¿Qué beneficios nos brinda el big data a la medicina?

Big data y medicina

Big data está revolucionando todas las industrias en el mundo haciéndolas más eficientes y productivas, y el sector de la salud no es la excepción. La combinación Big data y Medicina, mas allá de mejorar las ganancias y reducir los gastos, interviene en el cuidado de la salud, se usa para predecir epidemias, curar enfermedades, mejorar la calidad de vida y evitar muertes prevenibles.

¿Qué papel juega el Big data en la medicina?

Existen diversas fuentes de grandes volúmenes médicos, como registro de reclamos administrativos, registros clínicos, registros médicos electrónicos, datos biométricos, datos informativos del paciente, Internet, imágenes médicas, datos de biomarcadores, estudios prospectivos de cohortes y grandes ensayos clínicos.

La integración de estas fuentes de datos provoca dimensiones complementarias de datos de gran tamaño. No existe un protocolo universal para modelar, comparar o comparar el rendimiento de varias estrategias de análisis de datos.

Los big data médicos a menudo se recopilan en base a protocolos (es decir, formularios fijos) y son relativamente estructurados, en parte debido al proceso de extracción que simplifica los datos brutos.

Los macrodatos médicos pueden ser costosos debido a la participación del personal, el uso de instrumentos costosos y la posible incomodidad de los pacientes involucrados. Los big data médicos son relativamente pequeños en comparación con los datos de otras disciplinas, y pueden recopilarse de una situación no reproducible.

Big data y medicina

Los macrodatos médicos pueden verse afectados por varias fuentes de incertidumbre:

  • Errores de medición
  • Datos faltantes
  • Errores en la codificación de la información oculta en los informes textuales.

Por lo tanto, el papel del conocimiento del dominio puede ser dominante tanto en el análisis de los datos como en la interpretación de los resultados.

Implementar un proyecto de big data implica entender todos los datos acumulados en tantas variables como sea posible debido a la creciente disponibilidad y al gasto decreciente de la tecnología informática. Los macrodatos médicos son capaces de dar respuestas a preguntas centradas en la utilidad de asociaciones y correlaciones localmente estables incluso en ausencia de evidencia causal, con métodos analíticos tales como nuevas herramientas, a menudo no lineales, para el reconocimiento de patrones de la informática y otros campos, además de las herramientas estadísticas convencionales.

¿Para qué sirven el big data en la medicina?

Existe una gran necesidad apremiante de mejorar la calidad de la atención médica y los resultados de los pacientes, aumentar la disponibilidad de datos y aumentar las capacidades analíticas. Los análisis de Big Data generalmente no se centran en la inferencia causal, sino más bien en la correlación o en la identificación de patrones en medio de datos complejos

El valor potencial del big data médico se ha demostrado en:

1) La entrega de medicamentos personalizados

2) La utilización de sistemas de apoyo a la decisión clínica, como el análisis automatizado de imágenes médicas y la extracción de literatura médica

3) Adaptar las decisiones de diagnóstico y tratamiento y mensajes educativos para respaldar los comportamientos deseados de los pacientes mediante el uso de dispositivos móviles

4) Análisis de salud de la población impulsados ​​por datos que revelan patrones que podrían haberse omitido si se hubieran analizado lotes más pequeños de datos uniformemente formateados

5) detección y prevención de fraude.

Dentro de los posibles usos de la medicina Big Data se encuentran; el diagnóstico basado en mediciones de alta resolución como microarrays o secuenciación de próxima generación, el monitoreo de las características moleculares en el curso del tratamiento para su predicción y decisiones de tratamiento y el monitoreo continuo de la salud.

Áreas de aplicación del análisis de big data para mejorar el cuidado de la salud:

1) Modelado predictivo para el uso de riesgos y recursos

2) Gestión de la población

3) vigilancia de seguridad de drogas y dispositivos médicos

4) heterogeneidad de la enfermedad y el tratamiento

5) medicina de precisión y apoyo de decisión clínica

6) calidad de la atención y medición del rendimiento

7) salud pública

8) aplicaciones de investigación.

Big data y medicina

¿Cuáles son los objetivos del big data en la medicina?

Los objetivos analíticos del big data médico son la predicción, el modelado y la inferencia.

Dentro de este contexto los métodos comúnmente explotados son:

  • La clasificación: es un tipo de aprendizaje supervisado y puede considerarse como un modelo predictivo en el que el vector de salida o la variable de predicción es categórica. La clasificación significa construir una regla para asignar objetos a uno de un conjunto de clases preespecificadas (variable de predicción) basándose únicamente en un vector de medidas tomadas sobre estos objetos.
  •   La agrupación en clúster: es un aprendizaje no supervisado que se utiliza para buscar agrupaciones en los datos mediante el uso de métricas de distancia. Las técnicas de agrupamiento incluyen clustering k-means, clustering basado en componentes principales y mapas autos organizados.
  • La regresión: es un aprendizaje supervisado donde la variable de salida es continua y es una herramienta de análisis estadístico que cuantifica la relación entre una variable dependiente y una o más variables independientes para representar tendencias en los datos.

¿Cuáles son los desafíos para el big data en la medicina?

Es necesario un esfuerzo para mejorar la calidad de los datos de los registros médicos electrónicos. En el área de la nefrología, aunque la enfermedad renal crónica es una de las áreas de investigación más candentes, sus códigos no están asignados en muchas bases de datos de reclamos de administración; la mayoría de los casos de lesión renal aguda que no requieren terapia de diálisis no están codificados en las bases de datos de reclamos. Por lo tanto, estas prácticas deben ser corregidas. Muchos de estos problemas técnicos aún no se han resuelto. Por último, la integración clínica y la utilidad es un problema.

El análisis de Big Data debe implementarse en la práctica clínica para obtener los beneficios sustanciales, y la integración clínica necesita la validación de la utilidad clínica del análisis de Big Data.

Los problemas de integración clínica y utilidad se han pasado por alto en gran medida.

Es fundamental resolver estos desafíos para ajustar la aplicación de la tecnología de big data en el sector médico y así mejorar el resultado del paciente y reducir el desperdicio de recursos en el cuidado de la salud, que debería ser el valor real de los estudios de big data.

Comentarios

Puedes compartir este post si te gustó!