Muy contentos y energizados quedamos con todo lo aprendido en el primer día de #MakeHealthChile , cuyo objetivo es difundir conocimiento mediante conferencias y workshops en el ámbito de Data Science en Salud.

A pesar de la hora quiero compartir algunos puntos claves sobre lo aprendido de cada charla y el desafío que hay para aplicar Data Science en Salud.

Los tópicos abordados por las charlas fueron: Estándares Internacionales, Data Science o Ciencia de Datos en Salud, “Hype” sobre la inteligencia artificial aplicada en Salud y Capital Humano (específicamente para Data Scientist)

Charlas Data Science en Salud – Make Health Chile Día 1

A long and winding road: technical, financial, policy, and cultural aspects of designing an interoperable healthcare system for Chile

Por César Galindo, CENS, Universidad de Valparaíso, Chile 

• Los proyectos desarrollado por el CENS no son localizados, es decir, tienen impacto y afectan a toda la nación.
• Para que los proyectos escalen y se integren,  “buscamos que los sistemas sean interoperables” considerando no solo aspectos técnicos, sino también políticos y culturales entre otros.
• Se necesita REALMENTE un equipo multidisciplinario, para ello definimos al menos 5 perfiles: Técnico Político, “Técnico Duro”,  Médicos (pero interiorizados en TIC) , Técnico Estratégico (como un Project Manager) y Abogados (Según el caso).
• El modelo (incremental) para enfrentar los problemas es Top Down: (1) Estrategia, (2)Caso de uso y (3) Estándar de Interoperabilidad.
• Recordar que los proyectos DEBEN ser compartidos con el medio (personas).
• Dolores: Calidad del Dato (los médicos quieren todos los datos, pero a la hora de llenarlos, NO LO HACEN), formato semántico de los datos, batallas por elegir estándares (Y2, CDA, etc.)

From the Laboratory to the Field: Mobile Technological Tools that allow the Massive Collection of Medical Data necessary for the Formulation of Social Innovation Projects

Por Carolina Salguero, Universidad de Los Andes, Colombia 

• Romper con el paradigma de hacer investigación para esperar que algún día los frutos de los papers impacten a la humanidad.
• Se crea “Lab al Campo” para llevar a médicos, ingenieros, artistas, diseñadores y más a resolver problemas con pocos recursos pero incentivando la creatividad.
• Modelo de Negocio: Analysis, Research, Education and Support (A.R.E.S)
• Duración de proyectos: 10 a 12 años.
• Casos de Impacto:
  • VIH: Se crea una herramienta que permita reducir el estigma que se genera en los pacientes tanto de ellos mismos, como de su entorno e incluso de sus médicos.
  • Enfermedades Cardiovasculares – Zonar Rurales: Se crea un dispositivo que se agrega a los celulares permitiendo medir los niveles glucosa de una forma móvil.

Deconstructing the Hype around Medical Artificial Intelligence

Por Leo Anthony Celi, MIT, EEUU 

• La Inteligencia Artificial esta potenciando y resolviendo problemas en donde incluso no hay personal para hacerlo. Por ejemplo este caso “Cry-based Diagnosis of Birth Asphyxia” el cual permite realizar diagnósticos de asfixia a través de un smartphone.
• Si bien la inteligencia artificial/Machine Learning están muy de moda, el problema que sigue siendo grave en la salud es la Calidad del Dato. Por otra parte un gran porcentaje de medicinas fueron MAL recetadas.
  • “La gente dice mucho que AI reemplazará a los doctores, pero la verdad es que no sabemos de qué doctores hablan, si de hecho faltan profesionales. Somos tajantes, la AI no reemplazará a los doctores, pero sí serán reemplazados los doctores que no aprovechen AI/ML“.
• Casos de Uso/ Oportunidades con AI en Salud: Clasificación, Predicción (Determinar si los pacientes no asistirán a la consulta, eventos clínicos) y Optimización (Recomendación de tratamientos y medicina MUY personalizada).
• “Curiosidades”: Uso de RRSS para emitir diagnósticos, cambiar el foco a una dedicación total entre paciente doctor, se espera que Alexa/Siri  escuchen la conversación y preparen toda la información médica asociada.
• Emprendedores: M.I.T liberó los datos de Salud para que se sumen a la resolución de problemas.

Preparing a Generation of Data Scientists in Healthcare

Por Heather Mattie, Harvard University, EEUU

• Enfoque multidisciplinar donde se generan competencias en Estadística, Programación, AI/ML y materias propias del ámbito de la salud .
• Se apoyan bastante en R, Python GitHub, Jupyter Notebook y Markdown.

Reference Model of Competences and Profiles for Chile and the Region

• Se formo un panel de especialistas para discutir sobre si “nuestros profesionales tienen las competencias necesarias en soluciones digitales para la Salud.”
  • La respuesta corta fue NO y no lo estamos formando. Aunque ya se inició el levantamiento de perfiles que afectaran profundamente las mallas curriculares del área de la salud, para que estos profesionales salgan capacitados en el uso de los datos.

Ejercicio Data Science en Salud – Nota Final

Bueno Data Rockers para terminar esta primera parte, quiero concluir con una desafió que nos presentaron en los talleres prácticos. Construir un modelo que responda al siguiente enunciado:

• “Given the first 48 hours of some physiological trends and demographic information of a patient in the ICU, are we able to predict those who will not survive? “

Después de aplicar una serie de pasos clásicos en Data Science, de los 3 algoritmos utilizados el “vencedor” fue Random Forest, sin embargo, existían otras soluciones probablemente mejores, que no fueron probadas por tiempo.

Actualización: Ya esta disponible la parte 2 , no te la pierdas.

Nota: Si crees que este contenido puede ser útil para otras personas no dudes en compartirlo. De igual forma te invitamos a seguirnos en Linkedin, Facebook y Youtube donde estamos publicando semanalmente tips relacionados con Business Intelligence & Data Warehouse, Data Science, Visualización de Datos y Software a la Medida.