Cómo aplicar la ciencia de datos a la asistencia sanitaria

La ciencia de datos es una gran oportunidad para mejorar la atención médica en todo el mundo. Las posibilidades son ilimitadas.

La ciencia de datos se puede aplicar a la atención médica para hacer grandes cosas como predecir epidemias, controlar medicamentos recetados, avanzar en la investigación farmacéutica o curar enfermedades letales, por nombrar algunos. Pero si la aplicación de la ciencia de datos para estos fines requiere conocimiento y experiencia no disponibles para una persona promedio, hay al menos un área en la atención médica a la que todos podemos contribuir, independientemente de nuestros antecedentes.

Medicina Preventiva.

Los dispositivos portátiles de hoy pueden monitorear la frecuencia cardíaca, los patrones de respiración y sueño, los niveles de estrés, la temperatura y muchos más, dependiendo de la sofisticación del dispositivo. Cuanto más tiempo se use el monitor de salud, más datos valiosos para el diagnóstico producirá. Los algoritmos de aprendizaje automático integrados en esos dispositivos más avanzados pueden detectar anomalías en los datos y ayudar a identificar diversos trastornos cardiovasculares o respiratorios. Este diagnóstico temprano, o la señal de que algo anda mal, es especialmente importante porque le da a las personas la oportunidad de comenzar el tratamiento antes de que la afección se convierta en algo grave.

Nuestros cuerpos producen grandes cantidades de datos todos los días, que pueden servir como una excelente base para la medicina preventiva.

Factores como el estilo de vida y la geolocalización junto con el monitoreo y el análisis de las señales biológicas mencionadas anteriormente pueden conducir a una mayor conciencia de la salud a escala mundial.

Por ejemplo, en áreas altamente contaminadas, la tecnología portátil puede ayudar a las personas a detectar cambios en sus patrones de respiración, instándolos a verificar la condición de, por ejemplo, sus pulmones. Imagine cuántos pacientes con cáncer podrían curarse si detectaran cambios minúsculos en sus cuerpos antes de que fuera el dolor lo que finalmente los convenció de ver a un médico.

Cuantos más datos provenientes de diversas fuentes tengamos, mejores programas de prevención podremos crear y distribuir entre las poblaciones.

La ciencia de datos en medicina preventiva es exactamente lo que buscamos en Aidlab . Nuestro objetivo es crear conciencia sobre la salud y mejorar la vigilancia de la salud. El dispositivo que creamos rastrea y analiza las señales biológicas, lo que permite a los usuarios mantener el control de sus cuerpos y notar cualquier anomalía en la frecuencia cardíaca, la frecuencia respiratoria, la temperatura o el patrón de sueño. Los datos que su cuerpo genera a través de Aidlab se pueden compartir para contribuir a una sociedad más saludable y facilitar el desarrollo de la medicina preventiva.

Múltiples formas, por supuesto, aquí hay tres rutas prácticas e importantes:

  1. Puntuaciones de riesgo del paciente integradas en un sistema de apoyo a la decisión clínica, a través del aprendizaje automático supervisado (ML).
  2. Asignación de cohorte (es decir, creación de registro) a través de ML sin supervisión. Pensando en ello como el uso de la agrupación para mejorar códigos ICD no confiables o para definir un grupo dentro de una cohorte ICD.
  3. Identificación de tendencia y alta varianza para métricas de interés (es decir, duración de la estadía, costo, etc.) dentro de los subgrupos en un sistema de salud. Ejemplo: de todas las combinaciones posibles de hospitales, género, enfermedad, médico, cuyo subgrupo tiene una variación notable y muchos pacientes. Ahí es donde comienzas tu proyecto de mejora.

Estos han sido el foco de healthcare.ai, nuestro kit de herramientas ML de código abierto para el cuidado de la salud.

Una de las tendencias disruptivas clave en la medicina actual es el uso de análisis predictivos para los proveedores de atención médica. Específicamente, esto significa el uso de big data de la misma manera que los bancos lo usan para predecir los tipos de préstamos más adecuados para clientes individuales.

Pero en medicina, los datos grandes pueden usarse para determinar, por ejemplo, si un paciente debe ser dado de alta a su hogar, enviado a un centro de rehabilitación, debe recibir llamadas telefónicas de seguimiento o un par de visitas a su hogar después del alta.

El análisis de datos puede mejorar la atención al paciente, la satisfacción del paciente y los costos. Puede buscar grandes cantidades de datos que los profesionales médicos no tienen a su alcance. E, incluso si lo hicieran, no tienen tiempo para analizar e integrar las situaciones individuales de los pacientes, a fin de tomar mejores decisiones.

Uno de los mejores ejemplos de análisis predictivo en la atención médica es el desarrollo reciente de un algoritmo de análisis predictivo por Kaiser Permanente, un proveedor de seguros en California, en relación con la atención del recién nacido. Alrededor del 0.05% de los bebés nacen con infecciones que requieren tratamiento con antibióticos al nacer. Pero el 11% de ellos ha estado recibiendo estos antibióticos, claramente un uso excesivo. Su algoritmo podría predecir con precisión el riesgo de infección basándose en el perfil clínico de la madre individual y la condición del bebé al nacer. Al usar ese algoritmo, los médicos podrían determinar qué bebés realmente necesitan los antibióticos. Aproximadamente 250,000 recién nacidos se ahorraron así el tratamiento innecesario y los posibles efectos secundarios. Los costos también se redujeron.

Los casos de uso como este facilitan la comprensión de los beneficios de la ciencia de datos y el análisis predictivo en la atención médica. Y hay muchos más allá de la gestión de los protocolos de tratamiento.

Aquí hay un buen artículo que lo ayudará a comprender cómo se puede aplicar la ciencia de datos en la atención médica: cómo mejorar la EMR / EHR mediante el análisis predictivo

La ciencia de datos necesita datos.

La asistencia sanitaria proporciona muchos tipos de datos.

Algunos populares se enumeran a continuación y vea si puede hacer un uso adicional de ellos.

1. Registros electrónicos de salud (EHR), generalmente anonimizados. Están bien estructurados. Las tareas pueden ser predecir otras afecciones médicas que un paciente pueda contraer (luego también estimar el costo total del plan en el año siguiente), predecir la probabilidad de que un paciente tome un nuevo medicamento, encontrar patrones de cargos inusuales y fraudes

2. Señales 1-D. Como el ritmo o el audio de sensores móviles o dispositivos portátiles. Las tareas pueden ser detectar si un paciente anciano se ha caído al suelo, promover una buena postura, decidir si un bebé duerme bien o usar un audífono

2a. Las secuencias genómicas también son 1-D. Mira lo que Srini mencionó.

3. Señales bidimensionales como resonancias magnéticas o imágenes de ultrasonido. Los objetivos generalmente se unen al propósito original al tomar estas imágenes (detectar cánceres, etc.). Extraiga los puntos clave de ellos y vea hasta dónde llega. Si tiene una gran cantidad de datos y etiquetas de buena calidad, intente el aprendizaje profundo.

3a. Si toma STFT en la señal 1-D anterior, se convierte en una señal 2-D. Se pueden aplicar todos los enfoques 2D. Un buen ejemplo fuera de la asistencia sanitaria es el algoritmo de Shazam para combinar piezas musicales
Página en columbia.edu
Al igual que puede coincidir con la música, puede coincidir con los patrones de ritmo de ritmo o por igual

4. Las señales tridimensionales como videos o resonancia magnética cambian con el tiempo. Aún así, las tareas pueden involucrar cualquier tipo de detección de inicio, predicción y luego estimación de costos.

4a. Las estructuras proteicas también son tridimensionales. Puede descubrir drogas o predecir el efecto de medicación personalizada.

Puede consultar el curso de Experfy sobre aplicaciones de la ciencia de datos en el cuidado de la salud, cubre una amplia gama de campos desde PNL hasta Reconocimiento de imágenes y es impartido por el Dr. Michael Luk.

También hay un artículo interesante sobre cómo Big Data está revolucionando la atención médica: Experfy Insights

El curso “The Analytics Edge” en edX tiene un proyecto completo dedicado a la aplicación sanitaria de análisis de datos.
No solo le dará nuevas perspectivas, sino que también lo guiará para implementar sus ideas.

Hola ,
Leí este interesante artículo, y realmente nos da una buena idea de cómo se utilizan actualmente los grandes datos en el ecosistema sanitario.
5 aplicaciones sanitarias de Hadoop y Big data

También existe este seminario web sobre asistencia sanitaria y big data,

Creo que será una conferencia realmente interesante sobre grande y salud por Prashanth SR, ex líder de práctica, atención médica en TCS
Página en gotowebinar.com

Aquí hay una introducción que escribí sobre ese tema:

Ciencia de datos para mejorar la asistencia sanitaria