Del análisis de datos, la inteligencia artificial y la ciencia de datos a la estrategia empresarial en salud

Luis Eduardo Pino Villarreal MD, MsC, MBA. Miembro Fundador de Aipocrates.

Los médicos han sido apáticos ante la planificación estratégica y financiera y suelen delegar estas responsabilidades y desentenderse, aferrándose al principio de “yo salvo vidas”, sin embargo, el entender las dinámicas propias de la sociedad, los sistemas de salud y la optimización de los recursos humanos y económicos, le permitirá al personal de la salud salvar mucho más que una vida.

He recopilado algunas ideas y comentarios personales derivados de mi experiencia en el sector salud y las recomendaciones generadas por siete expertos en análisis de datos y operaciones empresariales de la escuela de negocios Sloan del MIT, para que las empresas puedan construir un proceso práctico y efectivo de analítica de datos. (1)

1        El manejo de los datos

Dentro del análisis del MIT, el primer concepto que exponen es el uso de los datos y mencionan que los mayores errores que las empresas cometen en este campo son:

• “Tienden a recopilar datos por el simple hecho de tener datos”. (2)
• “Desarrollan los análisis por el simple hecho de tener análisis, es decir sin pensar en cómo van a utilizar los datos, ni en las capacidades de análisis para informar y sustentar las decisiones de negocio”. (2)
• “En cuanto al análisis, se observa la desconexión entre la tecnología y las decisiones de negocio reales”. (2)

Las organizaciones de análisis exitosas, toman las decisiones no basadas en los datos, sino en la información y conocimiento técnico derivado de su análisis. Aplican el siguiente proceso:

• “Comienzan preguntándose qué decisiones de negocio necesitan datos y análisis”. (1, 2)
• “Luego invierten recursos para recopilar los datos adecuados y construir los parámetros de análisis adecuados”. (1, 2)
• “Las decisiones están basadas en indicadores con un sentido KPO (Key Performance Objectives) y en KPI (Key Performance Indicators)”. (1, 2)

El sector salud en Colombia no ha evolucionado más allá de un conjunto de datos capturados sin un sentido claro, a veces por obligación, almacenados en silos o islas en varios repositorios como MIPRES, cuenta de alta costo y  las diferentes secciones del Ministerio de Salud, desarticulados, en ocasiones redundantes pero en diferentes formatos como hojas de Excel, XML, u otras formas no interoperables, que terminan sepultados o diluidos, sin lograr convertirse en insumos para las decisiones empresariales (1).

Son pocos los hospitales y aseguradores que realmente han podido utilizar su estructura analítica como fuente generadora de mejores decisiones (1).

El problema es la necesidad de decidir sobre “el debe ser” más que el modelo de analítica que se necesite realizar, sin mencionar la escasa inversión, a pesar del  esnobismo que existe hoy respecto al desarrollo de modelos predictivos que no necesariamente cobran sentido. (1)

2         El Talento Humano

Otro aspecto en el que la escuela de negocios Sloan del MIT hizo énfasis fue en la redefinición del talento humano, por ejemplo en salud hay una necesidad de: eliminar “la guerra” entre administrativos y asistenciales, es necesario un proceso comunicativo fluido, formación de equipos exponenciales, “que los miembros de la organización comprendan las necesidades empresariales, como utilizar los análisis para satisfacer las necesidades y al mismo tiempo hablen tanto el lenguaje de análisis como el de los negocios, para que puedan comunicar la solución tecnológica a los tomadores de decisiones de negocio de una manera comprensible e intuitiva, en lugar de entregar una «solución de caja negra» que difícilmente es adoptada por los humanos” (2)

Un buen científico de datos lo es particularmente por dos elementos que le hacen diferente: el conocimiento de dominio y la capacidad de entender el negocio y la estrategia. En el área de la implementación de las soluciones de inteligencia artificial en salud, no basta con tener personal entrenado en lenguajes de programación, preprocesamiento y modelación, el aporte diferencial de estos profesionales se encuentra en ser el puente entre lo que dicen los datos  y lo que la empresa necesita. (1)

Infortunadamente en nuestras empresas los departamentos de tecnologías e información solo se encuentran dedicados a resolver peticiones de la operación diaria y no están diseñados para la generación, validación e implementación de este fin. 

3        Lenguaje organizacional

Un punto a resaltar antes de pensar en el cambio que genera la transformación digital en la toma de decisiones, es el rediseño de la arquitectura de la organización, tanto en los organigramas como en la cultura organizacional, con énfasis en los procesos comunicativos, tal es así que recomiendan:

“Las organizaciones deben entender e interpretar de manera adecuada el entorno en el cual se desempeñan, mercado, comprender profundamente sus procesos de toma de decisiones existentes y los datos que generan, no solo desde una perspectiva técnica”. (2)

Enfocar como un desafío organizacional de extremo a extremo el desarrollar un nuevo lenguaje organizacional basado en modelos habilitados para datos, pues las tecnologías de datos y análisis son un habilitador crítico para crear procesos y sistemas de toma de decisiones y flujo de trabajo inteligentes. (2)

“La oportunidad de diseñar procesos de toma de decisiones inteligentes y tener éxito surge de la capacidad de detectar el entorno organizacional mejor que nunca y luego desarrollar capas de modelos habilitados para datos que permitan la creación o el rediseño de procesos de toma de decisiones inteligentes e innovadores”. (2)

“Para tener éxito, es fundamental que las organizaciones comprendan y gestionen los cambios necesarios en la toma de decisión y las redefiniciones de roles de la fuerza laboral”. (2)

En el sector salud hay dos conceptos que vienen cobrando mucha fuerza, el primero es el de los modelos habilitados para datos, pero para poder evolucionar en el diseño, desarrollo e implementación debemos primero superar las fases primarias en las que nos encontramos en lo referente al gobierno, gobernanza y la fricción de los datos (1).

Otro concepto muy importante son los modelos envolventes como es la de los entornos sensibles al contexto, que involucran además tecnologías de medición de dicho contexto y alojamiento de metadatos necesarios para la evolución de las perspectivas. Un gerente de empresas de salud debe empezar a interesarse y entrenarse en estos modelos y ser un buen gobernador del dato (1).

Fuente: Juan I. Barrios.  Médico especialista en Informática médica, MSc Business Intelligence, https://aipocrates.org/2021/09/19/gestion-de-la-calidad-en-los-datos/

4         El diseño de una estrategia para construir una práctica de análisis

En el punto que denominaron la estrategia para construir una práctica de análisis, y en el que se enfocaron en la simplicidad como característica básica, recomendaron: primero identificar tres casos de uso: los que apoyan las métricas de nivel C (piense en ingresos, costos y riesgos), procesos de negocio que pueden ser apoyados por análisis y paneles de autoservicio y actividades que deben hacerse por cumplimiento. Segundo, empezar a construirlos. (2)

En la generación de la estrategias es clave hacer una taxonomía operacional de estos tres puntos clave, ya que muchas veces se destinan recursos importantes a actividades que no aportan un valor para la evolución de la empresa, esto especialmente en las actividades de cumplimento exclusivo, para esto es importante definir la medición del rendimiento (1).

Los directivos deben ser lo suficientemente valientes para tomar decisiones intuitivas generadas por las dinámicas de su sector (oportunidades), pero también lo suficientemente cautelosos para esperar mejores insights de su proceso de analítica para las operaciones críticas del negocio (1).

Las métricas de nivel C en nuestras empresas del sector salud son muy básicas, volumétricas y no persuasivas, es decir no aportan mucho a la discusión gerencial, pero lo más grave es que son los mismos gerentes quienes no se percatan de dicho inconveniente (1).

5         Construcción de un proceso analítico

La escuela de negocios Sloan, describe la construcción de un proceso analítico desde la óptica empresarial y recomiendan:

• “Las empresas que construyen un proceso analítico deben tener definiciones y prácticas consistentes” (2).
• “La base para el análisis confiable es el consenso sobre cómo se definen las métricas básicas y cómo se realizan los análisis comunes”. (2)
• “A menudo requiere descubrir qué métricas aparecerán al analizar una prueba determinada, y esto requiere que los equipos se pongan de acuerdo sobre cómo se definen las métricas específicas”. (2)
• “Una suma de beneficios al hacer que sus resultados sean estandarizados y confiables”. (2)

Las métricas son los valores numéricos que permiten evidenciar el rendimiento, KPI es la interpretación del valor medido que representa la efectividad de un proceso, evalúan un estado específico del negocio, dependen de los objetivos, sirven para dar un marco de referencia del desempeño, pero es vital definir cuáles son los datos que transformados en indicadores mejoraran el desempeño, cual es la información vital a rastrear y así evitar sobrecargas de información inútil e inaplicable; todas estas definiciones dependen de la claridad, las preguntas que necesitas resolver, los datos, información y métodos requeridos para contestar las preguntas, metodología para la medición, evaluación, interpretación y comunicación junto con los periodos de evaluación (1).

Este es un punto relacionado de alguna forma con la armonización clínica, es decir, es clave que los equipos de salud definan conjuntamente las métricas que importan y que persuaden a los grupos de trabajo para medir la coherencia de los resultados y por ende las acciones de optimización. Esto tampoco abunda en el sector, conozco unas matrices interesantes de mediciones armónicas para la gestión de decisiones en centros de cuidado clínico como el de reemplazos articulares de la Fundación Santafé de Bogotá (1).

6         La inteligencia artificial en la toma de decisiones

“La emoción y las expectativas alrededor del uso de las soluciones informáticas basadas e impulsadas en aprendizaje automático, hacen fácil olvidar que las predicciones son más útiles cuando informan la toma de decisiones. He visto organizaciones implementar modelos predictivos que no iban a informar sobre decisiones reales en absoluto” (2) Un modelo aporta valor no solo por la pregunta/necesidad que ayuda a resolver, sino por la eficacia, efectividad y eficiencia que logra, el no aportar en la toma de decisiones lo convierte en un desperdicio de recursos en términos de tiempo del talento humano e inversiones financieras.

“Pero incluso si un modelo predictivo se utiliza directamente en la toma de decisiones, mejorar las predicciones no siempre mejora las decisiones. En cambio, las nuevas capacidades analíticas son más poderosas cuando se realizan para abordar casos de uso empresariales específicos con el fin de mejorar la toma de decisiones”. (2)

La rimbombancia de algunos modelos predictivos (CART, ensambles, multistacking, etc.) a veces hacen perder la percepción de su real utilidad y su enfoque. Las capacidades de analítica avanzada solamente cobran sentido en un entorno empresarial habilitado para los datos. Conozco pocos casos en el sector colombiano que se encuentren trabajando efectivamente en ellos, posiblemente la Fundación Cardiovascular de Colombia y el Centro para el Tratamiento e Investigación en Cáncer CTIC, los cuales están construyendo un ecosistema de captura y alojamiento de bases de datos relacionales que alimenten efectivamente a su proceso estratégico y operativo.

7         ¿Que nos ofrece la inteligencia artificial en la salud?

La analítica de datos ofrece la oportunidad de evolucionar de un análisis descriptivo a un análisis predictivo y a un análisis prescriptivo a través de diversas herramientas informáticas.

Los NLP (Natural Language Processor) y los LLM (Large Language Model) permiten la extracción de información clínica y epidemiológicamente relevante (minería de datos) y el análisis del inmenso volumen de datos recopilados en los registros clínicos electrónicos como factores que permiten la agrupación fenotípica, genotípica y la integración de OMICs. (3)

Información que permitirá:

• La generación de escalas para tamizaje, probabilidades de diagnóstico, elección de mejor escenario de tratamiento (ambulatorio, urgencias, hospitalización, UCI), prevención de re-hospitalización y estancia prolongada, riesgo de no asistir a las citas de seguimiento o no adherencia a tratamiento (3).
• La información obtenida a su vez ser el insumo para la creación e implementación de modelos locales para clasificación, predicciones fundamentales para construir de soporte a la decisión clínica (3).
• Incluso la generación texto o resúmenes en un archivo plano denominado “Resumen Digital de Atención”, síntesis de la atención en salud como el mecanismo de interoperatividad planeado por Min Salud Colombia.

Las soluciones informáticas permitirán el manejo de la Big Data en salud integrando la bioestadística, la epidemiología, semiología y las clínicas-asistenciales (3), en forma de plataformas 360 grados o ecosistemas digitales que permiten la confluencia de múltiples atenciones, creando y usando datos e información relevante, que en los términos de Sun Tzu describe el principio de conócete a ti mismo, conoce tus capacidades, limitaciones, fortalezas y debilidades.

También ofrece medios de perfeccionamiento de diagnóstico a través de sistemas de expertos para la ejecución de acciones específicas, basados en reglas ajustadas a partir de los datos por aprendizaje automático, en los campos de:

Visión de computadora en término de respaldo a los radiólogos y patólogos, a través de algoritmos entrenados para clasificar imágenes como normal o anormal e identificar lesiones, aumentando el rendimiento diagnóstico de médicos en centros de atención primaria o con baja experiencia (3), asistiendo en la interpretación de electrocardiogramas y genómica (3).

La promesa de la inteligencia artificial en sistemas de aseguramiento y prestación de servicios en salud se ha enmarcado en la promesa de valor, descrita por Porter como:

1. Mejorar la experiencia.
2. Mejorar la salud poblacional.
3. Reducir costos.
4. Mejorar la calidad de vida del proveedor de cuidado de la salud.

8         Planificación de la contratación en salud

Un factor que es universal es el carácter “finito de los recursos” para la prestación de los servicios de salud, para asegurar la suficiencia se crean sistemas que organizan el acceso a dichos servicios.  Los sistemas son representados a través de modelos que cumplen las condiciones para ser considerados como un sistema adaptativo complejo.

El modelo permite conocer las variables, comportamiento e interacciones y evaluar el desempeño a través de métricas y a través de soluciones impulsadas por algoritmos de inteligencia artificial se logra analizar grandes volúmenes de información originados en el registro de las atenciones de salud y los determinantes de salud de los individuos y las comunidades, las enfermedades propias del hábitat en términos de incidencias y prevalencias, la historia y el curso natural.

El análisis descriptivo permite conocer las características de la población a través de la visualización de los datos, luego a través de la ciencia de datos y los modelos de aprendizaje de máquina se realiza análisis predictivo y prescriptivo de los datos, generando la información y el conocimiento, que a través de torres de control se visualizan para la planificación organizada de acciones, sus proyecciones en costos y tiempos; posteriormente transformadas en intervenciones para mantener el bienestar, la salud y prevenir la enfermedad y sus complicaciones, para no solo mejorar los desenlaces en salud sino la sostenibilidad de los actores principales y secundarios del sistema de salud, al generar eficiencias en el manejo de los recursos, invirtiendo en el tiempo la necesidad de gastar en los tratamientos curativos (enfermedad) vs las intervenciones preventivas, al tener estrategias eficaces y localmente específicas.

El tener el conocimiento de la población, las predicciones, la proyección de costos y tiempos permitirá elaborar un racional que permita un funcionamiento del modelo de atención con el mayor índice de costo-efectividad, la generación de índices, metas, métricas y contratos inteligentes, por lo cual, gerentes, administradores y personal sanitario asistencial deben comprometerse en lo administrativo, lo tecnológico y aportar con su conocimiento técnico para la construcción.

9         Conclusiones

Solo después de tener claro su rumbo y su estrategia se puede definir un entorno de datos con sentido, recuerde que la analítica es una técnica que permite optimizar lo que esos datos le van a entregar, pero si usted no sabe para qué, se asemeja a la parábola del diamante en el bolsillo de un ciego, éste lo confundió con una simple piedra.

Defina los problemas claramente, luego la estructura alimentadora de potenciales soluciones y el perfil del equipo que se necesita, asegúrese de incorporar expertos de dominio y de negocio a los de tecnología y analítica.

No tenga miedo a iterar varias veces y tampoco a tirar a la caneca modelos predictivos mediocres por más nombre moderno que estos tengan.

En medicina la armonización clínica y la gestión de la variabilidad es un producto de alto valor, no escatime en gastos para medirlo e intervenirlo.

10   BIBLIOGRAFÍA

1. Pino LE., Del análisis de datos a la estrategia empresarial en salud  https://consultorsalud.com/analisis-de-datos-estrategia-emp-salud/
2. Mayor T., How to build an effective analytics practice: 7 insights from MIT experts.  https://mitsloan.mit.edu/ideas-made-to-matter/how-to-build-effective-analytics-practice-7-insights-mit-experts
3. Sobradillo P., Pozo F., Agustí Á., Medicina P4: El futuro a la vuelta de la esquina. Arch. Bronconeumonía. 2011; 47(1):35-40