La pandemia por el virus SARS-CoV-2, declarada en 2020,ha colocado a la salud en el centro de nuestras preocupaciones. Gobiernos, multinacionales y organizaciones globales están destinando gran cantidad de recursos a la persecución de un único objetivo: la erradicación de la enfermedad. Y, de entre todas las tecnologías que se han puesto en juego con este fin, el informe Perspectiva del COVID-19. Tecnología e innovación contra el Coronavirus de Grant Thornton destaca al Big Data y a la Inteligencia Artificial como la de mayor impacto en la mitigación de la COVID-19, con un 53% del peso, seguida muy de lejos por la robótica (22%) y la ciberseguridad (12%).
Más allá de esta situación excepcional derivada del coronavirus, la alianza entre Big Data y Salud nos aporta muchas más ventajas. Solo tenemos que mirar a nuestro alrededor: la industria sanitaria demanda cada vez más especialistas en tratamiento de datos y algunas de las aplicaciones del Big Data en Salud ya han comenzado a hacernos la vida más fácil.
¿Qué datos utilizar para el análisis Big Data en Salud?
El artículo Big Data in Health Care: Applications and Challenges (Liang Hong et al., publicado en Sciendo) hace un repaso de las distintas fuentes de datos que se pueden integrar para llevar a cabo un análisis Big Data aplicado a la Salud. El listado incluye:
- Registros de los centros médicos: número de pacientes atendidos, horarios de funcionamiento, recursos utilizados, patologías tratadas, etc.
- Historia clínica de cada paciente, con toda la información sanitaria personal que ha ido acumulando a lo largo de su vida.
- Pruebas diagnósticas por imagen, como radiografías, ecografías, resonancias magnéticas o escáneres.
- Electrocardiogramas.
- Registros de las constantes vitales: tomas de temperatura, tensión arterial, pulso y frecuencia respiratoria.
- Datos ómicos, procedentes del ámbito de la biología molecular y de técnicas como la secuenciación masiva.
- Muestras biológicas preservadas en bancos, como células, tejidos u órganos.
- Experimentación en medicina y cuidado de la salud.
- Artículos de investigación publicados en revistas científicas.
- Conocimiento estructurado en la literatura médica.
Si quieres conocer más acerca de las aplicaciones reales que tiene el Big Data, conoce nuestro Máster en Data Science y Big Data.
Big Data y Salud: hacia la Medicina 4P
El Big Data, según los especialistas en Salud, allana el camino hacia la Medicina 4P, un nuevo paradigma con cuatro pilares:
- Medicina Preventiva, en la que el conocimiento de las características internas y del entorno del paciente permitirá aplicar estrategias que eviten el deterioro físico y la aparición de enfermedades.
- Medicina Personalizada, con terapias ultraindividualizadas para conseguir el mayor beneficio con los menores efectos secundarios en cada caso.
- Medicina Predictiva, que mediante la monitorización constante podría detectar ciertas patologías antes de que se manifiesten los síntomas.
- Medicina Participativa, que empodera al paciente y lo coloca en el centro de la toma de decisiones relacionadas con su salud.
Para avanzar en esta dirección, la Agencia Europea del Medicamento ha emitido 10 recomendaciones para sacar al máximo partido al uso del Big Data en Salud en la UE, entre las que destaca la creación de una plataforma europea de acceso y análisis de datos de atención médica, así como apoyar el aprendizaje del Big Data entre los distintos actores sanitarios.
Aplicaciones actuales y futuras del Big Data en el sector de la Salud
La utilización del Big Data en Salud cristaliza en aplicaciones como estas:
Estudio de la transmisión de enfermedades infecciosas
Como comentábamos en nuestro artículo sobre coronavirus y Big Data, en 2008 los científicos de datos de Google fueron capaces de prever la localización de nuevos brotes de gripe mediante el estudio de los patrones de búsqueda en Internet sobre síntomas o vacunas. Este tipo de prácticas se puede hacer extensible a otras enfermedades infecciosas y en la actualidad, con la pandemia de la COVID-19, se hace patente en la creación de herramientas como el mapa mundial de evolución de los contagios de la Universidad Johns Hopkins, que se actualiza en tiempo real con información de la red.
Seguridad farmacológica
El seguimiento de pacientes que toman determinados medicamentos con técnicas de Big Data sirve para detectar con rapidez efectos secundarios significativos que no se habían previsto antes de la comercialización. Esto ayuda a abordar la reevaluación de la seguridad del fármaco en tiempo récord.
Gestión inteligente de recursos humanos y de los suministros
El Big Data en Salud permite hacer predicciones bien fundadas de afluencia de pacientes y de evolución de la presión asistencial en los centros médicos. Con ellas se puede ajustar la política de Recursos Humanos, la gestión de turnos del personal o la compra de materiales.
Vigilancia de la salud
Los wearables son un accesorio inestimable para utilizar el Big Data en pro de nuestro bienestar. La información registrada por estos dispositivos puede orientar a los facultativos sobre nuestros hábitos y estado de salud, lo que redunda en diagnósticos más certeros, además de enviarles alertas inmediatas ante situaciones de emergencia.
Diagnóstico automatizado por imagen
Una gran ayuda para los radiólogos. Los algoritmos de Big Data rastrean píxel a píxel las irregularidades en una imagen, llamando la atención acerca de detalles clave para guiar e, incluso, automatizar el diagnóstico.
Diagnóstico asistido por aprendizaje profundo
Los modelos de aprendizaje profundo (deep learning) han dado un salto cualitativo en el análisis de imágenes médicas. Sistemas entrenados con millones de radiografías, resonancias y biopsias son capaces de detectar tumores, retinopatías diabéticas o arritmias con una precisión comparable a la de especialistas humanos. En 2021, la FDA aprobó más de 340 algoritmos de IA para uso diagnóstico en EE. UU., y ese número no ha dejado de crecer desde entonces.
Aprendizaje federado: Big Data sin mover datos clínicos
Uno de los mayores frenos al Big Data en salud es la privacidad: los datos clínicos son especialmente sensibles y la legislación (GDPR en Europa, HIPAA en EE. UU.) impone límites estrictos a su movimiento. El aprendizaje federado resuelve este dilema: en lugar de centralizar los datos, el modelo se entrena en local en cada centro hospitalario y solo envía los parámetros del modelo al servidor central, nunca los registros de los pacientes. Google Health ha aplicado este enfoque en la detección de cáncer de mama en colaboración con hospitales de varios países.
Medicina de precisión y datos genómicos
La secuenciación del genoma humano es cada vez más rápida y asequible. Cruzar datos genómicos con historiales clínicos y variables de entorno mediante Big Data permite diseñar tratamientos a la medida de cada paciente: el fármaco adecuado, en la dosis correcta, en el momento oportuno. Proyectos como el UK Biobank (más de 500.000 participantes) o el programa All of Us del NIH construyen hoy las bases de datos genómicos más grandes de la historia para hacer posible esta medicina personalizada a escala.
Preguntas frecuentes sobre las aplicaciones del Big Data en Salud
¿Qué beneficios concretos aporta el Big Data al diagnóstico médico?
El Big Data permite analizar imágenes clínicas a escala y velocidad imposibles para un humano, detectar patrones en millones de historiales para identificar factores de riesgo, y anticipar la evolución de enfermedades crónicas antes de que aparezcan síntomas graves. El resultado: diagnósticos más rápidos, con menor margen de error, y planes de tratamiento mejor adaptados a cada paciente.
¿Cómo protege el aprendizaje federado la privacidad de los datos clínicos?
Con el aprendizaje federado, los datos nunca salen del hospital o clínica donde se generaron. El algoritmo se entrena en local y solo comparte con el servidor central los parámetros matemáticos del modelo, no los registros de los pacientes. Esto cumple con las exigencias del GDPR y permite colaborar entre instituciones de distintos países sin exponer información sensible.
¿Qué es la medicina de precisión y cómo se apoya en el Big Data?
La medicina de precisión busca tratar a cada paciente según sus características únicas: genéticas, ambientales y de estilo de vida. El Big Data es la capa tecnológica que hace posible cruzar esos datos a escala, identificar subgrupos de pacientes que responden mejor a un tratamiento concreto y ajustar dosis y pautas con evidencia real, no solo con la experiencia del clínico.
¿Hay casos documentados de éxito del Big Data en salud más allá de la pandemia?
Sí. Destacan la detección temprana de sepsis en UCI con modelos predictivos (algunos estudios apuntan a reducciones de mortalidad de hasta el 20 %), los sistemas de alerta temprana de deterioro del paciente del Hospital Johns Hopkins, o la predicción de reingresos hospitalarios mediante análisis de historiales en el NHS británico. Son aplicaciones con impacto clínico real y medido, no experimentos de laboratorio.
¿Te gustaría participar en el desarrollo de soluciones como estas? Únete la revolución del Big Data en Salud con datahack. Aún puedes inscribirte en nuestro Máster en Data Science y Big Data, práctico, 100% online y orientado a disparar tu proyección profesional. ¿Alguna pregunta? Contacta con nosotros: estamos a tu disposición para resolver todas tus inquietudes.
