diciembre 30, 2016

Machine Learning en salud

Cuando utilizamos el análisis de la información en el ámbito de la gestión clínica y sanitaria para explicar el pasado, con el objetivo de aprender de nuestros errores para mejorar el futuro, probablemente estamos viendo sólo la punta del iceberg. Nos estamos perdiendo la capacidad que pueden tener esos mismos datos para mostrarnos cómo sería nuestro futuro en este escenario. Otro aspecto poco explorado son las interrelaciones entre los diferentes factores que pueden intervenir en la ocurrencia de ciertos eventos relacionados con la salud o con la provisión de servicios.

El “Machine Learning” (ML) podría abrir el abanico de posibilidades para usar mejor la ingente información que se está generando entorno a la salud. En su definición más básica el ML se refiere a un grupo de algoritmos que aprenden de los datos. Estos algoritmos son diferentes de los convencionales ya que trabajan con los casos en lugar de con reglas preestablecidas.

Un ejemplo: si un paciente consulta por síntomas similares a los de la gripe, un médico que diagnostica de manera tradicional podría decir: "Tiene fiebre, dolores, debilidad general y ningún síntoma de resfriado,... esto se parece a la gripe”. Pero un médico que diagnosticara aplicando un algoritmo de ML diría: "Los síntomas son los mismos que 50 pacientes recientes que tenían la gripe,... probablemente también tendrá la gripe”. Destacar que para aplicar ML realmente no se necesita saber nada sobre la gripe, sólo haber visto un montón de casos que se diagnosticaron de gripe y tenían los mismos síntomas.

Si has leído hasta aquí seguro que te va a interesar conocer el proyecto healthcare.ai, "an open source software streamlining healthcare machine learning", que ofrece la posibilidad de descargar algoritmos, herramientas, documentación, solicitar nuevas funciones, enviar preguntas, seguir el blog y contribuir con el código abierto para la mejora en la atención de la salud. El propósito del proyecto es que la colaboración avance la mejora de los resultados a través de la inteligencia artificial, en concreto en el análisis predictivo y el aprendizaje automático, permitiendo que desarrolladores de BI puedan aplicar y crear modelos apropiados y precisos con datos de atención médica, sin necesidad de tener conocimientos en estas metodologías analíticas complejas. 

Los algoritmos de clasificación creados con ML dan a cada caso una probabilidad de que ocurra el evento contra no, estableciendo el analista un punto de corte para discernir los resultados óptimos o que mejor se ajusten para responder preguntas como: ¿Cuál es la probabilidad de que un paciente desarrolle una infección?, ¿Cuál es la probabilidad de que un paciente con EPOC sea readmitido dentro de los 90 días posteriores al alta?, ¿Cuál es la probabilidad de que una persona no comparezca a su cita?

Otros algoritmos de regresión dan como resultado valores continuos, que permiten establecer el impacto de efectos y responder a preguntas como: ¿Cuántos días un paciente necesita permanecer en el hospital?, ¿Cuánto personal necesitamos en una unidad un día determinado?, o ¿Cuánto dinero costará un paciente al sistema de salud durante el próximo año?

Existiría otro uso del ML cuando no hay ningún dato real asociado con los datos que están disponibles. Los algoritmos en esta categoría están en gran parte relacionados con la identificación de patrones y similitud de casos, y su uso sería agrupar o estratificar los datos en diferentes categorías. Permitiría dar respuesta a preguntas del tipo: ¿Un paciente que no tiene diabetes, qué probabilidad tiene de desarrollarla?, o ¿Cómo de similares, o como se agrupan, los pacientes con alto consumo de recursos en mi centro?

Por las interesantes posibilidades que ofrece el ML el futuro de estas herramientas es muy prometedor, así que no hay que dejar pasar mucho tiempo para ponerse a ello.