Mejores diagnósticos, alertas tempranas y mejor uso de recursos gracias a la ciencia de datos

Tal como lo resalta el profesor asociado de la Facultad de Economía de la Universidad de los Andes, Ignacio Sarmiento Barbieri la disponibilidad de registros médicos electrónicos ha permitido a los sistemas de salud aprovechar las herramientas de la ciencia de datos para mejorar diagnósticos, seguimiento de pacientes y optimizar la gestión hospitalaria, entre otras aplicaciones.

El uso del aprendizaje de máquinas profundo ha sido especialmente útil para asistir en el diagnóstico por imágenes. Un artículo reciente en la prestigiosa revista del Lancet muestra que la lectura de monogramas asistida por estos algoritmos es capaz de detectar 20 % más cánceres que el protocolo estandarizado que requiere la lectura de dos radiólogos humanos.

Otro ejemplo que destaca el experto en temas de ciencia de datos y aprendizaje de máquinas es el programa “Sepsis Watch”, desarrollado en la Universidad de Duke en los Estados Unidos. Este sistema, utiliza un modelo de aprendizaje profundo para ayudar a los médicos a identificar signos tempranos de sepsis, una de las principales causas de muerte en hospitales. El sistema evalúa a los pacientes de manera continua y alerta a los médicos sobre aquellos que presentan riesgo de desarrollar la condición.

Estos algoritmos especialmente entrenados para generar predicciones han sido también utilizados para monitorear la probabilidad de readmisión de pacientes. La compañía Cloudera junto a Intel utilizaron el algoritmo de aprendizaje de máquinas conocido como bosques aleatorios o random forests. Sarmiento Barbieri resalta que este tipo de algoritmos son especialmente útiles para detectar particularidades de los pacientes que para un humano sería casi imposible de realizar. Estos modelos predicen un indicador de riesgo de readmisión en los hospitales permitiendo elaborar planes de atención a medida, dependiendo el riesgo predicho del paciente.

Ignacio Sarmiento Barbieri, Ph.D. Economía, University of Illinois, Urbana-Champaign

El uso de la ciencia de datos también ha sido útil para mejorar la eficiencia en la gestión de recursos hospitalarios, como la asignación de personal y la disponibilidad de camas. Por ejemplo, la Universidad de Emory en Estados Unidos cuenta con un equipo conocido como el RADS2, que es el equipo de analítica, ciencia de datos y decisión en tiempo real que une a médicos, investigadores y administradores para utilizar el análisis predictivo optimizando la planificación, el flujo de servicios de emergencia, la demanda de pruebas de laboratorio, y mejorando la eficiencia operativa de los servicios de salud.

De acuerdo con el experto de la Universidad de los Andes, estas ventajas también vienen acompañadas de desafíos. La naturaleza de caja negra de estos algoritmos a veces dificulta la comprensión de cómo se obtienen los resultados. Esto puede llevar a desafíos en la validación clínica, la confianza de los profesionales de la salud en las recomendaciones del algoritmo y en la comunicación efectiva de estas decisiones a los pacientes.

Por ejemplo, en el caso de “Sepsis Watch”, el sistema enfrentó la resistencia de algunos médicos dada la dificultad de explicar cómo se generaban las alertas del algoritmo. Sin embargo, aquí fue crucial el rol de enfermeras, ajustando los flujos de trabajo y mejorando la comunicación entre el personal médico. Este caso resalta la importancia del trabajo humano en la implementación exitosa de tecnologías disruptivas como el aprendizaje de máquinas en entornos clínicos, concluye Sarmiento Barbieri.

* Artículo publicado en la versión impresa de la revista La Nota Económica de febrero de 2024

https://ignaciomsarmiento.github.io/