Publicado en la edición de noviembre de 2022 de Innova Digital.
“The key to good decision making is not knowledge. It is understanding. We are swimming in the former. We are desperately lacking in the latter.”
― Malcolm Gladwell, Blink: The Power of Thinking Without Thinking
Información clínica: evolución del registro
Durante la medicina hipocrática, el registro médico perseguía la recopilación cronológica de las vivencias de los pacientes con el fin de demostrar las causas naturales de la enfermedad y el curso clínico de la misma a partir de los síntomas. En ese sentido, la atención médica ha sido influenciada en gran medida por la anatomía basada en órganos.
La clasificación de las especialidades médicas, de las enfermedades, así como en las estructuras orgánicas de la mayoría de los hospitales siguió este modelo, y por este motivo, durante mucho tiempo, la medicina trató con datos fragmentados.1
A medida que se empezaron a incorporar tecnologías para mejorar la habilidad diagnóstica, el enfoque pasó a centrarse más en las observaciones del médico, así como en los resultados obtenidos de los estudios complementarios. De esta manera, se comenzó a almacenar la información de los pacientes de forma individualizada para cada uno, dando origen a la historia clínica centrada en el paciente. Progresivamente, la información fue organizándose conforme fueron variando las necesidades, de diferentes maneras. Por ejemplo, por ámbito de atención, orientada a problemas o especialidades médicas, etc.2
En la actualidad, los recientes desarrollos tecnológicos, científicos y sociales van contribuyendo a cambiar este paradigma.3 En primer lugar, a partir del advenimiento de tecnologías revolucionarias de generación de datos de alta resolución y alto rendimiento, que permiten la conformación rentable de enormes conjuntos de datos (a menudo denominados “big data”.4 A su vez, el desarrollo continuo de algoritmos y metodologías de análisis da como resultado instalaciones de alta velocidad y alta capacidad de procesamiento de datos. Por su parte, los pacientes manifiestan una voluntad creciente de participar en la gestión de su propia salud, empoderándose de sus registros e información médica con la proliferación de los dispositivos electrónicos y las redes sociales, generando y consumiendo datos cotidianamente.5
Datos, información, conocimiento
Para obtener valor de esta gran cantidad de datos, que ya están disponibles, es necesario, además, poder extraer información para generar conocimiento. Esto implica la realización de análisis multidimensionales cada vez más complejos y sofisticados para convertir estos conjuntos de datos heterogéneos en información clínicamente útil.6
Entonces, cuando hablamos de datos, información y conocimiento, estamos hablando de una especie de pirámide. Los datos son la base de todo. No se puede escalar a niveles más altos sin esa base sólida. Constituyen la unidad de análisis básica, conformando valores cuantitativos o cualitativos de las variables. La información es la recopilación, agregación, análisis y presentación de datos que permiten su comprensión. Otorga contexto respondiendo a las preguntas quién, qué, dónde y cuándo. El conocimiento implica la puesta a prueba de la información con evidencia. Al poner a prueba una hipótesis, la información que se utiliza para respaldarla o refutarla, constituye la evidencia a partir de la cual se obtiene ese conocimiento respondiendo a las preguntas por qué y cómo.
De esto se ocupa el Análisis de datos: de analizar datos crudos que luego puedan procesarse para producir información significativa sobre la que basar decisiones efectivas. Dentro de la disciplina, existen varias ramas que se ocupan de responder las distintas preguntas que nos hacemos sobre el análisis de una situación en cuestión, como el análisis descriptivo, el análisis diagnóstico, el análisis predictivo y el análisis prescriptivo, que en ocasiones pueden convivir o concatenarse.
El análisis descriptivo proporciona resúmenes simples sobre las observaciones. Se ocupa de los datos históricos identificando patrones y responde a preguntas como “¿qué pasó?” mediante técnicas de extracción y agregación de datos. En tanto, el análisis diagnóstico, que también se enfoca en el pasado —buscando causa y efecto para ilustrar por qué sucedió algo— permite identificar valores atípicos (outliers), aislar patrones, y descubrir relaciones. Por su lado, el análisis predictivo utiliza los hallazgos del análisis descriptivo y de diagnóstico para detectar patrones y excepciones y para predecir futuras tendencias que respondan “¿qué es probable que suceda?”. Comprende una variedad de técnicas estadísticas, aprendizaje automático, minería de datos, modelado e inteligencia artificial, para analizar hechos actuales e históricos y hacer predicciones sobre eventos futuros o desconocidos. Finalmente está el análisis prescriptivo, que literalmente prescribe qué acción ejecutar para eliminar un problema futuro o aprovechar al máximo una tendencia prometedora. Este tipo de análisis de datos de última generación requiere no solo datos internos históricos sino también información externa.
Integrando los datos
Los datos provienen de múltiples fuentes y en tipos y formatos diversos, y deben poder integrarse entre sí. Como expusimos previamente, los registros médicos siguen siendo extremadamente heterogéneos, y la integración de datos en una Historia Clínica Electrónica (HCE) puede ser desalentadora, ya que no siempre están interconectadas ni son compatibles entre sí o interoperables.
La entrada de datos médicos, la gestión de bases de datos y otros procesos relacionados, pueden variar tanto de un proveedor a otro como de un hospital a otro. De esta manera se fragmenta la información, creando lo que se conoce como “silos”. Además, el almacenamiento y el análisis de grandes conjuntos de datos no se logran fácilmente con las HCE actuales, lo que da como resultado una tendencia creciente a utilizar almacenes de datos auxiliares.
El valor de los datos
El uso racional de los recursos es primordial para mantener la calidad de la atención sanitaria, ya que hablamos de un sector con un uso intensivo de los mismos. Por este motivo, el esfuerzo por minimizar el derroche debe ubicarse entre las prioridades, ya que impacta de forma directa en el acceso a la atención médica de toda la población. En ese sentido, trabajar por reducir el desperdicio en salud se vuelve una urgencia.
El desperdicio puede ser agrupado en dos grandes conjuntos de ineficiencias: clínicas y operativas. Una campaña de medicina preventiva que se destinó a una población incorrecta, un estudio de imágenes que tiene que ser repetido o un tratamiento que necesita modificarse porque no fue efectivo, son ejemplos de lo que se denomina desperdicio clínico. Es decir, aquellas problemáticas que generan gastos extraordinarios asociadas al acto médico.
Por su parte, el desperdicio operacional se relaciona con las fricciones y las ineficiencias en la cadena de valor que rodea y soporta al acto clínico. Son los atrasos, los tiempos de espera, las cancelaciones, el ausentismo, la subexplotación de los activos (equipos, las tecnologías en general, la infraestructura, etc.), o una distribución ineficiente de los recursos, que al mismo tiempo se traduce en una carga de trabajo para el profesional médico, en tanto tiene que dedicar esfuerzos a arreglar, sobre la marcha, cuestiones administrativas y de agenda. Según un reporte realizado por McKinsey, un profesional puede llegar a destinar hasta el 70% de su tiempo en este tipo de tareas.7
Optimizando procesos de salud con tecnología
La inteligencia artificial, el machine learning y la analítica de datos, vienen contribuyendo al conocimiento clínico hace tiempo. Por ejemplo, en su aplicación en el área de Diagnóstico por Imágenes, la incorporación de algoritmos que ayudan a recorrer las imágenes generadas por los equipos de diagnóstico para terminar aportando recomendaciones o sugerencias diagnósticas a los profesionales acortan la distancia entre los datos y las acciones para facilitar la toma de decisiones (Valquiria, Entelai PIC).
De esta manera, se produce un análisis de imágenes médicas aportando un valor agregado para todos los actores del sistema de salud. Se alcanzan diagnósticos de manera más rápida; se posibilita la priorización y derivación de estudios que requieren especial atención así como la anticipación a la toma de decisiones en estudios relevantes; se brinda un soporte a los especialistas en imágenes para detección en mediciones complejas, por mencionar algunos de los beneficios observados en la práctica. Todo esto contribuye a disminuir el desperdicio clínico mencionado anteriormente.
IA para disminuir el desperdicio operativo
En cuanto al desperdicio operacional, estas herramientas de inteligencia artificial tienen la capacidad de devolver tiempo de calidad a los profesionales de la salud en el día a día, ayudando en la gestión y optimización de recursos.
Tomemos el caso de una enfermera jefa de quirófano, que cada lunes tiene que ingresar varias horas antes de su turno para asignar, combinando manualmente varias planillas y registros, el personal de instrumentación a cada uno de sus quirófanos y procedimientos. Este trabajo puede optimizarse y automatizarse con un software cuyos algoritmos consideran múltiples variables vinculadas a la oferta y expertise de los recursos humanos, y los ajusta a los procedimientos programados teniendo en cuenta la predicción de su duración y complejidad. Con este caso real ejemplificamos una de las miles de historias individuales donde la tecnología puede tener un impacto positivo concreto.
Esto ilustra de qué manera el personal de salud puede liberar su tiempo de las tareas administrativas —que, como dijimos, puede alcanzar a ocupar hasta un 70% — y, de esta manera, contribuir a un aprovechamiento mejor de su atención, e incluso a reducir el estrés que demanda organizar una institución de salud. El impacto alcanza también a los pacientes, ya que agiliza los procesos sanitarios, mejora el manejo de las agendas y acorta los tiempos de espera para los procedimientos o consultas.
Así como se ha dicho que la IA no reemplazará a los profesionales, mientras que los profesionales que la utilicen reemplazarán a los que no lo hagan, también se ha dicho que no utilizar inteligencia artificial en salud será considerado una mala praxis en los próximos años. Esta búsqueda de la eficiencia es especialmente urgente si hablamos de los sistemas de salud latinoamericanos y sus limitaciones presupuestarias para dotar de personal, medios tecnológicos y de infraestructura a la red institucional.8 Así, optimizar los procesos en economías con una mayor inestabilidad y menor cantidad de recursos no constituye una alternativa, sino una necesidad. En el mismo sentido, vale subrayar que alcanzar mejores niveles de eficiencia impacta de forma directa en la accesibilidad al sistema de salud: si los recursos se gestionan mejor y se reduce el desperdicio, más personas pueden acceder a los servicios de atención sanitaria.
Potenciar las operaciones de los hospitales a través de los datos: un caso de innovación
Un ejemplo de aplicación práctica de estas herramientas en la región, se puede encontrar en el trabajo de Wúru, la startup argentina que potencia las operaciones de los hospitales a partir de la explotación de datos.
Comenzó ofreciendo a las instituciones de salud una plataforma de análisis descriptivo, poniendo a disposición un set de visualizaciones de indicadores que facilita el entendimiento de la utilización de los recursos. Teniendo un estado de situación, hizo posible realizar un análisis diagnóstico, identificando posibles causas de sub o sobreutilización de los recursos. A partir de esto, y motivados por las necesidades de las instituciones, la plataforma comenzó a desarrollar también un análisis prescriptivo que funciona de manera complementaria. Así, además de ofrecer indicadores que permiten entender el funcionamiento de las instituciones y algunos rasgos de la utilización de recursos, se comenzaron a identificar patrones y tendencias que resultan útiles para producir conocimiento prescriptivo, anticiparse a diferentes escenarios y ofrecer herramientas accionables para acompañar a los profesionales a recorrer la distancia entre la evidencia y la toma de decisiones.
Utilizando la función de agendamiento inteligente de esta plataforma se puede estimar de forma precisa la duración de estudios y procedimientos, anticipar cancelaciones y atrasos, maximizar la utilización de los quirófanos y equipos. Con la funcionalidad de Staffing, se distribuye el staff y los turnos del personal en función de la predicción de la demanda de manera óptima, mientras que con la de costos, se analiza toda la cadena de suministros de materiales y medicamentos para las cirugías, identificando outliers y reduciendo la variabilidad injustificada en los mismos.
Los prestadores que han potenciado la operación de sus principales áreas de atención (como los quirófanos), han logrado, en su primer semestre, incrementos de hasta un 30% en el rendimiento, con la misma cantidad de recursos. El impacto se vio directamente en las listas de espera, en las finanzas de la organización y especialmente en una mejor experiencia para pacientes y profesionales, producto de un flujo eficiente y un balance correcto de recursos.
Desafíos actuales para utilizar herramientas de big data para la salud:
En este contexto, surgen una gran cantidad de oportunidades para utilizar herramientas de analítica de datos e inteligencia artificial que a su vez presentan sus propios desafíos.
Por un lado, están los retos vinculados a cuestiones de habilidades y competencias. En línea con las directrices que la OMS trazó en 2019 sobre intervenciones en salud digital, las instituciones médicas deberían generar un marco adecuado para velar por el rigor del trabajo con los datos, así como capacitar a los profesionales para recolectar, procesar o extraer información de los mismos. Vinculado a este punto aparece el desafío de garantizar la validez de la fuente, tanto como hacer partícipes a los pacientes en la carga de esos datos.
El segundo tipo de retos que surge a partir de estas oportunidades está vinculado a aspectos sociales, a la contemplación de los diferentes contextos en los que se desempeña el trabajo de un profesional médico y a las cuestiones éticas relacionadas con el manejo de los datos. En cuanto a las preocupaciones regulatorias, políticas y legales cabe destacar que hay aspectos de la seguridad de los datos —como problemas de privacidad, falta de transparencia, integridad y estructura de datos inherente— que no pueden dejar de estar presentes en este proceso de transformación. En la misma línea, garantizar un marco de políticas de gobernanza de datos eficiente puede brindar herramientas sólidas en salud que impacten de forma positiva en toda la población.10-12
Finalmente, a un nivel macro, existe un interés por estandarizar la data y lograr cumplir con la interoperabilidad. Estas preocupaciones representan algunos de los desafíos a los que se enfrentan los sistemas de salud de todo el mundo.
Perspectivas y oportunidades futuras
El escenario actual puede definirse como uno de plena transformación. En el plano macro, se trata de un cambio de paradigma de un modelo de toma de decisiones basado en reglas a uno basado en datos. Es un cambio que propone dejar de pensar los próximos pasos en base a parámetros institucionales tradicionales y comenzar a pensarlos en función de aquello que demanda el entorno. Esta transformación impacta no solo en el funcionamiento de los prestadores, sino también en su cultura y en el servicio que ofrecen: mejorar el proceso de toma de decisiones con análisis en tiempo real permite centrarse en el paciente, potenciar la medicina personalizada y simplificar la rutina del personal médico.
De esta manera, los hospitales tienen dos grandes oportunidades. Por un lado, elevar sus estándares de calidad. Por el otro, optimizar recursos y reducir costos de atención médica, un aspecto que es más que un dato económico si tenemos en cuenta que esta mejora en la eficiencia puede significar ofrecer servicios que estén al alcance de más pacientes, lo que colabora a mejorar el acceso a la salud de toda la población. Hablamos de eficiencia y de cuidado de los recursos, pero también de un mayor nivel de inclusión.
Es importante destacar también que el trabajo en el registro de información de calidad ayuda en la reorganización de centros médicos frente a cambios repentinos de contexto. Este fue uno de los grandes aprendizajes de los prestadores durante la pandemia de Covid-19: si se tiene un registro preciso de recursos con los que se cuenta y una plataforma que permita su reasignación de manera inteligente, la respuesta de las instituciones podrá ser más rápida y más efectiva.
El horizonte de posibilidades que presenta el trabajo con datos en salud ofrece escenarios de mejora, pero también algunas exigencias para acompañar esa evolución. Nos referimos aquí a la necesidad de, en primera instancia, ofrecer información a los profesionales de salud que les permita comprender la importancia del registro de los datos. Este punto es clave para velar por la calidad de los datos, pero también para hacer parte al personal sanitario de este cambio de paradigma.
Finalmente, es necesario no perder de vista la necesidad de gestionar los datos con transparencia. Los beneficios de alimentar modelos de analítica de distintas fuentes son innumerables para el sistema de salud, pero esto solo podrá considerarse un avance si se da en el marco de las directrices trazadas por la OMS. Hoy, las plataformas que trabajan con datos en salud demuestran que esto es posible, ya que operan sobre la nube, respetando el modelo de responsabilidad compartida que cumple con los estándares HIPAA y el Reglamento General de Protección de Datos. Anonimizando los datos personales durante su recolección, la información sensible permanece en la red del centro médico.
Si vemos de cerca esta transformación, además del cambio en la toma de decisiones, lo que podemos encontrar también es que el trabajo con los datos está apareciendo en todas las instancias del sistema de salud. Si antes la atención estaba puesta en la instancia de registro de los datos, en los últimos años fue adquiriendo importancia su presencia en las diferentes etapas y es una tendencia que se profundizará en lo sucesivo. De lo descriptivo a lo prescriptivo dentro de cada una de las instituciones y luego entre diferentes prestadores. Así, los datos pasarán a ser cada vez menos compartimientos estancos, para convertirse en flujos de información que puedan beneficiar a todo el sistema de salud.
Médica especialista en Pediatría y maestranda en Informática en Salud.
Escribió artículos sobre Informática en Salud y su aplicación en Pediatría.
Ingeniero Industrial, realizó un MBA en MIT, y se dedicó los últimos 10 años a desarrollar una prestación de salud potenciada por la tecnología.
Co-Founder de Wúru.
Referencias
- Weisz, G., & of Social Studies of Medicine George Weisz. (2006). Divide and Conquer: A Comparative History of Medical Specialization. Oxford University Press, USA.
- [El registro médico: de Hipócrates a Internet]. (n.d.-a). Retrieved August 22, 2022, from https://www.hospitalitaliano.org.ar/multimedia/archivos/servicios_attachs/1151.pdf
- Sarata, A. K., & Johnson, J. A. (2016). The Precision Medicine Initiative.
- Stephens, Z. D., Lee, S. Y., Faghri, F., Campbell, R. H., Zhai, C., Efron, M. J., Iyer, R., Schatz, M. C., Sinha, S., & Robinson, G. E. (2015). Big Data: Astronomical or Genomical? PLoS Biology, 13(7), e1002195.
- Beckmann, J. S., & Lew, D. (2016). Reconciling evidence-based medicine and precision medicine in the era of big data: challenges and opportunities. Genome Medicine, 8(1), 134.
- Dammann, O. (2018). Data, Information, Evidence, and Knowledge:: A Proposal for Health Informatics and Data Science. Online Journal of Public Health Informatics, 10(3), e224.
- Website. (n.d.). Transforming healthcare with AI: The impact on the workforce and organizations. Disponible en: https://www.mckinsey.com/industries/healthcare-systems-and-services/our-insights/transforming-healthcare-with-ai
- [Estadísticas Sanitarias Mundiales 2020. Monitoreando la salud para los Objetivos de Desarrollo Sostenible]. (n.d.-b). Retrieved August 22, 2022, from http://apps.who.int/iris/bitstream/handle/10665/311941/9789241550505-eng.pdf
- Borges do Nascimento, I. J., Marcolino, M. S., Abdulazeem, H. M., Weerasekara, I., Azzopardi-Muscat, N., Gonçalves, M. A., & Novillo-Ortiz, D. (2021). Impact of Big Data Analytics on People’s Health: Overview of Systematic Reviews and Recommendations for Future Studies. Journal of Medical Internet Research, 23(4), e27275.
- Kharrazi, H., Lasser, E. C., Yasnoff, W. A., Loonsk, J., Advani, A., Lehmann, H. P., Chin, D. C., & Weiner, J. P. (2017). A proposed national research and development agenda for population health informatics: summary recommendations from a national expert workshop. Journal of the American Medical Informatics Association: JAMIA, 24(1), 2–12.
- Transforming Healtcare with AI: The Impact on the Workforce and Organisations. (2020).
- Comess, S., Akbay, A., Vasiliou, M., Hines, R. N., Joppa, L., Vasiliou, V., & Kleinstreuer, N. (2020). Bringing Big Data to Bear in Environmental Public Health: Challenges and Recommendations. Frontiers in artificial intelligence, 3, 31. https://doi.org/10.3389/frai.2020.00031
