26 Big data en la medicina preventiva

El creciente aumento de los gastos médicos y en muchas ocasiones, la falta de atención médica en el sector público, o un mal análisis de los síntomas proveniente de un error humano que desemboca en un mal diagnóstico. Son factores que han desencadenado que la prevención temprana de enfermedades haya cobrado una gran importancia hoy en día.

Aumentar la cantidad de datos de atención médica aumenta la demanda de desarrollar una solución eficiente, sensible y rentable para la prevención de enfermedades. Las medidas preventivas tradicionales se centran en la promoción de los beneficios de atención médica y carecen de métodos para procesar una gran cantidad de datos. El uso de TI para promover la calidad de la atención médica puede servir para mejorar la promoción de la salud y la prevención de enfermedades.

Existe un gran potencial para las aplicaciones de análisis de datos en el sector de la salud. Actualmente, el análisis de datos, el aprendizaje automático y la extracción de datos hacen posible la identificación y el tratamiento temprano de enfermedades.

Uno de los métodos en uso es la minería de datos debido al desarrollo reciente de varios sistemas de prevención. Se ha hecho un gran progreso para la identificación temprana de enfermedades y el manejo de sus complicaciones.

¿Qué es la minería de datos y el análisis de datos?

El aumento exponencial del tiempo en los datos dificulta la obtención de información útil a partir de ellos. Los métodos tradicionales de análisis mostraron mucho rendimiento; sin embargo, su poder predictivo es limitado. La minería de datos es la excavación o extracción de datos desde muchas dimensiones o perspectivas a través de herramientas de análisis de datos para encontrar patrones y relaciones previamente desconocidos que pueden usarse como información válida; además, hace uso de esta información extraída para construir un modelo predictivo. Se ha utilizado de forma intensiva y extensiva por muchas organizaciones, especialmente en el sector de la salud.La minería de datos no es una herramienta automática, sino un instrumento gigante que no descubre soluciones sin orientación. Es útil para los siguientes propósitos:

  • Análisis exploratorio: Examinar los datos para resumir sus principales características.
  • Modelado descriptivo: partición de los datos en subgrupos en función de sus propiedades.
  • Modelado predictivo: Pronóstico de información a partir de datos existentes.
  • Patrón de descubrimiento: Descubre patrones que ocurren con frecuencia.
  • Recuperación por contenido: descubrimiento de patrones ocultos.

Las herramientas de análisis tradicionales son fáciles de usar y transparentes en comparación con las herramientas de análisis de big data que son complejas y requieren una variedad de habilidades de programación intensiva. Algunas herramientas famosas de análisis de big data se resumen en la siguiente tabla.

23231.jpeg https://bit.ly/3BKf0em.

Figura 26.1: 23231.jpeg https://bit.ly/3BKf0em.

Identificar biomarcados

La Administración de Drogas y Alimentos de los Estados Unidos (FDA, por sus siglas en inglés) define un biomarcador como una característica definida que se mide como un indicador de procesos biológicos normales, procesos patogénicos o respuestas a una exposición o intervención,incluidas las intervenciones terapéuticas . Hay varios tipos de biomarcadores, pero muchos se utilizan para predecir y prevenir enfermedades.

En un estudio en curso que comenzó a principios de este año, los investigadores de la Clínica Cleveland tienen como objetivo identificar temprano los biomarcadores de enfermedades cerebrales para prevenir enfermedades neurológicas antes de que se presenten los síntomas.

El Estudio del Cerebro de la Clínica Cleveland contribuye a estos esfuerzos mediante la recopilación de datos de 200 000 pacientes neurológicamente sanos durante 20 años para detectar biomarcadores de enfermedades cerebrales. Se plantea la hipótesis de que estos biomarcadores y otros objetivos pueden ayudar a prevenir o curar trastornos neurológicos.

Los voluntarios del estudio participarán en evaluaciones anuales que pueden ayudar a arrojar luz sobre su función cognitiva, incluidos análisis de sangre, escaneos de retina ocular, electroencefalogramas (EEG), resonancias magnéticas cerebrales, estudios del sueño y exámenes neurológicos.

Estos datos luego se alimentarán de herramientas de análisis de datos avanzados que pueden identificar factores de riesgo genéticos o “huellas dactilares de enfermedades” que guiarán las estrategias preventivas y de diagnóstico.

Como se pude observar en estas dos aplicaciones, el diagnóstico o evaluación deben de ser precisos y estos dependen de la recolección e interpretación de datos. La recopilación de datos ha mejorado en los últimos años; sin embargo, el proceso de interpretación de datos ha empezado a beneficiarse recientemente, para afrontar lo que sería un servicio de prevención.

Las organizaciones deben tener acceso a expertos en análisis de datos, médicos expertos en su especialidad, un banco de datos y un algoritmo; teniendo a la mano las herramientas de análisis avanzado necesarias para toda la parte analítica. El análisis inteligente de datos tiene el gran potencial de transformar el modo en que la industria del sector de salud utiliza la tecnología para obtener una visión más profunda en la prevención de enfermedades. En un futuro próximo, se espera un rápido desarrollo en esta área.

26.1 Referencias