La Gestión Predictiva del Cuidado en Salud mediante Inteligencia Artificial

Autores: Andrés Rico Carrillo, Luis Eduardo Pino Villarreal.

Miembros Fundadores AIpocrates

La atención holística de una persona que busca solución a sus problemas de salud física o mental ha sido el sueño o la ilusión que se ha presentado a través de los tiempos en el ámbito de la medicina. Desde hace varias décadas se intentó la implementación de los registros electrónicos o historia clínica electrónica, como una estrategia por medio de la cual se lograrían registros completos de salud, integración entre sistemas, seguimiento de los gastos, accesibilidad a nivel nacional y la optimización del flujo en el sistema de cuidado de la salud; sin embargo, esto no se ha cumplido a cabalidad, pues se han generado diversos retos y obstáculos que no han permitido la realización de este sueño que aún se encuentra en construcción, pero cada vez más cerca con los avances sustanciales en las nuevas tecnologías, que permiten la implementación de estrategias de atención centrada en valor, en donde el concepto de predictibilidad de desenlaces clínicos, juega un papel muy relevante.

Se debe resaltar que los algoritmos de Machine Learning en los que nos centraremos en esta columna corresponden al subgrupo de la Inteligencia Artificial Estrecha, es decir enfocada a una tarea específica, el aprendizaje.  La inteligencia artificial general en la cual se engloba la inteligencia más parecida al desempeño del cerebro humano, esta fuera del análisis del presente escrito.

En términos de modalidad de aprendizaje, se recomienda el machine learning (ML) no supervisado para el hallazgo de patrones ocultos, mientras el supervisado y reforzado para la predicción; con respecto a la complejidad de la arquitectura, hay modelos que pueden usarse también en problemas de predicción y clasificación con mejor desempeño comparativo como son las redes neuronales profundas y que hacen parte del deep learning (DL).

Los algoritmos computacionales avanzados de ML han llevado las técnicas estadísticas a un siguiente nivel, permitiendo establecer relaciones no lineales entre variables, que usualmente eran descartadas por los métodos clásicos; aprovechar volúmenes de información mayores, ya no en términos de Gigabytes sino de PetaBytes o Exabytes, además de permitir el aprovechamiento de datos con diversos formatos.  Unas utilidades que nos permiten saber que ocurrió (métodos estadísticos) y con base en una gran cantidad de datos individuales, procesarlos para poder generalizarlos y aplicarlos a casos futuros.

La implementación ha cursado con una serie de problemas, a saber:

• Limitaciones en el poder computacional, capacidad de memoria RAM, la velocidad de procesamiento de las GPUs y CPUs, además de la velocidad de comunicación (ancho de banda).
• Información a procesar o Big Data.
  • Grandes Volúmenes.
  • Gran Velocidad de generación.
  • Veracidad de la información.
  • Variedad de fuentes y formatos.
• Características de los datos.
  • Fuentes diversas.
  • Datos estructurados/ no estructurados por diversidad de fuentes.
• Registros clínicos electrónicos funcionales.
  • Baja interoperabilidad.
  • Soluciones informáticas que no se acoplan de manera adecuada al flujo de trabajo clínico.
• Falta de un esquema de gobernanza de datos y fricción de estos (ver Fricción de los Datos aquí en http://www.aipocrates.org).
• Características de los repositorios de datos.
  • Arquitecturas que dificultan el almacenamiento y recuperación de los datos con diversos formatos.
• Interacción con el clínico, integración con el flujo de trabajo del médico, donde los problemas de implementación de los sistemas de información persisten siendo los mismos que los informados en la literatura en 1970.

Uno de los principales errores identificados en la implementación de los sistemas de la información en salud es el no aprender de las experiencias pasadas, causando la inmortalidad de los mismos problemas.

¿Qué es la gestión predictiva del cuidado en salud?

Una gestión avanzada del dato permite un enfoque analítico predictivo y prescriptivo de la atención en salud. Lo anterior significa que los modelos de ML y DL que constituyen a la inteligencia artificial (IA) generen la capacidad de percibir el mundo de la salud de forma diferente y a la vez comprender, actuar y aprender. Elementos como el ML ofrecen capacidades para imitar tipos humanos de comportamiento y rendimiento, con el fin de mejorar, en última instancia, la atención al paciente y los resultados. Los sistemas de IA reúnen y contraen enormes cantidades de datos en tiempo real para identificar patrones, tendencias y hacer prospectiva que escapa a los modelos tradicionales de la estadística. La información derivada de este enfoque permite automatizar y optimizar los procesos de atención de salud tanto en la prestación como en el aseguramiento.

Para las empresas que quieran moverse a una gestión inteligente del riesgo, la IA tiene múltiples posibilidades, entre otras:

• Predicción de la condición futura de los pacientes individuales según las señales de advertencia temprana. (Ver gráfica)

• Determinación de los procedimientos recomendados en la administración de operaciones mediante la comparación de datos de múltiples instalaciones.

• Recomendación de medicamentos según el tratamiento exitoso de pacientes similares, incluyendo herramientas que apoyen el proceso de gestión clínica de la decisión, desde los equipos de atención primaria a los de complementaria.

Los datos sin procesar, llamados datos crudos, guardados en el repositorio de datos, son sometidos al preprocesamiento (eliminación de ruido/sesgo, datos duplicados, manejo de datos perdidos y selección de características), mejorando la calidad del dato, allí son sometidos a un algoritmo o varios algoritmos generalmente supervisados para, con base en las características determinadas, poder predecir los desenlaces deseados y para los cuales específicamente se diseñó.

Las industrias, así como las compañías de aseguramiento y el sector financiero, tienen una amplia experiencia en los análisis de predicción para detección de fraude o planeación estratégica. En la medicina, la predicción de desenlaces clínicos se ha basado en escalas con cuyas variables tienen relaciones lineales logradas a través de métodos estadísticos como la regresión lineal, algunos ejemplos de ellos son el APACHE, SOFA, Framingham, entre otros.

Algunas aplicaciones de los modelos de predicción para el cuidado predictivo de la salud son:

Los algoritmos de ML supervisado permiten en los problemas de predicción, incluir otras variables como los factores sociales, cuyo peso específico sobre el problema central era difícil de cuantificar, sin embargo, faltan aún estudios prospectivos que permitan la validación de estos modelos al igual que su extrapolación.    

El flujo de los datos en el proceso es el siguiente:

Ante la complejidad de los datos clínicos dados por la variedad de formatos de los registros electrónicos, la variabilidad en términos de geografía y otros determinantes de salud, se ha implementado la construcción de múltiples modelos o algoritmos que procesen los datos en forma independiente, pero con una arquitectura central. Estos son los llamados modelos federados (ver ¿Datos y seguridad para todos? Una mirada hacia los datos federados, aquí en www.aipocrates.org) los que facilitan la interoperabilidad bajo esquemas de mayor seguridad y menor fricción y que a su vez disminuye los sesgos por baja representación de minorías étnicas o poblaciones con escasa representación.

Conclusión

Los sistemas de salud avanzados deben movilizarse a gestión sobre predicciones bajo estructuras guiadas por datos multifuente que puedan capturar la travesía completa de los pacientes y la cadena de valor en salud, para ello los modelos de IA pueden y deben ser el soporte analítico.

Como se ha mencionado en columnas anteriores relacionadas con el preprocesamiento de los datos, la preparación de los modelos evitando el “underfitting” y el “overfitting”, el machine learning federado y la visualización de datos, la implementación de las técnicas de ML e inclusive del DL diseñados para la predicción clínica y las técnicas de visualización de datos, todas ellas integradas, nos abren paso al concepto de gestión predictiva del cuidado en salud y con ellos al diseño e implementación de las “Torres de Control en Salud” sobre las cuales hablaremos en próximas columnas.

Lecturas Recomendadas

• KAPLAN B, HARRIS-SALAMONE B, Health IT Success and Failure: Recommendations from Literature and an AMIA Workshop, J Am Med Inform Assoc. 2009;16:291–299. DOI 10.1197/jamia.M2997.
• MacEachern S,. Forkert ND.  Machine learning for precision medicine Genome 64: 416–425 (2021) dx.doi.org/10.1139/gen-2020-0131
• Calster BV, Wynants L, Timmerman D, WSteyerberg E, Collins GS, Predictive analytics in health care: how can we know it works? Journal of the American Medical Informatics Association, 26(12), 2019, 1651–1654 doi: 10.1093/jamia/ocz130
• Lundsgaarde HP, Fischer PJ, Steele DJ. Human Problems in Computerized Medicine, Lawrence, KS: University of Kansas,1981.
• Massaro TA. Introducing physician order entry at a major Academic Medical Center. 1: Impact on organizational culture and behavior. Acad Med 1993;68(1):20 –5.
• Massaro TA. Introducing physician order entry at a major Academic Medical Center. 2: Impact on medical education. Acad Med 1993;68(1):25–30.
• Dowling AF. Do hospital staff interfere with computer system implementation? Health Care Manage Rev 1980; 5:23–32.
• Brown AD, Jones MR. Doomed to failure: Narratives of inevitability and conspiracy in a failed IS project. Organ Stud 1998;19(1):73– 88.
• Halsted R. Holman, “The Relation of the Chronic Disease Epidemic to the HealthCare Crisis” (La relación de la epidemia de enfermedades crónicas con la crisis de atención de salud), ACR Open Rheumatology, National Center for Biotechnology Information, 19 de febrero de 2020 en Análisis de la IA: Aplicaciones Reales en Salud, informe de Microsoft 2022.