.

Según los expertos, conectar dos extremos de un intestino en la cirugía gastrointestinal es una tarea especialmente desafiante, porque el cirujano debe suturar con máxima exactitud y consistencia. Es tan importante este paso, que un mínimo temblor en la mano o un punto mal ubicado podrían desembocar en serias complicaciones para la persona intervenida. Los especialistas incorporaron nuevas características en el robot, para optimizar la autonomía y la precisión quirúrgica.

Por ejemplo, sumaron herramientas de sutura especializadas y sistemas de imágenes de última generación, para que el robot pueda guiarse de forma independiente con visualizaciones más exactas del campo quirúrgico. Vale destacar que la cirugía realizada por Star es especialmente dificultosa para los robots, porque su imprevisibilidad los obliga a adaptarse rápidamente y superar obstáculos inesperados.

Capacidad de adaptación

Uno de los aspectos que marca la evolución del robot es un novedoso sistema de control, que puede modificar el plan quirúrgico en tiempo real, de la misma forma que lo haría un cirujano humano. En consecuencia, logra integrar la precisión robótica con la plasticidad cerebral humana. Sin dudas, este avance informático ha permitido que Star se convierta en el primer sistema robótico en planificar y ejecutar con éxito una cirugía compleja, con una intervención humana mínima.

En concreto, el robot está equipado con un sistema avanzado de visión artificial tridimensional, que incluye un endoscopio basado en luz estructural y un algoritmo de seguimiento, que trabaja a partir de aprendizaje automático, una de las variantes de la Inteligencia Artificial. Este tipo de sistemas es esencial para lograr que los robots quirúrgicos sean más inteligentes, autónomos y seguros, haciendo posible su empleo en cirugías en seres humanos. 

Por último, los científicos resaltaron que el avance en este tipo de sistemas robóticos desembocará en un enfoque quirúrgico más equitativo para la atención de los pacientes, ya que los resultados serán más predecibles y consistentes, sin estar directamente ligados a la habilidad o experiencia del cirujano que practica cada operación. 

En la actualidad, la cirugía robótica ya permite a los médicos hacer muchos tipos de procedimientos complejos con más precisión, seguridad, flexibilidad y control: sin embargo, la adopción de sistemas completamente autónomos podría iniciar un verdadero cambio de era en el campo de la salud.

Referencia

Autonomous robotic laparoscopic surgery for intestinal anastomosis. Saeidi, H., Krieger, A. et al. Science Robotics (2022). DOI:

https://doi.org/10.1126/scirobotics.abj2908 

 

Por Pablo Javier Piacente

Fuente: Levante

LA CIENCIA DE LA IMPLEMENTACIÓN: CÓMO ACHICAR LA BRECHA ENTRE LO QUE SE SABE Y LO QUE SE APLICA

 

Se ha comprobado que la medicina basada en la evidencia es muy valiosa, pero que llevar los hallazgos a la práctica lleva entre 15 y 17 años.

El estadístico, matemático y consultor William Deming (1900-1993), que difundió métodos y principios de gestión de la calidad que impulsaron la recuperación económica de Japón en la posguerra, popularizó en la década del ’50 el ciclo de mejora PDCA: planificar, hacer, medir y actuar. Un marco conceptual y modelo de proceso concebido inicialmente para la industria, pero que también puede ser aplicado para mejorar la calidad del servicio en cualquier área del sector salud. La clave es saber qué buscar, definir el problema y abordarlo de manera metodológica, involucrando al personal para poner en práctica los cambios y los ajustes sucesivos.

La ciencia de la implementación busca llevar la evidencia científica a la práctica. Geoffrey Curran, un profesor de la University of Arkansas for Medical Sciences, en Little Rock, Estados Unidos, ha planteado una manera sencilla de definir el concepto: si la intervención, práctica o innovación es “la cosa”, la investigación de efectividad examina si “la cosa” funciona; y la investigación de implementación busca determinar la mejor manera de ayudar para que la gente o los lugares hagan “la cosa”.

La ciencia de la implementación no es algo nuevo, porque la mayor parte de sus teorías tienen 30 o más años. Su conjugación con la ciencia de la mejora de la calidad aplicada a los servicios de salud es catalizadora de la reducción de esa brecha temporal que existe entre el descubrimiento de evidencia y la práctica clínica. Los hallazgos científicos pueden tardar entre 15 y 17 años en llegar al paciente como estándar de cuidado. Y se necesitan más y mejores herramientas para tratar de achicar esa brecha entre lo que se sabe que hace bien y lo que se aplica.

Hay que considerar todos aquellos aspectos que no se estudian en los ensayos clínicos. Porque no se trata solo de encontrar la mejor vacuna, quimioterapia o tratamiento antimicrobiano, sino también de motorizar la gestión del cambio de conducta para que esa intervención logre su cometido. A nivel de los profesionales y también de los pacientes. Pese a toda la información disponible, ¿por qué hay tanta gente que fuma, incurre en desequilibrios nutricionales o no usa el cinturón de seguridad?

Así, la ciencia de la implementación busca identificar el problema, entender las razones, actuar sobre las causas y hallar entre todos la solución. Aspira a lograr que acciones de mejora (desde la prevención de escaras hasta la reducción en la incidencia de infecciones nosocomiales o la adhesión a normas para la atención de COVID-19) tengan mayores resultados e impacten en una escala más amplia. Trascender las “buenas intenciones” y traducir de manera más efectiva los objetivos declamados de intervenciones de salud pública en beneficios concretos y tangibles.

Por Dra. Viviana Rodríguez, coordinadora del Departamento de Calidad, Seguridad del paciente y gestión clínica del IECS.

Ya están disponibles los videos de todas las charlas de las JIS Go Live 2021

https://www.youtube.com/channel/UC99cgikIV3BDcpiVKDs1CLg

 

Fuente:  Informática en Salud - Hospital Italiano

Manual de bioseguridad en el laboratorio 4ª edición

La primera edición del manual de bioseguridad en el laboratorio de la Organización Mundial de la Salud (OMS) se publicó en 1983. En él se alentaba a los países a aceptar y aplicar conceptos básicos de seguridad biológica y a elaborar códigos nacionales de prácticas para la manipulación segura de agentes biológicos patógenos en los laboratorios dentro de sus fronteras geográficas. Desde entonces, muchos países han utilizado las orientaciones de los expertos que figuran en el manual para elaborar esos códigos de prácticas. Las ediciones segunda y tercera del Manual de bioseguridad en el laboratorio se publicaron en 1993 y 2004 respectivamente. Con cada nueva versión, la OMS sigue proporcionando liderazgo internacional en materia de bioseguridad, abordando los problemas, las tecnologías y los retos emergentes, y proporcionando las mejores prácticas.

Las versiones anteriores del manual describían la clasificación de los agentes biológicos y de laboratorios en términos de grupos de riesgo/peligro y niveles de bioseguridad/contención. Aunque Si bien este puede ser un punto de partida lógico para la manipulación y contención de agentes biológicos, ha llevado a la idea errónea de que el grupo de riesgo de un agente biológico corresponde directamente al nivel de bioseguridad de un laboratorio. De hecho, el riesgo real de un escenario determinado está influido no sólo por el agente que se manipula, sino también por el procedimiento que se lleve a cabo y la competencia del personal del laboratorio que participa en la actividad de laboratorio.

Esta cuarta edición del manual se basa en el marco de evaluación de riesgos introducido en la tercera edición. Una evaluación exhaustiva, basada en pruebas y transparencia de los riesgos, permitiendo equilibrar las medidas de seguridad con el riesgo real de trabajar con agentes biológicos en cada caso. Esto permitirá a los países aplicar medidas de bioseguridad de laboratorio económicamente viables y sostenibles de bioseguridad en los laboratorios que sean relevantes para sus circunstancias y prioridades individuales.

Contenido del manual

·        Introducción

·        Evaluación de riesgos

·        Requisitos básicos

·        Medidas de control reforzadas

·        Medidas de contención máxima

·        Transferencia y transporte

·        Gestión del programa de bioseguridad

·        Bioseguridad en el laboratorio

·        Supervisión de la bioseguridad a nivel nacional e internacional

Para poder descargar la 4ª edición de este Manual de bioseguridad en el laboratorio de la OMS debe hacer click aquí.

Descarga del documento

Fuente: HOSPITECNIA

'Machine learning': ¿qué es y cómo funciona?

La capacidad de las máquinas para aprender está presente en muchos aspectos de la vida cotidiana. Por ello, el ‘machine learning’ está detrás de las recomendaciones de películas en plataformas digitales, del reconocimiento por voz de los asistentes virtuales o la capacidad de los coches autónomos para ver la carretera. Sin embargo, el origen de esta disciplina data de varias décadas atrás. Entonces: ¿por qué ahora es tan importante esta tecnología y qué la hace tan revolucionaria?

El ‘machine learning’ –aprendizaje automático– es una rama de la inteligencia artificial que permite que las máquinas aprendan sin ser expresamente programadas para ello. Una habilidad indispensable para hacer sistemas capaces de identificar patrones entre los datos para hacer predicciones. Esta tecnología está presente en un sinfín de aplicaciones como las recomendaciones de Netflix o Spotify, las respuestas inteligentes de Gmail o el habla de Siri y Alexa.

“En definitiva, el ‘machine learning’ es un maestro del reconocimiento de patrones, y es capaz de convertir una muestra de datos en un programa informático capaz de extraer inferencias de nuevos conjuntos de datos para los que no ha sido entrenado previamente”, explica José Luis Espinoza, científico de datos de BBVA México. Esta capacidad de aprendizaje se emplea también para la mejora de motores de búsqueda, la robótica, el diagnóstico médico o incluso la detección del fraude en el uso de tarjetas de crédito.

Aunque ahora esté de moda, gracias a su capacidad para derrotar a jugadores del Go o resolver cubos de Rubik, su origen se remonta al siglo pasado. “La estadística es sin duda la base fundamental del aprendizaje automático, que básicamente consiste en una serie de algoritmos capaces de analizar grandes cantidades de datos para deducir cuál es el resultado más óptimo para un determinado problema”, añade Espinoza.

Matemáticas antiguas, nueva computación

Hay que remontarse al siglo XIX para encontrar algunos de los hitos matemáticos que sentaron las bases de esta tecnología. El teorema de Bayes (1812) definió la probabilidad de que un evento ocurra basándose en el conocimiento de las condiciones previas que pudieran estar relacionadas con dicho evento.

Años después (en la década de 1940) otra serie de científicos sentaron las bases de la programación informática: capaz de traducir una serie de instrucciones en acciones ejecutables por un ordenador. Estos precedentes hicieron posible que en 1950 el matemático Alan Turing plantease por primera vez la pregunta de si es posible que las máquinas puedan pensar, con la que plantó la semilla de la creación de computadoras de ‘inteligencia artificial’. Computadoras capaces de replicar de forma autónoma tareas típicamente humanas, como la escritura o el reconocimiento de imágenes.

Fue un poco más adelante, entre las décadas de 1950 y 1960, cuando distintos científicos empezaron investigar cómo aplicar la biología de las redes neuronales del cerebro humano para tratar de crear las primeras máquinas inteligentes. La idea derivó en la creación de las redes neuronales artificiales, un modelo computacional inspirado en la forma en que las neuronas transmiten la información entre ellas a través de una red de nodos interconectados. Uno de los primeros experimentos en este sentido lo realizaron Marvin Minksy y Dean Edmonds, científicos del Instituto Tecnológico de Massachussets (MIT). Ambos lograron crear un programa informático capaz de aprender de la experiencia para salir de un laberinto.

"El ‘machine learning’ es un maestro del reconocimiento de patrones"

Esta fue la primera máquina capaz de aprender por sí misma a resolver una tarea sin haber sido programada para ello de forma explícita, sino que lo hacía tan solo aprendiendo a partir de los ejemplos proporcionados inicialmente. El logro significó un cambio de paradigma respecto al concepto más amplio de inteligencia artificial. “El gran hito del ‘machine learning’ es que permitió pasar de la programación mediante reglas a dejar que el modelo haga aflorar dichas reglas de manera desasistida gracias a los datos”, explica Juan Murillo, mánager de Estrategia de Datos en BBVA.

A pesar del éxito del experimento, el logro también ponía de manifiesto los límites que la tecnología tenía por entonces: la falta de disponibilidad de datos y la falta de potencia de cómputo de la época hacían que estos sistemas no tuvieran la capacidad suficiente para resolver problemas complejos. Esto derivó en la llegada del llamado ‘primer invierno de la inteligencia artificial’, una serie de décadas durante las cuales la falta de resultados y avances hizo que el mundo académico perdiera esperanza respecto a esta disciplina.

El renacer de la IA

El panorama empezó a cambiar a finales del siglo XX. Con la llegada de internet, las cantidades masivas de información disponibles para entrenar los modelos y el aumento de la potencia de cálculo de los ordenadores. “Ahora podemos hacer lo mismo que antes, pero mil millones de veces más rápido. Los algoritmos son capaces de probar 500.000 millones de veces una misma combinación de datos hasta darnos el resultado óptimo. Y lo hacen en cuestión de horas o minutos, mientras que antes harían falta semanas o meses”, asegura Espinoza.

En 1997 un célebre hito marcó el renacer del aprendizaje automático: el sistema de IBM Deep Blue, entrenado a base de ver miles de partidas exitosas de ajedrez, logró derrotar al máximo campeón mundial de este juego, Garry Kasparov. El logro fue posible gracias al ‘deep learning’ o aprendizaje profundo, una subcategoría del ‘machine learning’ descrita por primera vez en 1960, que permite que los sistemas no solo aprendan de la experiencia, sino que sean capaces de entrenarse a sí mismas para hacerlo cada vez mejor usando los datos. Esto hito fue posible entonces –y no 30 años atrás–, gracias al aumento de la disponibilidad de datos con los que entrenar el modelo: “Lo que hacía este sistema es calcular estadísticamente qué movimiento tiene más probabilidades de hacerle ganar la partida basándose en miles de ejemplos de partidas vistas previamente”, añade Espinoza.

"La diferencia con técnicas anteriores están en su capacidad para adaptarse a los cambios en los datos a medida que van entrando en el sistema"

Esta tecnología ha avanzado de forma exponencial durante los últimos 20 años, y es también la responsable de AlphaGo, el programa capaz de derrotar al juego Go a cualquier jugador humano. Y lo que es más importante: de entrenarse a base de jugar contra sí mismo constantemente para seguir mejorando.

El sistema que emplea AlphaGo para lograr esto es, en concreto, el ‘aprendizaje por refuerzo’ (o ‘reinforcement learning’) que es una de las tres grandes corrientes que se emplean en la actualidad para entrenar a estos modelos:

·        El ‘aprendizaje por refuerzo’ se produce cuando una máquina aprende por medio de prueba y error hasta alcanzar la mejor manera de completar una tarea dada. Por ejemplo, Microsoft utiliza esta técnica en entornos de juego como Minecraft para ver cómo los ‘agentes de software’ mejoran su trabajo. A través de ella el sistema aprende a modificar su conducta a base de “recompensas” para que resuelva la tarea asignada, sin programarlo específicamente para que lo realice de una forma determinada.

·        ‘Aprendizaje supervisado’, se produce cuando se entrena a las máquinas con datos etiquetados. Por ejemplo, fotos con descripciones de los elementos que aparecen en ellas. El algoritmo que utiliza la máquina es capaz de seleccionar esas etiquetas en otras bases de datos. Así, si se ha etiquetado un grupo de imágenes en las que se muestran perros, la máquina puede identificar imágenes similares.

·        Finalmente, en el caso del ‘aprendizaje no supervisado’, las máquinas no identifican patrones en bases de datos etiquetadas, sino que buscan similitudes. En este caso, los algoritmos no están programados para detectar un tipo específico de datos, como ocurría con las imágenes de perros, sino que buscan ejemplos que se parezcan y puedan agrupar. Es lo que ocurre, por ejemplo, en el caso del reconocimiento facial, en el que el algoritmo no busca unos rasgos concretos, sino una serie de patrones comunes que le ‘dicen’ que se trata del mismo rostro.

Flexibilidad, adaptación y creatividad

Lo modelos de ‘machine learning’ y en concreto el aprendizaje por refuerzo o ‘reinforcement learning’ tienen una característica que los hace especialmente útiles para el mundo empresarial. “Es su flexibilidad y su capacidad para adaptarse a los cambios en los datos a medida que van entrando en el sistema y aprender de las propias acciones del modelo. Ahí radica el aprendizaje y el dinamismo de los que carecían las técnicas previas”, añade Juan Murillo.

En el caso de AlphaGo, esto significa que la máquina se adapta en función de los movimientos del contrincante, y emplea esta información nueva para mejorar el modelo constantemente. La última versión de esta computadora, llamada AlphaGo Zero, ya es capaz de acumular miles de años de conocimiento humano en tan solo unos días funcionando. Además, “AlphaGo Zero también descubrió conocimiento nuevo, desarrollando nuevas estrategias creativas y movimientos no convencionales”, explica DeepMind, la empresa filial de Google responsable de su desarrollo, en un artículo.

Esta capacidad de adaptación y de invención sin precedentes tiene un enorme potencial de cara al futuro para mejorar disciplinas científicas tan dispares como la creación de proteínas sintéticas o el diseño de antenas más eficientes. “Las aplicaciones industriales de esta técnica incluyen optimizar, de forma continua, cualquier tipo de ‘sistema’”, explica José Antonio Rodríguez, científico de datos senior en la Factoría de IA de BBVA. También en el mundo de la banca, el aprendizaje profundo permite “crear algoritmos que pueden ajustarse a cambios en el comportamiento de los mercados y clientes, para balancear oferta y demanda, por ejemplo, ofreciendo precios personalizados”, concluye Rodríguez.

Otro ejemplo es la mejora de sistemas como los de los coches autónomos, que han dado grandes pasos en los últimos años gracias al ‘deep learning’, ya que les permite mejorar su precisión progresivamente cuanto más conduzcan y más datos puedan analizar. Las posibilidades del ‘machine learning’ son virtualmente infinitas mientras existan datos disponibles de los que aprender, y algunos investigadores están incluso poniendo a prueba los límites de lo que llamamos creatividad, empleando esta tecnología para hacer arte o escribir artículos.

Fuente: BBVA

SALUD DIGITAL EN CENTROAMÉRICA: LECCIONES APRENDIDAS DEL 2021

 

El 2021 ha sido un año complejo en términos de salud en América Latina debido a la pandemia de COVID-19, tanto por el impacto que ha tenido en los servicios de salud en la mayoría de países, los cuales se han visto colapsados ante el incremento de casos, mayormente en la tercera ola de la epidemia, y con la limitación de, en un primer momento, obtener vacunas para satisfacer la demanda de la población y, en una segunda instancia, contener y mitigar los importantes brotes de infodemia en contra de la aplicación de las mismas. 

En Centroamérica, Guatemala es el país con más casos reportados (8 en ALC1), seguido por Costa Rica (9 en ALC) y en tercer puesto Panamá (12 en ALC), siguiendo la misma tendencia de los países más afectados por la crisis sanitaria: Colapso de hospitales, insuficientes profesionales de la salud, etc. Lo anterior, sumado a la crisis económica, incremento en las tasas de violencia y la brechas de equidad cada vez más profundas, hacen de la subregión uno de los lugares más complejos a nivel mundial.

•         Transformación Digital en Salud

Tal como se ha vivido a nivel global, la pandemia de COVID-19 ha acelerado la adopción de tecnologías digitales en el sector salud con una especial intensidad al inicio de la crisis sanitaria en el 2020, y una segunda “ola” con las vacunas. Los países centroamericanos no han sido la excepción y, como ha sucedido también a nivel mundial, aquellos países que ya venían en un proceso ordenado de transformación digital (no exclusivamente en salud) a través de sólidas estrategias de gobierno digital, fortalecimiento la gobernanza necesaria y los marcos regulatorios correspondientes, han presentado mejores resultados. Hacemos un breve análisis a continuación de las lecciones aprendidas durante el 2021 en la subregión centroamericana desde una visión holística de la transformación digital en salud.

•         Gobernanza, regulación y cumplimiento.

Se han adoptado muchas estrategias digitales en salud pública, algunos programas de salud pública y en la atención en salud, pero muchas de estas intervenciones carecen aún del marco de gobernanza necesario para garantizar la normatividad, regulación y sostenibilidad necesarias para que las estrategias tengan un impacto, sean escalables (mucho se ha quedado en pilotos) y que se pueda dar el mantenimiento en el tiempo a través de la inversión nacional adecuada. Ninguno de los países centroamericanos cuenta con una estrategia de salud digital nacional vigente, lo cual es un reflejo claro de lo antes mencionado.

No obstante, podemos destacar como pasos importantes de mejora en esta materia durante el 2021, la implementación del índice global de salud digital en Costa Rica y El Salvador (pendiente de publicación) y el resto de Centroamérica con apoyo de la RECAINSA o la evaluación de madurez de los sistemas de información para la salud (IS4H) realizados por la Organización Panamericana de la Salud (OPS).

•         Datos, procesos y estándares.

Muchas de las intervenciones digitales durante la pandemia han sido sobre los mismos modelos de atención, salvo la atención de urgencias asociadas a la epidemia, por lo cual hemos visto como aplicaciones mejor o peor desarrolladas no logran calzar y son desechadas fácilmente y reemplazadas por las clásicas hojas electrónicas, tan prácticas como vulnerables. Existe una ausencia de estándares para la codificación, interoperabilidad (técnica, semántica y organizacional) e integración de los datos para toma oportuna de decisiones, y también de buenas prácticas en cuanto a privacidad y seguridad de la información de los pacientes, incluyendo aspectos de bioética no regulados. 

Aunque hay mucho trecho por recorrer en este tema, se han abiertos diálogos regionales importantes para la adopción de arquitecturas de datos mejor estructuradas, diseñadas para el intercambio de datos en salud, tanto a nivel nacional como en la subregión centroamericana. En ese sentido se ha iniciado un trabajo importante en la difusión de buenas prácticas sobre arquitectura empresarial y gestión de datos de salud, intercambio de información de salud e interoperabilidad basada en estándares.

•         Capital humano y cultura digital.

La brecha digital ha quedado evidenciada durante la adopción de soluciones de software en los trabajadores de los servicios públicos de salud, pero también en la ciudadanía en general. La pandemia ha hecho posible la adquisición de soluciones de software gracias a la movilización de recursos financieros, sin embargo, los paradigmas en los modelos de gestión y de operación dentro del sector salud no han sido transformados, al menos de una forma integral. 

Sin embargo, el hecho de que el problema sea bastante reconocido por algunos tomadores de decisiones permite augurar que en el corto plazo podremos observar mayor oferta formativa a través de universidades centroamericanas y otras organizaciones. Ejemplo de ello es la revisión curricular que está llevando a cabo la Universidad Estatal a Distancia de Costa Rica, o el  de la RECAINSA.

Intencionalmente no abordamos el tema de tecnologías digitales porque consideramos que hay demasiada dinámica en la adopción de aplicaciones en una primera instancia para la rastreo, identificación y seguimiento de casos, y en 2021 con las soluciones de software para el registro de la vacunación, incluyendo los aspectos de la cadena de abastecimiento y monitoreo de los eventos adversos, entre otros.

El 2022, a pesar de los grandes retos, promete aspectos interesantes a seguir como es la adopción regional del índice global de salud digital, la aplicación de los 8 principios rectores de la transformación digital del sector salud o la potencial creación de un capítulo centroamericano de HL7. Estén atentos, COMING SOON.

Las opiniones expresadas en los artículos son responsabilidad exclusiva del autor o los autores y no representan necesariamente la posición de la Junta Directiva y del Equipo Coordinador de la Red Centroamericana de Informática en Salud.

Este artículo ha sido publicado originalmente en la Revista Digital E-Health Reporter Latinoamérica Vol. 2 de diciembre 2021 y puede ser consultado en este vínculo.

Daniel Otzoy

Digital Transformation Specialist | Digital Health Advisor | HIMSS Future50 2021

 

Fuente: Salud Digital en Centro América