La inteligencia artificial analítica, las plataformas cognoscitivas y los tableros de control ¿son el fin de la historia clínica electrónica como la conocemos? Parte 1

El siglo XXI permitió superar las barreras que habían limitado la materialización de los conceptos relacionados con la inteligencia artificial en el siglo XX, que eran el bajo poder computacional de los ordenadores, una cantidad limitada de datos, los lenguajes y algoritmos de programación.

La transformación digital y la conectividad dan paso a la tercera revolución industrial o también la llamada era de la información, donde los datos se han convertido en una de las materias prima más valiosas en todos los ámbitos, y el campo de la salud no es la excepción.

Pero la idea no es solamente tener el dato, lo realmente valioso es que se puede obtener del dato, proceso descrito en la Pirámide del Conocimiento o la Jerarquía DIKW de la sigla en inglés Data, Information, Knowledge and Wisdom, que muestra como se logra la progresión desde la observación al dato, del dato a la información, de la información al conocimiento y de esta a la sabiduría.

Entendiendo como datos (Data) los hechos o valores crudos que se obtienen a través de la observación o medición, que por sí solos no tienen significado ni contexto. La siguiente capa es la información (Information), o los datos organizados y a los que se les ha dado un contexto, una relación que da significado. Cuando la información se analiza, se interpreta y se conecta con otras informaciones, surge el conocimiento (Knowlege) que implica comprender las relaciones entre diferentes piezas. Al aplicar el conocimiento basados en la experiencia y la reflexión para tomar decisiones informadas y considerar las consecuencias a largo plazo, llegamos a la cima de la pirámide, la sabiduría (Wisdom).

El análisis o procesamiento de datos en el sector sanitario se ha convertido no solo es una herramienta poderosa, sino que en una necesidad para impulsar mejoras significativas en la atención médica y un punto de inflexión ética.

La diversidad de perspectivas y conocimientos que aporta cada participante es invaluable para comprender plenamente las complejidades de los problemas de salud y diseñar soluciones efectivas y centradas en el paciente ¹⁰.

En esta columna, compartiremos nuestra experiencia como tanque de pensamiento en el logro de consensos y exploraremos cómo un equipo de analítica de datos en salud es capaz de desbloquear el potencial impulsando avances que mejoren la calidad de vida de los individuos y las poblaciones, junto con la eficiencia de los sistemas de atención médica.

Sin embargo, la presencia de arquitecturas de inteligencia artificial robustas, los adelantos en las herramientas y estrategias de entrenamiento, no debe primar sobre, la necesidad de sistemas únicos de información interoperables.

El empleo de la analítica en el campo de la atención médica abarca un amplio espectro de actividades, desde la recopilación del dato en la fuente, esto incluye registros de pacientes (datos clínicos, demográficos y sociales entre otros), resultados de pruebas de diagnóstico e imágenes diagnósticas, hasta la interpretación de una variedad de datos que permite tener la capacidad de prever posibles epidemias, la prevención de enfermedades, la reducción de los costos en salud, la evaluación de la efectividad de tratamientos, e incluso el monitoreo en tiempo real de pacientes, con el objetivo es mejorar la calidad de vida y garantizar una salud óptima para todas las personas^1,2.

Diversos tipos de análisis de datos se usan para mejorar la toma de decisiones y optimizar las operaciones en el sector de la salud, como lo son:

• El análisis descriptivo, que revela tendencias pasadas.
• El análisis de diagnóstico, que identifica causas de problemas anteriores.
• El análisis predictivo, que pronostica futuras tendencias médicas.
• La analítica prescriptiva, que ofrece recomendaciones basadas en modelos.

En un mundo donde la tecnología avanza a pasos agigantados, la inteligencia artificial (IA) emerge como una fuerza transformadora en innumerables sectores.

En el ámbito de la salud, su impacto es particularmente prometedor, abriendo puertas a posibilidades antes inimaginables. Estos enfoques se combinan para formar herramientas que impulsan mejoras significativas en la atención médica¹ y la integración de la IA en la analítica de datos en salud es un paso natural en esta evolución.

Al combinar la capacidad de procesamiento y análisis de datos masivos de la IA con el conocimiento experto del personal médico, se crea un sinergismo que potencia la toma de decisiones clínicas y administrativas que lleva a:

• El mejoramiento y optimización del análisis clínico, permitiendo la captura e interpretación de variables que usualmente están fuera de la perspectiva del personal médico, como los determinantes sociales de la salud, lo que permite una visión de 360°, una medicina más allá de los consultorios y los hospitales, llevando no solo a una medicina de precisión sino un alto grado de personalización, con diagnósticos más exactos, tratamientos más acordes con su genómica, transcriptómica y exposómica, mejora la adherencia y  satisfacción del paciente.con la proyección de disminuir el impacto y el costo social y económico del error médico no yatrogénico, sin olvidar, el deseable desenlace de eliminar la iatrogenia. Pero lo anterior aplica a la medicina individual, pero las intervenciones sociales, comunitarias optimizadas por una medicina poblacional y un enfoque de salud pública potenciado por modelos bien entrenados de inteligencia artificial nos llevan a pensar en un horizonte sin límites.
• La analítica financiera y la analítica operativa que usan modelos de inteligencia artificial permiten la optimización de la eficiencia hospitalaria y  los recursos económicos, en el marco de un sistema con recursos limitados y siempre insuficiente para cumplir los deseos de toda la población.

Sin embargo, para navegar por este nuevo horizonte, es esencial contar con un equipo de analítica de datos bien estructurado, que no solo comprenda la complejidad de los datos de salud, sino que también esté equipado con las herramientas y conocimientos necesarios para aplicar la IA de manera efectiva en un dominio específico de la medicina ^5,6,7,8.

Pero detrás de cada avance en analítica de datos en salud, que permite desde la personalización de tratamientos hasta la anticipación de brotes epidémicos, a través de la capacidad de extraer insights significativos de grandes conjuntos de datos, se encuentra un equipo experto, bien estructurado, multidisciplinar e interdisciplinario, algunos van más allá y adoptan el concepto de transdiciplinario, lo cual está revolucionando la forma en que abordamos los desafíos de salud.

Para abrir la participación de enfermeras, estudiantes de medicina y médicos en la simbiosis con ingenieros, estadísticos y científicos de datos en el ámbito de la salud, es fundamental fomentar un ambiente de colaboración donde todas las voces sean valoradas y respetadas, donde se reconozca y aproveche la experiencia práctica y clínica de los profesionales de la salud, mientras se integran con las habilidades técnicas y analíticas de los expertos en ciencia de datos y tecnología! espacios de comunicación abierta y donde el compartir multidirectional de conocimientos, a través de prácticas organizadas, con objetivos y metodologias claras como sesiones de trabajo conjunto, talleres y proyectos colaborativos que permitan a cada grupo aportar su perspectiva única y trabajar en conjunto para abordar desafíos complejos en la atención médica, sean más que una práctica cotidiana, sean un hábito implícito en el DNA del grupo.

Conformación de Equipos en Analítica de Datos para el Sector Salud

La estructuración de equipos en la analítica de datos en salud es crucial para maximizar el potencial de esta disciplina. Diversos roles son esenciales para el éxito del proyecto, incluyendo al usuario final, patrocinador, gerente de proyecto, analista de inteligencia, administrador de bases de datos, ingeniero de datos y científicos especializados en inteligencia artificial. Cada uno de estos roles contribuye de manera significativa al desarrollo de soluciones innovadoras que pueden mejorar sustancialmente la calidad de la atención médica y la salud general de la población.

Estos profesionales forman un equipo multidisciplinario que está equipado para enfrentar los retos más complejos en el ámbito de la analítica de datos en salud. Los resultados de su trabajo no solo optimizan procesos y servicios de atención médica, sino que también promueven una toma de decisiones clínica más informada y basada en evidencias.

Detalles de los Roles del Equipo de Analítica de Datos

1. Usuario: Actúa como el experto del dominio, beneficiándose directamente de los resultados y evaluando su aplicabilidad práctica. Su experiencia y retroalimentación son cruciales para asegurar la relevancia y la practicidad de los resultados.
2. Patrocinador del Proyecto: Define los requerimientos y problemas a abordar, además de evaluar el valor de los resultados obtenidos. Este rol es clave para garantizar que el proyecto esté alineado con los objetivos estratégicos de la organización.
3. Gerente del Proyecto: Coordina y ejecuta el proyecto asegurando el cumplimiento de los objetivos en términos de tiempo y calidad. Supervisa que los resultados satisfagan las expectativas de todos los stakeholders.
4. Analista de Inteligencia: Proporciona análisis clave, identifica indicadores de desempeño y elabora informes que permiten una comprensión profunda de los datos recopilados.
5. Administrador de Bases de Datos: Asegura la provisión, configuración y mantenimiento de las bases de datos, garantizando su accesibilidad y seguridad.
6. Ingeniero de Datos: Fundamental en la extracción y transformación de datos, garantiza la calidad y la disponibilidad de los datos para análisis subsiguientes.
7. Científico de Datos Especializado en IA: Aplica conocimientos avanzados en inteligencia artificial para desarrollar modelos predictivos, sistemas de recomendación y algoritmos de aprendizaje automático que mejoran la toma de decisiones clínicas.
8. Bioeticista: La Organización Mundial de la Salud (OMS) enfatiza la necesidad de considerar la Éticas en la Implementación de Tecnología en Salud, enfocado en proteger los derechos humanos. Se resalta de un miembro enfocado a la importancia de abordar riesgos como la recopilación no ética de datos de salud y los sesgos en algoritmos, asegurando que estas tecnologías se implementen de manera responsable y justa

Los miembros del equipo deben colaborar estrechamente para desarrollar modelos predictivos y de análisis avanzado que aprovechen los datos clínicos y operativos para predecir resultados de salud, identificar tendencias y patrones, y optimizar la toma de decisiones clínicas y administrativas. Además, es esencial generar un ecosistema que proporcione oportunidades de formación y educación interdisciplinaria, para la generación de competencias nuevas, es decir, capacidades y habilidades adicionales en áreas que promuevan un enfoque holístico e integrado para la resolución de problemas en salud.

Autor: Rafael Enrique Brango. MD Esp. Gerencia y Auditoria de Calidad. Miembro Fundador AIpocrates.