Revisión de 3 casos de Ciencia de datos en el sector salud

[pic 1]

Introducción

Las organizaciones de salud y de ciencias biológicas se enfrentan a un sólido conjunto de desafíos, que van desde el costo creciente de la salud, pasando por el agotamiento de los médicos y la naturaleza inconsistente y compleja de los datos sanitarios; por lo tanto, están adoptando la ciencia de datos para acelerar el ritmo de la innovación y mejorar la eficiencia. Lograr comprender los datos de la salud, con el fin de identificar tendencias, hacer predicciones, reducir costos y adaptarse rápidamente a los nuevos desafíos, todo esto garantizando la transparencia y el control constante de los datos para proteger la privacidad de los pacientes. En este contexto, este reporte tiene como objetivo describir de manera realista el papel de la ciencia de datos en el sector Salud. Para ello se realizará la descripción de tres proyectos diferentes. 1. Análisis de datos para entender comportamiento de dinámicas asociadas al sector salud, en relación con la llegada de la pandemia a Colombia, 2. Predictores de la pérdida de dientes: un enfoque de aprendizaje automático, 3. Desarrollo de modelos de aprendizaje automático para el diagnóstico de glaucoma.

Descripción del proyecto 1

Análisis de datos para entender el

comportamiento de dinámicas asociadas al sector salud, en relación con la llegada de la pandemia a Colombia.

Este proyecto se llevó a cabo en Cali, Colombia. Realizado Camilo Rocha, Decano de la Facultad de Ingeniería y Ciencias en Pontificia Universidad Javeriana Cali.

El objetivo del proyecto es Realizar el análisis de ocupación de Centros de salud, de dinámicas de vacunación en niños y de otras actividades que se podían ver entorpecida por la ocupación de centros de salud.

El proyecto se desarrolló en varias etapas La primera fue la obtención de los datos y el planteamiento de la pregunta de investigación.  La segunda etapa fue definir que técnicas utilizar y que librerías estaban disponibles para la analítica de datos. La tercera etapa fue la exploración, escogencia de técnicas y herramientas que se utilizaron en el proyecto, paralelo los otros proyectos realizaban las mismas etapas. La Cuarta etapa fue la consolidación de los proyectos en una sola plataforma. A través de tableros de control que reunían la data de todos los proyectos.

Los resultados de este estudio, suministrado a la convocatoria, fue la creación de un tablero de control, donde geográficamente se identificaban los casos que se habían reportado en el sistema de salud dentro de la ciudad de Cali y poder hacer predicciones en donde y cuando surgían nuevos casos, se realizó la representación con teselación en hexágonos. Aplicando las técnicas de analítica, se lograba predecir, que dentro de un tiempo estipulado es posible que se produzca un brote en una zona de la ciudad, también predecir cuales con los centros de salud más afectados por las olas de personas que llegaban a solicitar atención médica. Aunque en este proyecto no se llegó a estimar el nivel de gravedad con el que las personas llegarían a las instituciones. La idea es que el proyecto se pudiera continuar para conseguir ese nivel de detalle.

Entre los impactos generados, se lograron las principales metas que se trazaron, entregar modelos de análisis dinámicos y de predicción de comportamiento, para las personas que viven en Cali, en relación con la pandemia. Este proyecto se entregó al ministerio de salud con la finalidad de que se continuara internamente.  Que sea útil para las personas que toman decisiones y que estas lo hagan con mayor efectividad. En lo ético, cuando se trabaja con datos de personas, que son sensibles, como el estado de salud, normalmente se debe ser cuidadoso con la forma como se utilizan y se comparte. Con técnicas de anomización de datos. Cumpliendo con los compromisos que se tenía con la alcaldía. A nivel técnico dejo varios aprendizajes, trabajar datos georreferenciados y con información de temporalidad, utilizar analítica de datos y de redes complejas para poder hacer estas predicciones en tiempo y espacio, que daban soporte a los modelos.

Descripción del proyecto 2

Predictores de la pérdida de dientes: un enfoque de aprendizaje automático.

Este proyecto se llevó a cabo en el año 2021 en Estados Unidos. Realizado por Elani Hawazin del Departamento de Políticas de Salud Oral y Epidemiología, Escuela de Medicina Dental de Harvard, Boston, Massachusetts, Estados Unidos de América.

El objetivo del proyecto fue, desarrollar y probar múltiples algoritmos de aprendizaje automático para predecir la pérdida de dientes completa e incremental entre adultos utilizando predictores socioeconómicos y de condiciones médicas y comparar el rendimiento predictivo de esos modelos desarrollados.

El proyecto tuvo varias etapas, la primera etapa fue el estudio de población y recolección de datos de la Encuesta Nacional de Examen de Salud y Nutrición de 2011 a 2014. La segunda etapa fue el estudio y definición de las variables a emplear. La tercera etapa fue la analítica de datos, análisis estadístico y desarrollo de múltiples algoritmos de aprendizaje automático. La cuarta etapa fue la evaluación de los desempeños predictivos al examinar el área bajo la curva característica operativa del receptor (AUC), precisión, sensibilidad, especificidad y valores predictivos positivos y negativos.

Los resultados obtenidos de este estudio evidenciaron que los árboles potenciadores de gradiente extremo presentaron el mayor rendimiento en la predicción de edentulismo (AUC = 88,7 %; CI 95 %: 87,1, 90,2), la ausencia de dentición funcional (AUC = 88,3 % IC 95 %: 87,3, 89,3) y para predecir la pérdida de cualquier diente (AUC = 83,2 %; IC del 95 %, 82,0, 84,4). Aunque, como se esperaba, la edad y el cuidado dental de rutina surgieron como fuertes predictores de la pérdida de dientes, el enfoque de aprendizaje automático identificó predictores adicionales, incluidas las condiciones socioeconómicas. De hecho, el desempeño de los modelos que incorporaron características                                     socio-económicas fue mejor para predecir la pérdida de dientes que aquellos que se basaron únicamente en indicadores dentales clínicos.

...