Aplicar Data Science Salud en Chile conlleva una serie de desafíos humanos y tecnológicos. Por una parte se debe formar a profesionales de la Salud con nuevas competencias y por otra, asegurar que la calidad de los datos sea la adecuada.

Al igual que el primer día, quede muy contento con lo aprendido en #MakeHealthChile. Por lo que quiero compartir nuevamente algunos puntos claves del día 2, desde la perspectiva Data Science en Salud.

Desafíos en Salud en la nueva revolución

Por Emilio Santelices, Ministro Salud

  • La salud debe estar centrada en el paciente, pero NO OCURRE EN LA REALIDAD.
  • Debemos evitar los silos de información.
  • Hay que cambiar el paradigma de curar por cuidar y pasar de medicalización a prevención.
  • Los campos clínicos son los “territorios” no los hospitales, debemos prepararnos para llevar medicina a las casas. 
  • ¿Cómo se están gestando los cambios?
    • Fortalecimiento de Fonasa, cambios en el modelo de financiamiento y atención. 
    • Ajustes profundos en las mallas curriculares de los profesionales de la salud para integrar la tecnología como competencia relevante.
      • Sobre Aplicar Data Science Salud en Chile: Hoy no tienen la competencias, y se necesitan para HOY no para mañana. 
  • Progresos Claves: 
    • Hospital digital: Se paso de 300 días a 36 horas en tiempos de espera.
    • Cambio del departamento de Estadísticas por el de Inteligencia Sanitaria, el objetivo es ampliar sus funciones, no reemplazarlas.
    • Los emprendedores deben aprovechar la data liberada de “Observatorio” para usarla, explotar y proponer soluciones.

Data Mining in Health Records: Constructing Models Based on Chilean Data

Por Rosa Figueroa, Universidad de Concepción, Chile

  • Para el 2020 se pronostican 44 ZB de datos, donde el 90% serán no estructurados. En Salud se proyecta 25 EB de datos.
  • El tiempo requerido para conseguir los datos, es bastante alto.
  • La calidad de los datos entregada sigue siendo muy deficiente.

Casos Prácticos:

  • Aplicación de algoritmos para:
    • Inspeccionar los registros clínicos y clasificar el estatus de fumador de un paciente.
    • Identificar pacientes con factores de riesgo cardiovasculares (EMR).
    • Reconocer Queratocono a través del procesamiento digital de imágenes.
  • App web para estudio de gasto de mercado público en equipamiento y suministros médicos.
  • Puesto que los pacientes no entienden y muchas veces no retienen las indicaciones médicas, se creó un algoritmo que toma el texto indicado por el médico tratante, y lo convierte en un pictograma que sea de mayor utilidad para el paciente.

The Importance of Data Science after Hurricane Maria

Por Patricia Ordóñez, Universidad de Puerto Rico Río Piedras

El huracán Maria arraso dejando comunidades completamente incomunicadas y separadas, por más de 6 meses sin electricidad y agua. No se podía cuantificar los daños reales y tampoco estimar a la tasa de mortalidad. Por si fuera poco, el presidente de EEUU emite una frase infortunada indicando que solo 16 personas eran las fallecidas.

En este escenario de incertidumbre es que Data Scientists buscaron aportar luz a través de los datos. El problema es que Puerto Rico no es un lugar muy tecnológico y las consecuencias del huracán, agravaron la recopilación de los datos. Los encargados tuvieron que ir lugar por lugar (sí, fisicamente) recopilando datos.

Con los datos recopilados fue posible aplicar modelos predictivos, obteniendo como resultado una estimación de 4.645 muertes. Este análisis sirvió para concientizar a la humanidad y solicitar la ayuda adecuada, no solo para 16 personas.

Dada la gravedad de los resultados se siguió ajustando los algoritmos (con ayuda de Harvard) llegando a una cifra de 3.000 muertes. El principal ajuste fue incluir en el algoritmo la variable de migración de personas causa-efecto del desastre natural.

How Collaborative is your Team? Measuring Interprofessional Collaboration and Healthcare Outcomes – Data Science Salud en Chile

Por Valeria Herskovic, Pontificia Universidad Católica, Santiago, Chile 

Según diversos estudios, la salud de un paciente presenta mejores resultados cuando es atendido por un grupo interdisciplinario, en vez de solo un profesional.

El objetivo del trabajo era implementar algoritmos de minería de procesos para medir la colaboración y/o redes sociales que se generan al interior de 3 CESFAM. Sin embargo, costo 2 años conseguir y limpiar los datos.

Casos Uso – Diabetes 2:

  • Se confirma y cuantifica que los pacientes atendidos por un EQUIPO presentaron mejores resultados. A los CESFAM les llamo la atención que varios pacientes no pasaran por un EQUIPO MULTIDISCIPLINARIO, asumiendo que se cumplía con el protocolo. Moraleja: Lo que no se mide no se puede mejorar.
  • Herramientas Utilizadas: Log de eventos (datos perse) + SNA (Grafos, métodos matemáticos) + Software PALIA.

Cultivating Health Entrepreneurship in Colombia

Por David Bigio, Universidad de Los Andes, Bogotá, Colombia

  • La mayoría de dispositivos médicos en latinoamérica provienen desde afuera, donde fueron probados en personas con contextos diferentes a los nuestros.
  • Se debe motivar a los actores para que implementen soluciones para sus compatriotas. En vez de solucionar un problema para todos, es mejor generar inercia solucionando problemas para 1, luego para 10 y luego escalar a 100 o más.
  • Cultivar el emprendimiento implica: Necesidades, Equipo, Stakeholders, Prototipos y Usuarios finales, Protección Intelectual,…, Crecimiento, Spin off -Licenciamiento  y Ventas.
  • Libro recomendado: Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again

Ejercicio Data Science en Salud Chile – Nota Final

Tal como en la primera parte , quiero finalizar este último resumen con un guiño al ejercicio que implementamos en el taller práctico.

Dado la lista de espera en Aysen (297.897 registros obtenidos de datos públicos – ley transparencia), es posible:

  1. ¿Determinar la especialidad asociada a partir de la sospecha de diagnóstico?
  2. ¿Contar las patologías asociadas?
  3. ¿Priorizar los tratamientos automáticamente?

Importante: La sospecha de diagnostico es un texto libre escrito de múltiples formas. Por ejemplo: Cancer del cuello uterino, NEOPLASIA MALIGNA, Tumor benigno.

Solución (MVP) Implementada:

  • Implementamos en Python, el algoritmo word2vec, donde dado un texto libre, lo pasamos a word2vec y finalmente retornabamos a que especialidad correspondía dicho texto.
  • Como paso siguiente se sugirió probar FastText(gensim) and gloVe.
  • Créditos: Jocelyn Dunstan (Excelente y motivada profe), CIMT, Uchile

Data Science aplicada a la lista de espera de la región de Aysén

Si te gusta programar en Python puede que esta entrada sobre precisión numérica te interese.

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.

Agregar un comentario

Su dirección de correo no se hará público. Los campos requeridos están marcados *