Aprovechar el 'big data' en salud requiere sistemas más complejos

Los metadatos, las variables que giran en torno a los registros de la historia clínica electrónica (HCE) y que son difíciles de interpretar de forma automatizada, son uno de los aspectos que preocupa a los expertos que han participado en una jornada de actualización sobre big data y salud organizada por TicBiomed en Murcia.

Pilar Laguna. Murcia | 21/04/2016 17:25

Francisco Palacios, Emilio Vela y David Prieto. (Pilar Laguna)

"Éste sería el momento de sumar varios elementos esenciales para que la asistencia clínica se beneficie del big data", ha dicho Francisco Palacios, adjunto de la UCI del Hospital de Getafe y colaborador del grupo AIKE de Inteligencia Artificial e Ingeniería del Conocimiento de la Universidad de Murcia, que ha participado en la I Jornada Big Data y Salud en la Región de Murcia, organizada por TicBiomed y auspiciada por el programa europeo Readi for Health en colaboración con el Servicio Murciano de Salud (SMS).

Para Palacios, los sumandos que se imponen son la HCE, la técnica y la tecnología, los datos (volumen, variedad y velocidad) y el apoyo institucional.
"Los objetivos tienen que estar muy bien definidos para que los ensayos clínicos se nutran de datos reales; que la estratificación de pacientes asocie comorbilidades; que la investigación sea traslacional, genómica y epigenómica; que se contemple la epidemiología farmacológica y la seguridad de los fármacos, y, finalmente, que haya generación de conocimiento acerca de la efectividad de los tratamientos y la predicción de los resultados", explica, matizando que actualmente se habla de big data como si ya estuviera aquí, "pero seguramente se requerirán cambios generacionales porque ahora tenemos grandes docentes y clínicos que probablemente estén desfasados en estos campos". El experto ha insistido en que abordar un sistema no lineal, como la medicina, con parámetros y datos es sumamente complejo.

También ha destacado esas dificultades David Prieto, investigador del Instituto FARR de Investigación en Informática de la Salud (Londres), que ha subrayado la necesidad de integración y análisis de grandes bases de datos sanitarias con fines de investigación, un campo aún menos explorado que el de la asistencia y la gestión sanitaria en las constantes referencias al big data. "Por un lado, muchos datos y en continuo flujo de entrada hacen que los modelos tengan que actualizarse continuamente o en pocos años no podrán describir la realidad; muchas variables correlacionadas desestabilizan los modelos estadísticos y aumentan la posibilidad de falsos positivos".

El investigador recalca que los datos informatizados por sí solos no generan conocimiento, que hay que analizarlos, y que es en su análisis donde la limitación del factor humano se impone sobre la tecnológica.

Luego están las limitaciones del llamado machine learning, ya que sus técnicas de datos son útiles para predecir eventos o clasificar individuos, pero no tanto para explicar por qué hacen esa clasificación o predicción. "A menudo, para interpretar resultados con coherencia hay que conocer el entorno que genera los datos, el metadato, y razonar con ello, pero es algo difícil de conseguir con un sistema automatizado". El investigador agrega la rémora de que el big data en salud no se ha diseñado para investigación sanitaria, por lo que será necesario hacer una actualización previa para ponerlos a disposición de la comunidad investigadora, lo que requiere razonamientos complejos sobre el metadato.

Estratificación
Emilio Vela, experto en estratificación de la División de Análisis de la Demanda y la Actividad Sanitaria del Servicio Catalán de Salud (Catsalut), ha enfocado su participación desde el uso delbig data en la gestión sanitaria. Integrante del equipo que desarrolló los grupos de morbilidad ajustados (GMA), que 13 comunidades autónomas utilizan para estratificar la población según riesgos, Vela ha relatado los avances obtenidos desde que en 2011 crearon la base de datos de morbilidad poblacional utilizando los registros de las tarjetas sanitarias y manejando más de 400 millones de registros en cada una de las tablas analizadas (asegurados, diagnósticos, principios activos, contactos).

La estratificación de población lograda hasta ahora es insuficiente y Vela trabaja en nuevos agrupadores de morbilidad: "En el futuro esta tarea tiene que integrar los GMA de salud mental y de adicciones, ya que ningún agrupador general proporciona datos correctos estratificación en pacientes de salud mental, y también los datos de farmacia que puedan servir para refinar la agrupación".

Igualmente, ha señalado que, además de datos diagnósticos, la HCE contiene otra información que puede ser útil para mejorar la estratificación: estilo de vida, factores de riesgo, gravedad o estado de las patologías, fragilidad y dependencia o riesgo socio-familiar.