Jornada de puertas abiertas 15 de septiembre

Data Science y salud : cómo la ciencia de datos transforma la medicina

Gracias a la abundante cantidad de datos disponibles, la Data Science revoluciona el sector de la salud. Descubre de qué formas el análisis de datos y la IA transforman el sector médico y cómo convertirte en un “Healthcare Data Scientist” o un científico de datos de salud.

El sector de la salud genera inmensas cantidades de datos. Según un estudio realizado por el Ponemon Institute, este sector representa por sí mismo el 30% de los datos mundiales.

Los registros médicos, las pruebas clínicas, las informaciones genéticas, las facturas, los objetos conectados, las bases de datos, los artículos científicos, solo son algunos ejemplos de incontables fuentes de datos a disposición del sector médico.

Con el surgimiento de las consultas a distancia y de las búsquedas en internet sobre temas de salud, el volumen de datos ha literalmente estallado. Para los profesionales del sector, los datos de pacientes se encuentran ahora centralizados y más accesibles que nunca antes.

Actualmente se denomina “Salud Quantificada” a la integración de datos provenientes de objetos conectados como brazaletes, relojes y accesorios como los glucómetros y balanzas, en los registros médicos por medio de smartphones.

Esto es lo que proponen plataformas como Apple HealthKit y Google Fit. Gracias a estos recursos, es posible detectar rápidamente síntomas alarmantes y hacer un seguimiento más de cerca de los cambios en comportamientos y en los signos vitales.

Todos estos datos pueden ser explotados por los profesionales de la salud, y abren un universo de posibilidades. Descubre como la Data Science revoluciona el sector de la salud.

El descubrimiento de medicinas

En promedio, se cuentan entre 2,6 billones de dólares y 12 años para crear un medicamento y sacarlo al mercado. Sin embargo, la Data Science permite reducir drásticamente el costo o el tiempo que se necesita para ello.

Gracias a los datos, los científicos pueden simular la reacción de un medicamento con las proteínas del organismo y diferentes tipos de células. Según Mark Ramsey, Chief Data Officer del gigante farmacéutico GSK, el proceso puede ser reducido a menos de dos años gracias a este método de simulación.

Varias startups exploran también esta idea. Por ejemplo, BenevolentAI, basado en Londres, ha recaudado 115 millones de dólares para lanzar más de 20 programas de creación de medicamentos y desarrollar un cerebro artificial capaz de crear nuevos medicamentos y nuevos tratamientos.

La prevención de enfermedades

Es mejor prevenir que lamentar, dice el refrán. Gracias a los objetos conectados y otros dispositivos de seguimiento, que toman en cuenta el historial y la información genética del paciente, se pueden detectar problemas antes de que sea irreversible.

La empresa Omada Health utiliza por ejemplo, accesorios conectados para crear planes de comportamiento personalizados y un coaching en línea para ayudar a prevenir enfermedades crónicas como la diabetes, la hipertensión y el colesterol.

Por su parte, Propeller Health ha creado un dispositivo de rastreo del uso de un inhalador usando datos de GPS para unir datos de los pacientes de riesgo con datos ambientales del CDC americano. El objetivo es proponer intervenciones para los asmáticos.

La startup canadience Awake Labs, por su lado, recolecta datos de niños autistas mediante accesorios conectados. Gracias a estos, los padres pueden ser alertados en caso de riesgo de crisis.

L’intelligence artificielle a permis plusieurs fois de détecter les maladies de manière précoce. Les chercheurs de l’Université de Campinas, au Brésil, ont développé une plateforme IA permettant de diagnostiquer le virus Zika en utilisant des marqueurs métaboliques.

El diagnóstico de enfermedades

Actualmente, los diagnósticos médicos lamentablemente todavía a veces son equivocados. Según la National Academy of Sciences, Engineering and Medicine, aproximadamente 12 millones de americanos reciben diagnósticos equivocados.

Las consecuencias en ocasiones pueden ser fatales. Según una encuesta realizada por la BBC, los errores de diagnóstico causan entre 40.000 y 80.000 muertes por año.

Sin embargo, la Data Science permite mejorar fuertemente la precisión de estos diagnósticos. En particular en el caso de los análisis médicos  por imágenes.

Las computadoras pueden aprender a interpretar los IRM, los rayos X, mamografías y otros tipos de rayos. La máquina aprende a identificar patrones en los datos visuales y sabrá luego detectar tumores, estenosis arterial y otras anomalías con una precisión que sobrepasa la de los expertos humanos.

Incluso sin llegar al punto del análisis automatizado por imágenes, la Data Science permite aumentar el tamaño de las imágenes y mejorar su definición, haciendo la interpretación de las imágenes más fácil para los expertos humanos.

Por otro lado, los investigadores de la universidad de Stanford han desarrollado modelos Data Driven para detectar irregularidades en el ritmo cardiaco a partir de electrocardiogramas más rápidamente que un cardiólogo. Otros modelos son capaces de distinguir las marcas benignas sobre la piel y las lesiones malignas.

La empresa Iquity, que desarrolla una plataforma de análisis predictivo para el sector de la salud, ha realizado un estudio analizando cuatro millones de puntos de datos sobre 20 millones de neoyorquinos.

Combinando los datos de pacientes que han recibido un diagnóstico- errado o no – de esclerosis múltiple, Iquity logró predecir con precisión de 90% la aparición de una enfermedad 8 meses antes de que pudiera ser detectada con herramientas tradicionales.

Por su lado, los investigadores de Microsoft analizaron los datos de búsquedas web de 6,4 millones de usuarios de Bing de los que los resultados de búsqueda sugieren que tienen un cáncer de páncreas.

La personalización de tratamientos

Gracias a la Data Science, es posible proponer tratamientos más específicos y personalizados. Es posible tener en cuenta diferencias sutiles entre cada uno de nosotros para lograr tratamientos más eficaces.

Por ejemplo, el proyecto 1000 Genomas del National Institute of Health es un estudio abierto de regiones del genoma asociado a enfermedades comunes como la diabetes o las enfermedades coronarias. Este estudio permite a los científicos comprender mejor la complejidad de los genes humanos y de qué manera un tratamiento específico se adaptara mejor a un individuo.

Por otro lado, el Emory University y el Alfac Cancer Treatment se han asociado con NextBio para estudiar un tumor cerebral maligno de tipo meduloblastoma. Mientras que antes la radioterapia era el único tratamiento para este cáncer, el análisis de los datos genéticos y clínicos del paciente permite ahora descubrir biomarcadores específicos para proponer un tratamiento personalizado.

El programa MapReduce permite leer las secuencias genéticas y reducir el tiempo necesario para el tratamiento de datos. El lenguaje SQL se utiliza para restaurar datos genómicos, manipular archivos BAM y procesar datos.

El seguimiento de pacientes luego de su regreso a casa

Cada operación o tratamiento puede traer efectos secundarios, complicaciones o dolores recurrentes. Puede ser difícil seguir y vigilar estos fenómenos una vez que el paciente se ha ido del hospital.

La Data Science permite a los médicos continuar el seguimiento a distancia y en tiempo real luego de que el paciente ha regresado a su domicilio. Por ejemplo, el sistema Cloudera permite predecir las chances de readmisión de un paciente en 30 días basándose en sus datos médicos y en el estatuto socioeconómico de la región donde se encuentra el hospital.

Por su parte, SeamlessMD desarrolla una plataforma para los cuidados post-operación. Esta plataforma permite a Healthcare System Sain Peter en New Jersey reducir la estancia promedio de un paciente post-operación a un día.

Esto representa un ahorro de 1500 dólares para cada paciente, que sólo necesita indicar cada día su nivel de dolor en la aplicación y dejar a los médicos vigilar su evolución en el tiempo. En caso de un potencial problema, la aplicación emite una alerta.

Las aplicaciones móviles que utilizan inteligencia artificial pueden también ayudar a pacientes. Los chatbots o los asistentes vocales virtuales pueden comunicarse con los pacientes, que pueden describir sus síntomas o hacer preguntas y recibir informaciones preciosas sacadas de una amplia red que conecta síntomas con enfermedades.

Estas aplicaciones pueden también recordar al paciente tomar sus medicinas a la hora indicada, organizar una cita con un médico, entre otras cosas. Entre las más populares se encuentran los chatbots Woebot desarrollados por la universidad de Stanford para ayudar a los pacientes depresivos, o el asistente virtual de la startup berlinesa Ada que predice enfermedades a partir de síntomas.

La gestión de hospitales

Los hospitales son los establecimientos en los que la gestión es compleja y difícil. El análisis de datos permite determinar con precisión cuántos médicos y enfermeros deben estar presentes cada día y a cada momento para garantizar la eficacia. 

La Data Science permite también garantizar que suficientes camas están disponibles para responder a la demanda, y mucho más. El análisis predictivo permite también optimizar los planes y hacer más fluido el servicio de urgencias.

En la Emory University Hospital, la Data Science es utilizada para predecir la demanda de tests de laboratorio. Esto permite reducir el tiempo de espera hasta un 75%.

También es posible explotar la Business Intelligence para mejorar el sistema de facturación e identificar los pacientes que corren riesgo de tener dificultades para pagar. Estos análisis pueden estar coordinados con las aseguradoras y los departamentos financieros. De esta forma, el Center for Medicare and Medicaid Services ha ahorrado 210,7 millones de dólares gracias a la prevención de fraude basado en el Big Data.

El futuro de la Data Science en el sector de la salud

La industria de la salud está en plena transformación gracias a la ciencia de datos. Los gigantes farmacéuticos, las startups de la biotech, los centros de investigación y los establecimientos de salud invierten cada vez más en esta revolución.

Aún quedan muchos desafíos por enfrentar.Por ejemplo, los datos suelen estar dispersos en varias regiones, unidades administrativas y hospitales. Esto dificulta su consolidación en un único sistema.

Además, muchos pacientes están preocupados por la protección y privacidad de sus datos personales. Algunas empresas privadas están interesadas en explotar estos valiosos datos para la orientación publicitaria. Google, en particular, ha sido demandado por estas prácticas.

Por último, se teme que la relación entre médicos y pacientes desaparezca en favor de las interacciones con máquinas y algoritmos. Es cierto que el contacto humano es esencial en el ámbito de la salud.

Sea como sea, a pesar de las dificultades a superar, la Data Science ofrece muchas promesas para el futuro de la medicina. A medida que la tecnología se desarrolle, nuevas posibilidades aparecerán…

Cómo convertirse en Healthcare Data Scientist

El campo de la medicina es, por tanto, un ámbito ideal para la ciencia de los datos. Health Data Science» es el término utilizado para describir la generación de soluciones «basadas en datos» para los problemas del mundo de la salud. Es una disciplina emergente, en la encrucijada de la estadística, la informática y la medicina.

Los Health Data Scientists son cada vez más demandados en el sector sanitario de todos los países, tanto en el sector público como en el privado. Sin embargo, sólo el 3% de los científicos de datos estadounidenses trabajan actualmente en el campo de la medicina.

La función de un científico de datos de salud es diseñar estudios y evaluaciones, realizar análisis de datos complejos o asesorar a instituciones sanitarias y cuidadores basándose en los resultados de sus análisis.

Tendrá que utilizar los datos para predecir los efectos de los medicamentos, para entender las enfermedades que afectan a los seres humanos. Su función es también desplegar el poder de la inteligencia artificial y enriquecer los conjuntos de datos de salud pública.

Este profesional puede trabajar para departamentos de salud gubernamentales, hospitales, universidades e institutos de investigación, empresas farmacéuticas, compañías de seguros de salud o empresas privadas.

Convertirse en un científico de datos de salud requiere las mismas habilidades que un científico de datos normal. Sin embargo, estas habilidades deben ir acompañadas de un sólido conocimiento del ámbito de la salud.

Un Healthcare Data Scientist debe tener conocimientos de matemáticas, análisis cuantitativo y estadística. También debe ser capaz de comunicarse con los distintos agentes del ámbito médico. Por supuesto, es importante que comprenda los conceptos que se ofrecen a este sector mediante conocimientos de medicina, epidemiología o virología.

Algunas empresas ofrecen programas especializados. Por ejemplo, la Universidad de Harvard ha desarrollado un Máster en Ciencias de la Salud. Este programa de 18 meses de duración enseña específicamente a analizar y explotar los datos sanitarios para hacer frente a los mayores desafíos en este campo.

Una alternativa es combinar un curso general de científico de datos con un curso relacionado con la salud. Puede empezar por seguir la formación que ofrece DataScientest, para adquirir un título certificado por la Universidad de la Sorbonne. Esta opción también es muy relevante si ya eres médico y deseas adquirir habilidades de Data Scientist…

Ahora ya sabes cómo la Data Science está transformando el sector sanitario. Descubra ahora cómo la IA está ayudando a combatir la pandemia del COVID-19, y cómo la Ciencia de Datos está invadiendo el mundo del arte y la cultura…

Poursuivre la lecture

Vous n’êtes pas disponible ?

Laissez-nous votre e-mail, pour que nous puissions vous envoyer vos nouveaux articles au moment de leur publication !

Jornada de puertas abiertas :