En el entorno Salud, la segmentación de pacientes y la predicción de reingresos son parte de la clave para optimizar la sanidad. Aumentar la calidad de los servicios sanitarios y mejorar el sistema para beneficiar a los pacientes, la atención que reciben y su salud, mejorar la toma de decisiones en presencia del paciente y reducir así la incertidumbre en el diagnóstico hoy es posible gracias al tratamiento informatizado de los datos mediante técnicas Big Data para Salud.
Hoy en día existe numerosa información relacionada con pacientes, enfermedades y centros sanitarios que, bien tratada y organizada con modelos matemáticos algorítmicos, puede aportar mucho valor a los profesionales médicos y a los gestores de centros sanitarios. Más allá de la información proporcionada por los ensayos clínicos, los nutricionales, la genómica o los estudios epidemiológicos, se pueden recoger datos de las historias clínicas electrónicas, los análisis clínicos, los aparatos de telemedicina o los wearables, además de los datos reales procedentes de la práctica clínica real, conocidos como Real World Data (RWD). Gracias a estos datos podemos hablar de medicina personalizada.
El modelo sanitario actual, donde prevalecen las enfermedades crónicas y la pluripatología, debe centrarse en una atención multidisciplinar que integre la información recibida desde distintos perfiles médicos para ser capaz de adelantarse a las necesidades tanto de los pacientes como de los centros sanitarios, tomar decisiones más ajustadas al contexto real que mejoren la gestión de los recursos, y ahorrar costes.
Gestionar una medicina personalizada desde un punto de vista asistencial multidisciplinar supone un gran reto para el sector Salud. Entre las posibles respuestas a este reto incluiríamos la correcta estratificación o segmentación de los pacientes en función de niveles de riesgo de sufrir patologías crónicas, cronificación de pobreza o exclusión social, o dependencia de las ayudas públicas, etc. La estratificación de la población, por sus características dinámicas y cambiantes, no es un proceso fácil, pero resulta esencial para mejorar la calidad del servicio. Para que resulte eficaz es necesario aplicar técnicas Big Data de aprendizaje automático como el clustering o análisis de grupos.
Otro problema asociado a la calidad asistencial y que tiene una importante repercusión económica en el sistema de prestación de servicios de salud es la gestión y predicción de los reingresos hospitalarios de pacientes, ya sea por complicaciones del ingreso previo, recurrencia de la enfermedad, adherencia al tratamiento o una nueva enfermedad. Técnicas Big Data como la minería de datos o la analítica predictiva pueden aplicarse a un buen repositorio de datos clínicos para evaluar el riesgo de reingreso de cada paciente. Las redes profundas se presentan como los modelos Big Data más prometedores para solucionar este problema.
Puedes encontrar información más extensa en el whitepaper Optimizando la sanidad: segmentación y predicción en el entorno Salud realizado por el equipo de Health Predictive Analytics del Instituto de Ingeniería del Conocimiento (IIC).
