Ciencia de Datos en Salud

COMPONENTES, FLUJO DE TRABAJO Y VALOR AGREGADO

Es una disciplina que combina tecnologías disruptivas de análisis de datos y conocimientos de la práctica asistencial de salud para mejorar, de forma significativa, la atención sanitaria.

Su importancia radica en la capacidad para procesar gran cantidad de información de salud, de diversas fuentes y distintos tipos, para convertirlos en información relevante para una toma de decisiones informada.

Acceso a datos de salud

Existen diversas fuentes de datos de salud como bases de historias clínicas hospitalarias, registros nacionales de salud, información de encuestas de investigación, datos genómicos, cuantificaciones de dispositivos médicos y wearables, registros propios de pacientes, entre otros. El acceso a esta información debe ser autorizada explícitamente por el paciente y de acuerdo a términos legales y éticos.

Actualmente, se usan técnicas de seudonimización para el uso seguro la información de salud, conforme a estándares internacionales de salud digital.

Análisis exploratorio

El análisis exploratorio de datos de salud es un proceso permite una revisión inicial de los datos mediante estadísticas descriptivas enfocadas en la revisión, visualización y correlación de los datos para comprender mejor su contenido y forma. El objetivo final es obtener una visión clara y objetiva de la información que contiene, además, se preparan los datos para un análisis más profundo con técnicas de análisis predictivo y prescriptivo.

Herramientas de programación estadística

Lenguajes de programación como R, Python y SQL se utilizan para implementar modelos estadísticos y algoritmos de análisis de datos en salud. Estos lenguajes, en conjunto con sistemas de historia clínica electrónica, almacenamiento masivo en la nube, aumento de poder de procesamiento de grandes volúmenes de datos y desarrollo de técnicas de aprendizaje automático y aprendizaje profundo, hacen posible esta rama emergente de la ciencia médica.

Inferencia estadística

Se aplican métodos "tradicionales" de la estadística, que se han utilizado ampliamente para la investigación científica en medicina. Estos métodos implican el uso de sistemas de muestreo para hacer generalizaciones o inferencias acerca de una población. Se utilizan técnicas como la correlación, regresión, análisis de varianza, entre otras.

Algoritmos de inteligencia artificial

Existen una gran cantidad de algoritmos de inteligencia artificial y aprendizaje automático que son útiles para abordar una variedad de problemas de ciencia de datos en salud. Estos se pueden dividir en algoritmos explicativos, algoritmos de minería de patrones, aprendizaje en ensamble, agrupamiento, series temporales y similitud. Podemos destacar algunos algoritmos poderosos como el Análisis de Componentes Principales, k-vecinos más cercanos, XGBoost, Random Forest.

Técnicas de visualización de datos

Se han desarrollado conceptos y capacidades tecnológicas para la visualización de datos multidimensionales de manera efectiva. Uno de ellos es la gramática de los gráficos que habilita capacidades de gráficos de alta precisión y calidad. Esta técnica es usada en todo el proceso de ciencia de datos, desde el análisis exploratorio hasta la evaluación de modelos y algoritmos de aprendizaje automático.

Beneficios de la Ciencia de Datos en Salud

Mejoras en la eficiencia y eficacia de la atención médica: Al utilizar técnicas de minería de datos y modelos de análisis predictivo, los profesionales médicos pueden tomar decisiones informadas y rápidas basadas en datos objetivos y analíticos. Esto mejora significativamente la eficiencia en la atención médica y aumenta la eficacia en la identificación y tratamiento de enfermedades.
Identificación temprana de enfermedades: La ciencia de datos en salud también puede ayudar a identificar tempranamente factores de riesgo de enfermedades y condiciones de salud subclínicas antes de que progresen a etapas más graves. Esto se logra a través del análisis de datos médicos individuales y la identificación de patrones y tendencias en la salud.
Optimización de la gestión de la atención médica: La ciencia de datos en salud también puede ayudar a optimizar la gestión de la atención médica. Al analizar datos de administración de salud, los stakeholders pueden identificar áreas de mejora y adoptar soluciones más efectivas para mejorar la eficiencia, reducir costos y mejorar la calidad de la atención médica.

En definitiva, los pacientes pueden recibir a una atención médica más accesible y eficiente, lo que puede mejorar significativamente los resultados clínicos y la gestión de la salud en general.

Medicina de Precisión

La medicina personalizada o de precisión, es un enfoque que se basa en la utilización de datos ómicos (genómicos, proteómicos, entre otros) para desarrollar un plan de atención médica único para cada paciente. Al analizar la información genética y de salud de un paciente, los médicos podemos identificar los tratamientos más efectivos para esa persona en particular, lo que mejora la precisión y la eficacia del tratamiento. Además, la medicina personalizada puede ayudar a reducir los efectos secundarios y mejorar la calidad de vida de los pacientes en diversas situaciones y con distintos objetivos de salud.

REFERENCIAS:

Walls TA, Coria A, Forkus SR. Citizen Health Science: Foundations of a New Data Science Arena. Int J Popul Data Sci. 2019 Sep 26;4(1):1074.
Ahsan MM, Luna SA, Siddique Z. Machine-Learning-Based Disease Diagnosis: A Comprehensive Review. Healthcare (Basel). 2022 Mar 15;10(3):541.
Curioso WH. Building Capacity and Training for Digital Health: Challenges and Opportunities in Latin America. J Med Internet Res. 2019 Dec 18;21(12):e16513.

Ver proyectos