La situación de la ciencia de datos y el aprendizaje automático en sanidad
A medida que la sanidad avanza con la digitalización y la transformación digital, se ha convertido en uno de los sectores mejor preparados para aprovechar al máximo la ciencia de datos y el aprendizaje automático. Desde 2015, la inversión de capital riesgo en empresas de IA del ámbito sanitario se ha multiplicado por 22 solo en Europa (McKinsey).
La ciencia de datos y el aprendizaje automático están transformando la sanidad en múltiples frentes, desde la atención al paciente hasta el sector farmacéutico y más allá. Pero escalar su impacto exige tener muy presentes varios retos, como el cumplimiento normativo, la gobernanza y supervisión de datos, la cultura del dato y la disponibilidad de habilidades en datos.
La oportunidad de la ciencia de datos y el aprendizaje automático en sanidad
Hoy, el sector sanitario es terreno fértil para el aprendizaje automático y la ciencia de datos por el enorme volumen de datos de salud y la gran cantidad de casos de uso aplicables para la salud pública. Según Statista, la cantidad de datos que genera cada año la industria sanitaria mundial ronda los 2.314 exabytes (1 exabyte = 1.000 millones de gigabytes), lo que supone un incremento por 15 del volumen de datos generado en sanidad a nivel global desde 2013.
Los beneficios para la sociedad en términos de mejores resultados en salud poblacional son incontables. Deloitte estima que las eficiencias logradas gracias a casos de uso de ciencia de datos y aprendizaje automático podrían salvar entre 380.000 y 403.000 vidas solo en Europa. La ciencia de datos y el aprendizaje automático pueden integrarse a lo largo de todo el recorrido del paciente: desde la prevención y la detección temprana, hasta el diagnóstico, el tratamiento y la gestión de cuidados.
Por ejemplo, las personas pueden apoyarse en wearables y aplicaciones personalizadas para la detección precoz y la prevención de enfermedades, o disfrutar de menos tiempos de espera gracias al análisis de imagen médica con deep learning. El ámbito de la I+D también se prepara para generar enormes avances en salud, desde el descubrimiento automatizado de fármacos hasta el progreso de DeepMind en el plegamiento de proteínas con su algoritmo AlphaFold.
Los proveedores sanitarios de distintos verticales también pueden lograr grandes ahorros y mejorar su eficiencia. Por ejemplo, operacionalizar la ciencia de datos y el aprendizaje automático puede ahorrar al sistema sanitario europeo entre 170.900 y 212.400 millones de euros al año (Deloitte). Las mejoras en eficiencia van desde farmacéuticas que optimizan sus cadenas de suministro, hasta aseguradoras que afinan el gasto comercial al predecir la fuga de clientes, pasando por un aumento de la productividad gracias a la automatización de flujos de trabajo en distintos ámbitos.
Casos de uso de ciencia de datos y aprendizaje automático en sanidad
Atención al paciente
Los casos de uso de ciencia de datos y aprendizaje automático pueden mejorar los resultados de salud de las personas y automatizar tareas administrativas que consumen mucho tiempo para los profesionales sanitarios.
Gestión de citas: Con aprendizaje automático e inteligencia artificial basada en reglas, los proveedores pueden optimizar los resultados para los pacientes y evitar una mala asignación de recursos mediante la gestión automatizada de citas.
Diagnóstico temprano y prevención: Las aplicaciones de monitorización de la salud y los wearables aprovechan el aprendizaje automático y la analítica descriptiva para ofrecer información clave sobre distintos aspectos de la salud de una persona. Estas herramientas empoderan a las personas para tomar decisiones basadas en datos sobre su salud y detectar posibles enfermedades a tiempo.
Triaje de pacientes: Mediante aplicaciones de verificación de síntomas impulsadas por aprendizaje automático, los proveedores sanitarios pueden priorizar a los pacientes según necesidad y urgencia. Esto reduce drásticamente los tiempos de espera y genera grandes eficiencias para los proveedores.
Imagen médica y diagnóstico: Posiblemente uno de los casos de uso más relevantes de la ciencia de datos y el aprendizaje automático en sanidad (McKinsey). La imagen médica y el diagnóstico prometen amplias eficiencias y mejores resultados en salud. Con deep learning, los proveedores pueden automatizar flujos de trabajo y aportar valor al paciente con mayor rapidez.
Procesos de negocio y gestión
Como en cualquier sector, las aplicaciones de ciencia de datos y aprendizaje automático en sanidad cubren numerosos casos de uso para mejorar la eficiencia operativa y la experiencia del cliente.
Automatización robótica de procesos: Combinando aprendizaje automático e inteligencia artificial basada en reglas, los proveedores sanitarios de distintos ámbitos pueden agilizar flujos de trabajo y digitalizar procesos.
Fuga de clientes: Las aseguradoras pueden usar aprendizaje automático para predecir qué clientes se darán de baja, lo que ayuda a retenerlos y a optimizar el gasto en marketing.
Chatbots: Con chatbots, desde hospitales hasta aseguradoras pueden ofrecer un mejor servicio y acelerar la entrega de valor a los usuarios de servicios sanitarios.
Business intelligence: El business intelligence combina analítica de negocio, manipulación de datos y visualización para ayudar a las organizaciones a tomar decisiones más basadas en datos. Al aprovechar los insights, los proveedores sanitarios ganan visibilidad sobre las finanzas, automatizan informes de cumplimiento y mucho más (Villanova University).
Farmacéuticas
Con el descubrimiento de fármacos impulsado por IA y una mejor gestión de la cadena de suministro, las compañías farmacéuticas pueden apoyarse en la ciencia de datos y el aprendizaje automático para aportar más valor a las personas.
Descubrimiento de fármacos: Según el AI Index Report 2021, las startups de descubrimiento de fármacos con IA recibieron la mayor inversión privada en IA entre todas las industrias. Las promesas del descubrimiento de fármacos con ML empiezan a materializarse y podrían traducirse en grandes mejoras en la salud de la población.
Planificación de la cadena de suministro: El uso de ciencia de datos y aprendizaje automático en la cadena de suministro puede reducir el tiempo hasta la producción, acortar los plazos de entrega de vacunas y optimizar el gasto logístico de las farmacéuticas.
Excelencia en previsiones: Con herramientas de previsión, desde las más simples hasta las más avanzadas, las farmacéuticas pueden aprovechar datos de salud poblacional para estimar la oferta y la demanda de determinados medicamentos, y optimizar procesos de negocio en finanzas, marketing, ventas y más.
Mejora de los ensayos clínicos: La ciencia de datos y los wearables pueden reducir riesgos para los pacientes al monitorizar y señalar automáticamente efectos adversos durante los ensayos clínicos. Además, las aplicaciones con aprendizaje automático pueden acelerar los ensayos evaluando la elegibilidad de pacientes, el precribado y la aleatorización.
Retos y riesgos de operacionalizar la ciencia de datos y el aprendizaje automático en sanidad
Calidad e infraestructura de datos
Un gran reto para cualquier organización que quiera operacionalizar y escalar la ciencia de datos y el aprendizaje automático es habilitar una infraestructura de datos moderna, segura, centralizada y fácil de descubrir (DataCamp). Esto es especialmente cierto en sanidad, donde muchos datos siguen en proceso de digitalización y la creación de grandes conjuntos de datos se ve obstaculizada por la falta de interoperabilidad y la disparidad de criterios de calidad entre proveedores (McKinsey).
Cumplimiento y gobernanza
Como las organizaciones sanitarias recopilan datos muy valiosos y sensibles, la gobernanza y el cumplimiento son aspectos centrales al operacionalizar la ciencia de datos y el aprendizaje automático en este sector (Collibra). Aunque la regulación varía entre regiones (McKinsey), la sanidad se mueve en uno de los marcos normativos más complejos. Por ejemplo, en Estados Unidos, la Health Insurance Portability and Accountability Act (HIPAA) establece estándares nacionales para proteger y gestionar los datos de salud de los pacientes.
Este tipo de regulaciones específicas de salud son solo una parte de un panorama regulatorio muy complejo. Las leyes de protección de datos como el Reglamento General de Protección de Datos (RGPD) en la Unión Europea y la California Consumer Privacy Act (CCPA) añaden más complejidad cuando las organizaciones sanitarias construyen y vinculan conjuntos de datos dispares para aplicaciones de ciencia de datos y aprendizaje automático. Por tanto, contar con una fuerte gobernanza y cumplimiento de datos es esencial para operacionalizar la ciencia de datos y el aprendizaje automático en sanidad.
Habilidades
Habilitar la infraestructura de datos y consensuar marcos regulatorios es clave para operacionalizar la ciencia de datos y el aprendizaje automático en sanidad. Pero la mayor amenaza para su adopción es la brecha de habilidades en datos. De hecho, según una investigación de Qlik, al clasificar la competencia en datos de distintas industrias, la sanitaria es la que peor rendimiento muestra. La falta de habilidades en datos dentro de las organizaciones sanitarias dificulta el uso de la ciencia de datos y el aprendizaje automático en distintos ámbitos y limita la capacidad de generar adhesión a las iniciativas de datos.
Por ejemplo, el personal sanitario de primera línea necesita una competencia básica en IA para entender e interactuar con sistemas y aplicaciones basados en aprendizaje automático (McKinsey). Los managers y líderes en farmacéuticas o aseguradoras deben comprender qué es posible con la ciencia de datos y el aprendizaje automático para impulsar iniciativas de datos y contribuir a crear una cultura basada en datos (DataCamp).
No basta con contratar perfiles expertos en datos. Falta talento que entienda las complejidades de la sanidad y, en general, hay escasez de especialistas en ciencia de datos (Forbes).
La falta de competencia en datos es el mayor enemigo al que nos enfrentamos. A medida que el mundo se vuelve cada vez más impulsado por datos, el reto es aún mayor. Todo el mundo tiene que entender lo básico y debemos ser capaces de transmitirlo de una forma intuitiva y amena
Bill Zhang, Chief Data and Analytics Officer, AIG Japan
Cómo la formación en datos resuelve los retos de datos del sector sanitario
Abordar la brecha de habilidades en datos es fundamental para operacionalizar la ciencia de datos y el aprendizaje automático en sanidad. Según el World Economic Forum, la formación digital y en datos en sanidad y farmacéuticas puede aumentar el PIB mundial en más de 400.000 millones de dólares para 2030. Crear una cultura de aprendizaje continuo es clave para formar a la próxima generación de líderes en sanidad (McKinsey), que combinarán datos y ciencias biomédicas para escalar y operacionalizar el valor de la ciencia de datos y el aprendizaje automático en el sector.
