Las aplicaciones de Big Data en salud probablemente sean de las más importantes que existen en la actualidad y sin embargo sea aún un campo por explorar. Desde luego, no cabe duda de que el big data en el ámbito sanitario supone un gran reto para las empresas por diferentes motivos. Descúbrelos a continuación.
Posiblemente las aplicaciones en salud sean unas de las más importantes que actualmente tiene el Big Data y sea aún un campo por explorar. El ámbito sanitario supone un gran reto para estas empresas por tres motivos principales:
- Espacio por ahora no explorado y con gran potencial de negocio.
- En salud se generan gran cantidad de datos complejos de todo tipo (estructurado, semiestructurado y no estructurado) procedentes de múltiples fuentes.
- La aplicación de la Big Data a la Salud obtiene un beneficio intangible que es la mejora de la salud de los ciudadanos que no se obtiene con la aplicación de estos procesos a otros campos del conocimiento.
Aplicaciones de Big Data en salud
Existen numerosos campos sanitarios y experiencias en los que se ha demostrado que la aplicación de técnicas Big Data pueden suponer beneficios sanitarios y las podemos clasificar en:
Aplicaciones asistenciales
En la asistencia de la práctica clínica la gestión de los datos a través de técnicas de Big Data nos puede ofrecer aplicaciones tanto en salud poblaciones (salud pública) como individual.
- Poblacionales. En el año 2009 nos quedamos asombrados por una publicación en la revista Nature donde se explicaba como la empresa Google pudo predecir la incidencia de gripe de un estado de EEUU gracias a un algoritmo predictivo basado en las búsquedas de ciertos términos en su buscador y que fue una aplicación de la herramienta GoogleTrends. Pero posteriores estudios realizados por los CDC y Google vieron que a partir del año 2001 había grandes diferencias entre las previsiones de Google realizadas por Big Data y los resultaos reales de incidencia hasta que en 2014 se publicó en la revista Science una Carta al director donde se evaluaban los fallos predictivos de esta herramienta de Big Data.
- Individuales. Algoritmos predictivos asociados casos concretos pueden ser manejados a través de herramientas de Big Data como ocurre en el caso de El Instituto de Tecnología dela Universidad de Ontarioy el Hospital de Toronto utilizan algoritmos de este tipopara el análisis en tiempo real de variables de monitorización en de bebés prematuros en las salas de neonatología para poder predecir con antelación de un día aquellas condiciones que puedan ser una amenaza en la vida de los recién nacidos. Otros modelos se han desarrollado para la detección precoz de sepsis en salas de cuidados intensivos como el del Hospital de Middlesex de Reino Unido con reducción de un 21% de mortalidad o el Código Sepsis del Hospital Marina Salud de Denia donde se estima que este algoritmo salva 5 vidas al mes. Interrelacionando sistemas de Big Data con Inteligencia Artificial podremos en un futuro próximo disponer de sistemas inteligentes de ayuda al diagnóstico para el profesional sanitario donde a partir de ingentes cantidades de datos se puedan establecer correlaciones complejas que aplicadas a un caso concreto en la consulta nos sirvan como herramienta de ayuda al diagnóstico y a la decisión clínica.
Aplicaciones gestión
Al igual que en los casos descritos anteriormente para la policía cuando hablábamos de Big Data en defensa y seguridad, se pueden establecer mecanismos y algoritmos complejos para establecer la distribución de recursos en un área dependiendo de los procesos más prevalentes en el tiempo, optimizar servicios de teleasistencia o de asistencia a domicilio, gestionar las camas de hospitales, gestionar recursos en atención primaria, fomentar una planificación conjunta en el cuidado del paciente o potenciar el autocuidado.
Aplicaciones en investigación
Hoy por hoy el ensayo clínico aleatorizado (ECA) es la herramienta de investigación más adecuada para acercarnos a la realidad y responder a preguntas de investigación clínica, pero tienen límites paraabordar la ampliacasuística de pacientes en el mundo real (fuer de las condiciones ideales de estudio en un ensayo clínico) y los múltiples factores que están influyendo en las condiciones habituales de vida de los pacientes. Los sistemas de Big Data nos pueden proporcionar lo que se ha denominado el Real World Data (RWD) que es la recolección de todos los datos (variables) en condiciones reales de un paciente. Con todos estos datos se pueden hacer estudios descriptivos observacionales basado en datos reales obtenidos de la práctica clínica diaria y en las condiciones de vida diaria habitual de los ciudadanos, Estos estudios no van a sustituir a las conclusiones derivadas de los ECA, pero sí van a complementarlos con la incorporación de información de un gran número de pacientes (posiblemente cercanos a la N poblacional en algunos casos) en un entorno de vida real.
Hoy por hoy (y posiblemente esta afirmación tenga que ser modificada o matizada en breve) el Big Data no puede sustituir a los ensayos clínicos aleatorizados/metanálisis en el estudio científico sanitario de una población por varias razones:
- La metodología de los análisis de Big Data va a ser descriptiva a no ser que surjan otras metodologías de manejo de estos grandes datos.
- Si se es capaz de monitorizar a toda la población y obtener resultados en tiempo real podríamos hacer grandes descriptivos con una aproximación a modelos reales de comportamiento en salud.
A diferencia de los ECAs, los sistemas de Big Data pueden procesar datos procedentes de múltiples fuentes y orígenes en múltiples formatos.
Un problema en el papel investigador del Big Data ha sido lo que se ha denominado la “arrogancia del Big Data” que se demostró con los estudios posteriores de los CDC y Google respecto al comportamiento de la herramienta GoogleTrends aplicada a la gripe (Google Flu) donde se pudieron comprobar los errores predictivos a pesar de ingentes cantidades de datos. No solamente importa el número de datos que seamos capaces de almacenar y procesar sino también el rigor a la hora de incorporarlos, procesarlos y sacar conclusiones.
No siempre más es mejor.
También te pueden interesar nuestros artículos sobre…
- Tendencias tecnológicas en el sector salud que van a revolucionar este 2020.
- Wearables y el Internet de las cosas en salud.
