La información sobre cada vez más aspectos de nuestra salud está cada día más disponible: basta con echar un vistazo a las posibilidades que ofrece un simple iPhone para la monitorización de constantes vitales, datos de actividad de todo tipo y dispositivos con los que puede intercambiar información de manera regular, para darse cuenta de lo que estamos hablando: cada vez más dispositivos pugnan por hacerse un hueco en un mercado que va desde el simple fitness, hasta controles específicos para todo tipo de dolencias. Actualmente, podemos desde monitorizar de manera prácticamente constante nuestra frecuencia cardíaca en todo tipo de situaciones, desde basal hasta en ejercicio, hasta mantener controles de glucemia o incluso análisis de orina con su necesaria periodicidad, añadiendo incluso la posibilidad de relacionarlos con datos de nuestro genoma y tratarlos mediante las correspondientes terapias.

El problema que surge, obviamente, es el del tratamiento de esos datos: las apps que utilizamos para recogerlos, por lo general, nos permitirán mantener un registro ordenado de los mismos, pero no aventurarán diagnóstico alguno más allá de una indicación sencilla, porque el diagnóstico se considera, por lo general, reservado a la labor de un facultativo que interprete esos datos.

Sin embargo, en los modelos de sanidad tanto pública como privada que conocemos, la posibilidad de llegar a nuestro médico cargados con un sinnúmero de registros de datos empaquetados en sus respectivas apps para su consulta resulta completamente inviable, y lo normal será que nos encontremos o bien con un facultativo demasiado ocupado y sin tiempo para enfrentarse a la tarea de examinarlos, o incluso con otros que directamente considerarán la información irrelevante por provenir de dispositivos posiblemente poco rigurosos, no homologados para la práctica médica. Así, infinidad de datos generados en nuestra monitorización diaria que podría tener un cierto valor en el diagnóstico de nuestra salud desarrollado de manera preventiva se convierten en una oportunidad perdida, que tendemos a utilizar de una manera completamente subóptima. El resultado es el principal problema de los sistemas de salud, más allá de su coste: que sólo conectamos con ellos cuando ya estamos enfermos, y en muy pocas ocasiones de manera preventiva.

¿Cómo mejorar una situación así? Dado que contamos con cada vez más datos de entrada y con un número presumiblemente elevado de estudios y registros previos sobre sus efectos, lo razonable debería ser pensar en ello como un problema muy adecuado para ser tratado mediante machine learning: posibilitar que sea un conjunto de algoritmos los que lleven a cabo una valoración del conjunto de parámetros suministrado por nuestros sensores, y que generen un primer diagnóstico que permita que sean solo los casos más preocupantes o que generen algún tipo de alarma los que lleguen a ser procesados por el facultativo correspondiente. El paciente, en caso de alerta, llegaría al sistema de salud con un pre-diagnóstico y un conjunto de lecturas que, posiblemente, serían las que deberían repetirse para descartar una mala lectura o mal funcionamiento del sensor, y ser adecuadamente valoradas. Un sistema así no solo permitiría atajar muchas dolencias antes de que alcancen niveles preocupantes, sino que además, permitirían ir obteniendo cada vez más datos en situaciones comparables que posibilitarían el avance en este terreno y el pre-diagnóstico de cada vez más situaciones, y potencialmente, avanzar en el desarrollo de la ciencia médica en su conjunto, tal y como parecen querer avanzar algunas grandes compañías tecnológicas.

¿Quién en el sistema de salud va a ser el primero en atreverse con una tarea así, que exige un tratamiento de datos sensibles y un desarrollo de machine learning específico? Los seguros privados de salud podrían intentarlo, pero posiblemente se encontrarían con la desconfianza de unos pacientes que podrían pensar en la posibilidad de que sus pólizas elevasen su precio a medida que las lecturas se suceden y revelan datos potencialmente preocupantes. Sin embargo, parece claro que existe un mercado para ese tipo de monitorización preventiva de la salud, y es más, que muy posiblemente, resulte la manera óptima en todos los sentidos – coste incluido – para lidiar con su cuidado.

¿Puede la generación masiva de datos convertirse en la clave que permite mantenernos alejados del médico más tiempo, solo llegar a su consulta cuando es realmente necesario, o incluso llegar a tomar decisiones antes de que surjan las complicaciones, en modo preventivo? ¿Pueden los wearables, sensores y el machine learning permitir una explotación más razonable y eficiente de los recursos de los sistemas de salud?

Este artículo se publicó originalmente en el Blog de Enrique Dans.

Comentarios de Facebook
Salud y datos: no tan sencillo
8.85Nota Final
Puntuación de los lectores: (2 Votes)
8.9

Sobre El Autor

Profesor de Sistemas de Información en IE Business School desde el año 1990. Tras licenciarse en Ciencias Biológicas por la Universidade de Santiago de Compostela, cursó un MBA en el Instituto de Empresa, se doctoró (Ph.D.) en Sistemas de Información en UCLA, y desarrolló estudios postdoctorales en Harvard Business School. En su trabajo como investigador, divulgador y asesor estudia los efectos de la tecnología sobre las personas, las empresas y la sociedad en su conjunto. Además de su actividad docente en IE Business School, Enrique desarrolla labores de asesoría en varias startups y compañías consolidadas, es colaborador habitual en varios medios de comunicación en temas relacionados con la red y la tecnología, y escribe diariamente desde hace más de doce años en su blog personal,enriquedans.com, uno de los más populares del mundo en lengua española.

Artículos Relacionados

Pin It on Pinterest

Share This