Muchos millones de dólares son gastados por hospitales alrededor del mundo en sistemas de TI de salud para digitalizar la información del paciente y automatizar los flujos de trabajo clínicos. En muchos países ese tipo de modernización es requerido como parte de la legislación de la reforma al cuidado de la salud. Al mismo tiempo, el uso de sensores, wearables, y dispositivos aumenta a un ritmo acelerado. Todo esto lleva al crecimiento exponencial de los datos en el cuidado de la salud. De hecho, de acuerdo con IDC, el universo del cuidado de la salud digital, como se le conoce, crece a un 48% anual.
Por esta razón, el tema de moda en la salud es: ¿Cómo podemos utilizar los datos recolectados de una manera significativa para ayudar a cada paciente y mejorar la salud de la población? No es de sorprender que haya mucha emoción alrededor de la analítica, en especial ahora que el cómputo en la nube, Internet de las Cosas, y el aprendizaje de máquina ofrecen nuevas maneras de obtener información de valor de Big Data.
Y estamos apenas en el inicio del camino de la información de valor a partir de los datos para el cuidado de la salud.
Hoy en día, las organizaciones de salud aplican analítica predictiva a los datos clínicos para prevenir eventos adversos y reducir readmisiones a hospitales e infecciones adquiridas en hospitales. Como hemos mencionado antes, las herramientas de auto servicio, fáciles de utilizar, colocan poderosa información de valor en la punta de los dedos de todas las personas. Por ejemplo, los gerentes de casos en Carolinas Health utilizaron analítica predictiva para identificar pacientes de alto riesgo y aplicaron más de 125 mil intervenciones en solo un año para ayudar a prevenir las readmisiones. Escuchen cómo de parte de la doctora Jean Wright, Jefa de la Oficina de Innovación en Carolinas Health, en este video.
El siguiente paso en la travesía de la analítica en el cuidado de la salud es aprovechar el aprendizaje de máquina para ir más allá de los datos clínicos y combinar la información del creciente número de fuentes de datos para que nos volvamos aún más inteligentes en la predicción no solo de los resultados individuales, sino también en las tendencias de panorama amplio en la salud de la población.
Organizaciones de salud como Helse Vest, la autoridad en salud más grande en Noruega, ya lo llevan a cabo. Combinan datos del clima con datos clínicos para prevenir patrones no reconocidos de manera previa y su efecto en la gente con enfermedades crónicas. Por ejemplo, ¿El clima frío afecta a la gente con diabetes en formas en las que antes no conocíamos? Poder combinar y analizar datos de esta manera abre las puertas a nuevas respuestas e información de valor en la salud.
Otro ejemplo de ir más allá en el análisis de datos de sistemas clínicos es analizar datos de los dispositivos en los que los pacientes confían para monitorear y mejorar su salud. Un caso en particular: Millones de personas con asma en el mundo dependen de los dispositivos de monitoreo Aerocrine para diagnosticar y tratar de manera efectiva su enfermedad. Pero los dispositivos son sensibles a pequeños cambios en el ambiente. Así que Aerocrine utiliza una solución de analítica en la nube para impulsar la confiabilidad. Como resultado, la compañía puede ver datos de dispositivos en tiempo real. Esto ayuda a Aerocrine a transmitir información valiosa desde el equipo de servicio al cliente al usuario final al momento y predecir cuando los sensores del consumible necesitarán ser reemplazados. Todo esto mejora la calidad del dispositivo, la experiencia del usuario y el modelo de negocios de Aerocrine.
Si tan lejos hemos llegado en el corto período de tiempo que el aprendizaje de máquinas ha estado etiquetado como un servicio básico, imaginen dónde estaremos en 10 años. Piensen en todas las posibilidades para cómo podremos utilizar nueva información de valor a partir de datos combinados para generar un cambio en el comportamiento a un nivel individual y sistémico. No podríamos estar más emocionados por lo que nos depara el futuro.
