En esta parte final de las tendencias HEOR 2022 – 2023 escribiremos sobre dos de las tendencias más buscadas y mencionadas en los últimos años para el sector salud, estas son Big-Data e Inteligencia Artificial, conceptos que a veces son entremezclados y confundidos. Finalmente tocaré el punto más importante en mi concepto, y ese es el involucramiento de los pacientes, ya que al final del día -aunque suene a cliché- todas las tendencias y desarrollos descritos en este documento solo cobran sentido si en realidad mejoran alguna dimensión de su travesía por el sector salud. Empecemos.
8 y 9. Big Data e Inteligencia Artificial en Salud
Las cifras sobre los datos generados en salud son monstruosas, 30% de los datos del mundo corresponden a dicho sector, con una proyección estimada de crecimiento de 6% lo cual es superior al de finanzas, manufactura y entretenimiento. Las fuentes de dichos datos son diversas, heterogéneas y lo que es peor desconectadas.
A pesar de los esfuerzos llevados a cabo en diferentes países respecto a una real interoperabilidad (en Colombia vamos en una resolución), en la práctica son pocas las instituciones o sistemas de salud que lo han logrado, esto por diversos motivos, algunos de capacidad tecnológica pero especialmente por la poco armoniosa arquitectura y la fricción de gobernanza de dichos datos.
USA y Europa han liderado iniciativas para la integración masiva de las bodegas de datos del sector y su consecuente análisis (Sentinel Initiative, OHDSI, European Health Data Space), pero como he mencionado previamente, son aún mínimos los programas en los cuales se entrega un adecuado feedback derivado de dichos análisis a los sistemas de salud y menos aún a los pacientes. La pregunta esencial no se encuentra por los lados de la interoperabilidad efectiva ya que, con la actual capacidad tecnológica y con algunas decisiones es muy posible que algunos de estos proyectos funcionen, el interrogante central se centra sobre cuál es el sentido de dichos cruces de Big-data, ¿Cuál es la estructura matricial que permitirá generar outputs enfocados a la mejora de los servicios de salud en forma masiva? La integración de la bioinformática para modelos multi-ómicos de alta predicción, la conexión del paciente con otros sectores interdependientes para el concepto de salud-bienestar como el de turismo, entretenimiento, alimentación y finanzas, el desarrollo de herramientas de soporte al razonamiento clínico para gestionar la altísima incertidumbre del conocimiento médico, la educación en salud avanzada. En mi opinión todas las anteriores, pero esto solo puede lograrse mediante una adecuada integración de la inteligencia artificial en conceptos como el de Life-Log (ver “I Have a (Digital) Dream en www.consultorsalud.com).
El párrafo anterior me enlaza entonces con la Inteligencia Artificial en salud (IA). La IA en salud existe porque nuestro sector es la perfecta definición de la complejidad y la entropía. Hemos analizado los datos en salud con métodos tradicionales de la estadística, atribuyéndole propiedades casi “mágicas” a las medidas de tendencia central, a las de dispersión y a los análisis de inferencia. Los modelos de Machine Learning (la derivada menos profunda de la IA) nos permiten navegar más profundamente hacia la búsqueda de la “verdad” en los datos, utilizando técnicas del algebra lineal y el cálculo diferencial.
Para ello podemos utilizar un aprendizaje supervisado (dependiente de datos previamente obtenidos y adecuamente procesados) mediante modelos de regresión (lineal), clasificación (árboles de decisión, regresión logística), ensamblaje (Bagging, Boosting y Random Forest) o afinamiento (regularización).
También podemos hacerlo sin “supervisión”, es decir sin datos previos (K-means, PAJ, redes bayesianas).
Y finalmente podemos ejecutarlos con una mayor complejidad, diseñando modelos de redes neuronales (retropropagación, convolucionales, de competencia) y procesadores de lenguaje natural (NPLS), para generar análisis de imágenes complejas o extractores automáticos de texto respectivamente.
Finalmente, los modelos de IA deben alojarse en desarrollos de intersección, en conjunto con la robótica, cibernética, internet de las cosas médicas y demás tecnologías exponenciales para ser el front-end, es decir, lo que llega a los usuarios.
Sin embargo, como lo he escrito aquí previamente, no es posible que una buena inteligencia artificial pueda sobreponerse a una gran ignorancia natural y por tanto estos modelos y sus acompañantes tecnológicos deban integrarse en forma secuencial, iterativa y efectiva con lo que ocurre en el mundo real, entregando feedback positivo a los pacientes, cosa que hasta el momento poco ha ocurrido. Sigue siendo esa la principal falla de la revolución 4.0 en salud.
10. Captura de los Pacientes (Engagement)
Para finalizar y enlazándolo con las 9 tendencias previas, la “voz del paciente” ha sido acallada por nosotros los clínicos y por el sector en general desde siempre. Hemos visto a los pacientes como sujetos pac-sivos de la salud, cuando para todos es claro que lo que consideramos como salud ocurre en su inmensa mayoría por fuera de las aburridas y gélidas paredes de los centros hospitalarios de cualquier nivel de complejidad.
La transición a un modelo mental expandido puede resultar “dolorosa” para los equipos de salud tradicionalmente acostumbrados a volúmenes de atención sin mediciones inteligentes.
Los modelos centrados en el paciente son en su inmensa mayoría solo una apuesta filosófica, casi mercantilista. Es hora de reorientar el centro gravitacional de la salud mediante un nuevo cálculo del momento matemático, y para ello debemos:
- a. Preguntarles a nuestros pacientes, a sus familias y a los equipos de salud en pleno cuáles son sus intereses reales al entrar en contacto con los servicios de salud,
- b. Desarrollar preguntas de investigación y por tanto diseño de protocolos conjuntos con los potenciales participantes en los mismos (suena a sacrilegio para los comités de ética en investigación y los investigadores, excúsenme),
- c. Involucrar a las personas del mundo real en las evaluaciones de tecnologías en salud (HTAs), no para cumplir el requisito de la metodología ISPOR sino como elemento fundamental de la evaluación de valor terapéutico.
Es importante entonces que los datos del mundo real y los estudios derivados de ellos no desvinculen su proceso y desenlaces de esta coalición con nuestros pacientes y nuestros equipos, so pena de seguir escribiendo artículos científicos e historias clínicas electrónicas que son registros transaccionales blindados para sus autores reales. Actuamos a veces como “plagiadores” de la vida, esa misma que nos preciamos de mantener.
También puede leer: Precios de medicamentos, disponibles en línea para los peruanos
