Machine Learning y datos ¿qué nos pueden aportar en salud?

El sistema sanitario es un complejo sistema en el cual recursos, epidemiología, intereses y situaciones socioeconómicas y culturales se encuentran en constante tensión, con la particularidad de gestionar recursos finitos ante demandas infinitas.

En este ambiente, los involucrados en salud tienen por objetivo brindar la mejor calidad de cuidados con la mayor eficiencia posible. Se entiende por cuidados de alta calidad aquellos que son una mejora para el individuo o la sociedad, considerando para su medición aspectos médicos, sociales, culturales, económicos y la percepción del usuario, para lograr entregar mejor calidad de vida de manera integral.
En la otra cara de la moneda, se encuentran los llamados cuidados de bajo valor (low-value care, en inglés), que son solicitados por diversos actores del sistema a causa de diversos factores como publicidad, marketing, presión de la industria, entre otras.

La valoración de la calidad de cuidados sigue un paradigma basado en los outcomes médicos, perdiendo la perspectiva del paciente y su satisfacción, los costos que implica para el sistema, la factibilidad y viabilidad, así como los análisis de eficiencia y efectividad en el entorno a aplicar.

Esta situación viene dada por un desarrollo de herramientas de screening, diagnóstico y tratamiento orientado por farmacéuticas y el médico, muchas veces sin tomar en cuenta los diversos factores implicados en el bienestar y la salud. La calidad y el valor de los cuidados sanitarios deben tenerse en cuenta en su valoración, tanto por los outcomes médicos como por la experiencia del paciente, siempre en relación con los costos asociados para otorgar la atención.

En esta ecuación se consideran posibles desperdicios generados en el proceso asistencial, siendo estos ineficiencias o procesos innecesarios. Por ello, la calidad y el valor de los cuidados deben ser estandarizados para conocer lo que el sistema puede afrontar como costo en referencia a un resultado esperado, pudiendo ser, por ejemplo, años de vida ajustados por calidad, años de vida ajustados por discapacidad, años potenciales de vida perdidos, etc.

En este punto es donde la tecnología, ciencia de datos y el machine learning pueden tener un impacto positivo en la gestión del sistema sanitario y su adaptabilidad, considerando lo biológico e incluyendo en el análisis datos de la experiencia del usuario, sus conductas, aspectos geográficos, del ambiente y del nivel socioeconómico y cultural.

A su vez, puede evitar sesgos de los investigadores, el cargo cult science y los efectos de relaciones espurias. Sin embargo, no es un sistema infalible por la supervisión realizada por quienes desarrollan y aplican estas técnicas.

Los avances tecnológicos tienen la posibilidad de mejorar la accesibilidad a servicios a través de medios digitales, telemedicina, telecirugía, robótica al servicio de procesos orientados al usuario, gestión de agenda de consultas, avisos digitales de citas, entre otras. Por ello, brinda la oportunidad de mejorar la calidad de vida del paciente, desarrollar mejores outcomes, reducir los costos e impactar a nivel de salud poblacional, por lo que ofrece una coyuntura propicia para otorgar cuidados de alto impacto y calidad.

Ciencia de datos, machine learning y su impacto en la investigación

Se entiende por ciencia de datos al campo interdisciplinario que mediante el método científico, integrando matemática, procesos y sistemas, analiza información y datos con el objetivo de lograr obtener conocimiento de calidad del área a investigar. La automatización avanza conforme el conocimiento del área, logrando desarrollar recursos como machine learning e inteligencia artificial.

El machine learning es la capacidad de un sistema informático de aprender de los datos recibidos, para tomar decisiones futuras e ir perfeccionándose a medida que nuevos datos son ingresados. Se diferencia de los sistemas habituales en que estos últimos realizan sus procesos con base en programación explícita o algoritmo en su diseño.

El entrenamiento de machine learning puede ser supervisado o no supervisado. El modelo supervisado tiene la ventaja de poder dar límites de las relaciones entre los datos y las conclusiones otorgadas, ya que de otra forma podrían encontrarse relaciones espurias por factores de confusión o variables escondidas que influyen en las conclusiones.

Actualmente, existen diversas limitaciones en el avance de estas tecnologías como los sistemas de información y datos poco desarrollados, falta de outcomes de relevancia o probados, así como falta de prueba de los modelos en situaciones de vida real.

En la salud diversos problemas dificultan la obtención de datos, como la preferencia de los pacientes por no revelar información sensible, aspectos de ciberseguridad, la obtención de datos multicéntricos por falta de cooperación entre centros, entre otros.

A su vez, los sistemas informáticos entorpecen la obtención de datos por problemas de diseño, la mala integración entre diversas plataformas, dificultades en el correcto registro y baja alfabetización digital de quienes intervienen en la gestión de datos.

La ciencia de datos y machine learning pueden dar conocimiento de alta calidad, previniendo errores en el desarrollo y evitando sesgos, poniendo luz sobre la realidad.

Un aspecto importante son los sesgos o falacias no identificadas, como pueden ser los sesgos de selección, de confirmación, de correlación ilusoria, falacia de apelación a la autoridad, falacia ad populum y otras que impactan directamente en la calidad del conocimiento.

A su vez, distorsiones generadas por la propia ciencia, en las que se produce lo que Richard Feynman llamó cargo cult science, entendido como el culto a las bondades de descubrimientos, técnicas o procedimientos sin que los resultados mediante el método científico lo demuestren. Estos tienen impacto directo en la obtención de datos y sus conclusiones, distorsionando la información para la toma de decisiones y por último en la calidad de la asistencia en el caso de la salud.

La aplicación de metodologías de investigación rigurosas,data science y procesamiento de bases de datos de gran escala ayuda a disminuir estos problemas. Por ello, es un campo de investigación de gran versatilidad, con impacto en el corto y largo periodo, que genera conocimiento de calidad.

Los servicios en salud tienen el desafío de utilizar esta tecnología para desarrollar sistemas de información y conocimiento basados en datos, brindando información de valor a los gestores, organismos rectores, así como a la población general. Un elemento relevante en salud es la posibilidad de cruzar datos de diversos sistemas e instituciones, brindando información de alta fidelidad y con gran rapidez.
Un claro ejemplo fue la utilización de datos de movilidad, actividad, georreferenciación y opinión de la población en la pandemia por COVID-19, analizada en tiempo real por expertos en data science para la toma de decisiones con dinamismo, basadas en evidencia y orientadas al problema.

Otro ejemplo es la posibilidad de diagnóstico y seguimiento mediante dispositivos de uso cotidiano, donde se pueden realizar estudios poblacionales, así como dar seguimiento preciso y en tiempo real a patologías con alta variabilidad interpersonal.

Así mismo se generan automatismos que realizan recomendaciones en tiempo real, mejorando el acceso a los servicios de salud, tratamientos o prevención. Lo mismo ha sucedido con la aplicación en diagnóstico, donde diversos estudios demuestran que las plataformas de machine learning presentan iguales o mejores resultados que los expertos en el área.

Decisiones basadas en modelos estadísticos y machine learning

Por lo expuesto, se pueden tomar decisiones a nivel individual, institucional o de políticas públicas basadas en modelos estadísticos y machine learning. En lo individual, existen aplicaciones y programas que recopilan datos de hábitos, constantes vitales, actividades e intereses, relacionándolos con pares o datos poblacionales, generando un conjunto de recomendaciones individualizadas y, por tanto, mejores resultados finales.

Esta consejería es útil en prevención y en la atención temprana de enfermedades asintomáticas u oligosintomáticas y ayuda a disminuir costos asociados a tratamientos de mayor complejidad debido a diagnósticos tardíos.

El Apple Heart Study buscaba mediante un reloj inteligente la presencia de arritmias para dar asistencia precoz y reducir costos incrementales del tratamiento de las complicaciones (accidente cerebrovascular, infartos, miocardiopatía, etc.).

La aplicación realizaba recomendaciones al detectar alteraciones del ritmo, para luego coordinar una teleconsulta inicial y, de ser necesario, un electrocardiograma mediante un parche diseñado para funcionar de manera ambulatoria. Por último, se realizaba la valoración, informe y recomendación final.
Este estudio fue el primero en investigar en la vida real el diagnóstico por tecnología de trastornos del ritmo, enrolando a más de 400.000 individuos. Las dificultades para disminuir falsos positivos es un aspecto para trabajar dentro de estos programas de diagnóstico por tecnologías y machine learning.

Por otro lado, si consideramos test diagnósticos y de tratamiento, la tecnología puede dar marco para el desarrollo de escalas diagnósticas, mapas de tratamiento y riesgo relativo a la enfermedad y su gravedad, lo que redunda en una mejor utilización de los recursos.

Con supervisión, se puede automatizar procesos y mapas de valoración para desarrollar una ruta más rápida y precisa para arribar al diagnóstico. Por otro lado, las grandes bases de datos poblacionales e institucionales proveen de información certera de la situación de un problema sanitario, así como en relación con un procedimiento, intervención o tratamiento a gran escala.

Otra ventaja es el conocimiento de los intereses y actividades del individuo a través de plataformas digitales y dispositivos, lo que favorece la individualización y la toma ágil de decisiones. Así mismo, podría acortar los tiempos para acceder a un tratamiento evitando la inercia clínica de ir escalando progresivamente. Lo mismo puede suceder al ajustar los riesgos relativos mediante datos como el sexo, raza, edad, u otros.

Es importante destacar el rol del profesional en la adquisición de datos para la toma de decisiones sobre los outcomes e integrar los hallazgos clínicos con el flujo de trabajo con el paciente.

El objetivo es mejorar los resultados a través de la optimización de los recursos y el análisis de costo-efectividad con mayor velocidad, dando un impacto mayor en aquellos individuos con menor acceso a la salud.

Por último, las extensas bases de datos, su procesamiento y el machine learning podrían mejorar la distribución de recursos en políticas sanitarias, generando mayor equidad y brindando asistencia de alta calidad.

Si bien el mejor acceso a la salud es una gran ventaja, existen individuos que generan comportamientos patológicos, conocidos como cibercondríacos o “the worried well”, que generan un aumento en las consultas y preocupaciones y llevan al consiguiente aumento en los costos. Este es un aspecto a tener en cuenta en los diseños de los sistemas y sus recomendaciones.

Impacto del machine learning en los médicos

En una encuesta realizada por el Catalyst Insight Council de la New England Journal of Medicine, se observó que 67% de los médicos consideraban que el machine learning tendría impacto en la asistencia y el 21% consideró que no.

Sobre la creación o destrucción de empleo, el 73% estimaba un impacto neutral, el 14% mayor creación de empleo y el 13% destrucción de estos.

Probablemente el rol de la tecnología en la asistencia sea de apoyo, siendo de ayuda en la toma de decisiones y disminuyendo problemas relacionados con la fatiga, desconcentración, estrés por sobrecarga de trabajo, entre otras.

El vicepresidente de Innovación Científica en Brigham and Women’s Hospital y profesor adjunto de la Escuela de Medicina de Harvard, Calum MacRae, refiere que “la inteligencia artificial y machine learning, con los datos correctos, ya ha demostrado la habilidad de tomar decisiones de mejor forma que los clínicos. Sin embargo, todavía eso es difícil de imaginar en lo técnico o político”.

Considerando el aumento de demanda, con la creciente generación de conocimiento, es probable que las tecnologías sean parte de la respuesta del sistema sanitario para mantener el acceso a la salud sin recaer en aumento de costos, así como tener capacidad de reacción debido a los mayores requerimientos y exigencias de los usuarios. Esto se puede realizar sin necesidad de un aumento de la cantidad de profesionales de la salud. Por lo tanto, el impacto será mejorar el desbalance ya existente entre oferta y demanda, generando una mejora en la eficiencia y productividad de los proveedores de salud.

Llama la atención que, comparados con otras industrias, la salud es una de las pocas en que la aplicación de tecnologías de machine learning no ha aumentado, sino que aumentan los requerimientos de personal. Sin embargo, es notorio que este proceso de digitalización y automatización tendrá impacto en menor o mayor plazo.

Es esperable que ciertas especialidades podrían sufrir un mayor impacto, siendo el caso emblemático el de imagenólogos, área en la que existe suficiente evidencia de que el machine learning tiene mayor capacidad diagnóstica y precisión que el humano entrenado. Sin embargo, esto puede dar al imagenólogo un nuevo rol de importancia dentro de la asistencia, liberándose para desarrollar conocimiento y atención de gran valor para el usuario.

Generación de mayor valor y equidad

Según la Academia Nacional de Medicina de los Estados Unidos, los desafíos que tiene el machine learning para su aceptación y extensión son lograr datos confiables, transparencia en los algoritmos, precisión, bajo riesgo percibido por los usuarios y responsabilidades penales claras.

Un pilar fundamental será que los involucrados prioricen la equidad en el acceso y la transparencia en el funcionamiento, monitorización y actualización de los sistemas. Con esto se busca generar un aumento del conocimiento humano, haciéndolo más vasto y universal, apoyando a clínicos con menor experiencia en el desarrollo de tareas y actividades limitadas a especialistas o centros altamente especializados. A su vez, se agrega valor al disminuir los errores humanos por limitaciones cognitivas, sesgos, desatención, fatiga o ambientes laborales desfavorables.

La tecnología brinda también la posibilidad de realizar consultas a larga distancia, asesorías de manera virtual e incluso en cirugías otorga habilidades que van más allá de lo humanamente posible.

El sistema de asistencia de manera digital y el machine learning requiere de desarrollar confiabilidad, siendo prudente realizarlo de manera progresiva y cuidadosa, ya que los usuarios tienen baja tolerancia a los errores en el ámbito de la salud. Además, debe contar con regulación y legislación previo a su masificación.

El desarrollo de valor agregado y equidad para el sistema sanitario y la sociedad tiene aparejado desafíos educacionales y culturales, que parten tanto del personal de salud como de los usuarios.

Curtis Langlotz, profesor de radiología y de investigación biomédica y data science de Stanford, ofrece una mirada novedosa al tema. En su opinión, probablemente el clínico que sepa de machine learning y data science sea quien suplante al clínico que no y no la propia automatización. Por lo tanto, la formación de clínicos debería incorporar en sus currículas a la data science y machine learning, junto a humanismo, ética y salud pública.

Por otra parte, otro rol relevante será el de conectar a los actores del sistema sanitario. Una encuesta realizada en puertas de emergencia mostró que a 90% de los pacientes les gustaría recibir información y consejería en salud a través de plataformas digitales para diversos tópicos. En Estados Unidos, 66% de una encuesta nacional respondió que está interesado en la utilización de aplicaciones y monitores digitales portátiles, para mejorar su estado de salud.

A su vez, la tecnología y redes sociales, brinda la posibilidad de alfabetización en salud, lo que redunda en el empoderamiento del paciente. Los dispositivos tecnológicos, redes sociales y aplicaciones en salud dan un espacio común donde el sistema sanitario, clínicos y usuarios pueden encontrarse para un intercambio dinámico.

Viendo el alcance de las redes, impresiona su subutilización en el sistema sanitario y sus prestadores en nuestro país, siendo necesario un rol proactivo en la educación, lo que resulta en mayor acceso a la salud, mejor rendimiento de tratamientos, compromiso con el autocuidado y cambios conductuales y culturales. Actualmente son esfuerzos individuales de profesionales quienes conectan con los usuarios, con escasos intentos de los proveedores de salud de generar espacios para sus afiliados.

En nuestro país, las plataformas digitales y sus herramientas como videos en Youtube, podcasts, posts en Instagram, Twitter, entre otros, son utilizados por los prestadores para comunicación oficial y propaganda, sin encontrarse reales espacios de formación, alfabetización en salud, promoción en salud y prevención de enfermedades.

El futuro de la estadística y epidemiología se encuentra en largas bases de datos multicéntricas, nacionales e internacionales, de donde se puede obtener un gran desarrollo de conocimiento basado en datos de la vida real, orientando a políticas públicas, tratamientos específicos, seguimiento y consejería, entre otras.

Por todo lo expresado, el futuro de la medicina y la salud pública va a estar en íntima relación con los avances tecnológicos, la ciencia de datos y el machine learning, por lo que tanto los gestores en salud como el personal de salud deberá formar parte de la revolución tecnológica para poder dar más y mejores respuestas, así como dar un mejor servicio y mayor calidad asistencial a los usuarios.

Bibliografía

1. Ganguli I, Gordon WJ, Lupo C, Sands-Lincoln M, George J, Jackson G, et al. Machine learning and the pursuit of high-value health care. NEJM Catalyst [Internet]. 2020;1(6). Disponible en: http://dx.doi.org/10.1056/cat.20.0094
2. Virji AZ, Brennan CW, Skrabonja L, D’Avolio L, Talmo C, Tromanhauser S, et al. Patients like you: How machine learning can be used as a shared decision-making tool to improve care. Catalyst non-issue content [Internet]. 2021;2(5). Disponible en: https://catalyst.nejm.org/doi/abs/10.1056/CAT.21.0043
3. Bees J. The impact of artificial intelligence and machine learning on physicians. NEJM Catalyst. 2020;1(1). Disponible en: http://dx.doi.org/10.1056/cat.19.1089
4. Artificial intelligence special publication. National Academy of Medicine. 2019. Disponible en: https://nam.edu/artificial-intelligence-special-publication/
5. Null N, Null N. Engaging patients using digital technology — learning from other industries. Catalyst Carryover [Internet]. 2019;5(3). Disponible en: https://catalyst.nejm.org/doi/abs/10.1056/CAT.19.0654
6. Roberts S, Chaboyer W, Gonzalez R, Marshall A. Using technology to engage hospitalized patients in their care: a realist review. BMC Health Serv Res. 2017;17(1). Disponible en: http://dx.doi.org/10.1186/s12913-017-2314-0
7. Ranney ML, Choo EK, Wang Y, Baum A, Clark MA, Mello MJ. Emergency department patients’ preferences for technology-based behavioral interventions. Ann Emerg Med [Internet]. 2012;60(2):218-27.e48. Disponible en: http://dx.doi.org/10.1016/j.annemergmed.2012.02.026.