Big Data: análisis en salud

Actualmente se habla sobre el potencial del big data para transformar los modelos clínicos en la prestación de servicios inteligentes y eficientes. En este blog realizamos una contextualización del término de Big Data y cuáles son las aplicaciones y beneficios en el área de salud, que le permiten denominarse una herramienta trasformadora de los servicios clínicos.

¿Qué se entiende por Big Data?

Cuando hablamos de Big Data nos referimos a “grandes volúmenes de datos de alta velocidad, complejos y variables que requieren técnicas y tecnologías avanzadas para permitir su captura, almacenamiento, distribución, gestión y análisis de la información”; específicamente Big Data en salud abarca el alto volumen y la alta diversidad de información biológica, clínica, medioambiental y de estilo de vida recopilada de individuos o grandes cohortes, en relación con su salud y estado de bienestar, en uno o varios momentos de la vida(1). Así mismo, existen otras definiciones que enfatizan que el concepto de Big Data debe extenderse más allá de sus dimensiones, siendo  definido también por el potencial para ser utilizado, reutilizado, y por su acumulación de valor a lo largo del tiempo, lo que permite una mayor comprensión de los diferentes sistemas involucrados(2).

¿Cuáles son las dimensiones del Big Data?

Las características más importantes del Big Data se han clasificado en tres magnitudes, más conocidas como las 3v, relativas a volumen, variedad y velocidad, pero con el paso de los años y su implementación se han ido sumando otras cuatro dimensiones más; veracidad, viabilidad, valor de los datos y visualización.

1. Volumen: hace referencia a la cantidad de los datos de atención médica. Se estimó para el año 2020, 35 zettabytes (3).
2. Velocidad: es la rapidez de generación de datos de los pacientes en tiempo real, así como de su recopilación (4).
3. Variedad: se refiere a los diferentes tipos de Big Data sanitarios recopilados, incluyendo sus características heterogéneas y de naturaleza estructurada o no estructurada de los datos médicos (4).
4. Veracidad: se refiere a la calidad, relevancia, incertidumbre, confiabilidad y valor predictivo de los datos. Así mismo, la necesidad de que el análisis e interpretación deban ser realizados con cautela, y en contexto.
5. Viabilidad: se trata de la capacidad que tienen las entidades de generar un uso eficaz del gran volumen de datos que manejan.
6. Valor: no solo es el hecho de recopilar gran cantidad de información, si no el valor que se obtiene del análisis de esos datos, que permita tomar decisiones que beneficien al paciente y al sector médico.
7. Visualización: hace referencia a la manera como se presentan los datos, que permitan una comprensión gráfica y en perspectiva contextual.

¿Cuáles son las aplicaciones en el área de la salud?

Se han identificado diferentes áreas de aplicación en salud, por ejemplo: uso de recursos de salud, gestión de riesgo de la población, vigilancia de la seguridad de medicamentos y dispositivos médicos, entendimiento de diferentes enfermedades y tratamientos, apoyo en la medicina de precisión, calidad de la atención y medición del desempeño, procesamiento de imágenes, aplicaciones en investigación, entre otras(5). La implementación del análisis del Big Data en las áreas anteriormente nombradas permite a las organizaciones sanitarias avanzar en la detección temprana de condiciones clínicas, predecir con mayor precisión el curso de las enfermedades, identificar patrones de comportamiento de los individuos, generar recomendaciones personalizadas sobre tratamientos y estilos de vida y desarrollar políticas de salud pública, optimizando la rentabilidad en atención oportuna de la salud de los individuos y reduciendo el uso ineficaz de recursos(5,6).

¿Cuáles son las fuentes de información de Big Data en salud?

Las fuentes de información pueden ser distintas y dependen de la procedencia de la información (5)

• Información clínica: historias clínicas electrónicas, resultados de exámenes de laboratorio o de imágenes, prescripción de medicamentos, procesamiento de biomarcadores.
• Información administrativa: información sobre admisión, hospitalizaciones, trasferencias, entre otros.
• Información de seguros: Información sobre pólizas, seguros hospitalarios.
• Investigación clínica: hace referencia a la información obtenida en los diferentes estudios clínicos.
• Medios sociales. Datos sobre estilos de vida y bienestar obtenidos a través de celulares, monitores cardiacos en los gimnasios u otros dispositivos electrónicos.

¿Cuáles son los desafíos que tienen las entidades sanitarias para la implementación del análisis de Big Data?

Debido a las características del Big Data y a su potencial, existen diferentes desafíos por enfrentar (7,8):

• Utilizar tecnologías que garanticen la calidad de los datos. Debido al volumen de los datos, y a la heterogeneidad de estos, las instituciones o grupos de investigación deben implementar procesos de validación de la información.
• Contar con la correcta arquitectura tecnológica que permita la adecuada captura, trasformación y análisis de los datos.
• Utilizar algoritmos de cifrado avanzados con seudonimizacion de los datos personales. Estas soluciones de software deben proporcionar seguridad a nivel de red y autenticación para todos los usuarios involucrados, garantizar la privacidad y seguridad, así como establecer estándares y prácticas de buen gobierno.
• Crear políticas que faciliten los convenios institucionales que permitan el acceso a datos de otras regiones.
• Actualizar permanente a los profesionales encargados del análisis de los datos.

---

[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column el_class=»referencias»][vc_column_text el_class=»referencias»]

Referencias

1. Auffray C, Balling R, Barroso I, Bencze L, Benson M, Bergeron J, et al. Making sense of big data in health research: Towards an EU action plan. Genome Med [Internet]. 2016;8(1):1–13. Available from: http://dx.doi.org/10.1186/s13073-016-0323-y

2. Hermjakob, H., Yates, J, Lindsey, M, Ping P. Harnessing the Heart of Big Data. Physiol Behav. 2018;176(5):139–48.

3. Gui H, Zheng R, Ma C, Fan H, Xu L. An architecture for healthcare big datamanagement and analysis. Lect Notes Comput Sci (including Subser Lect Notes Artif Intell Lect Notes Bioinformatics). 2016;10038 LNCS(February):154–60.

4. Cyganek B, Graña M, Krawczyk B, Kasprzak A, Porwik P, Walkowiak K, et al. A Survey of Big Data Issues in Electronic Health Record Analysis. Appl Artif Intell. 2016;30(6):497–520.

5. Rumsfeld JS, Joynt KE, Maddox TM. Big data analytics to improve cardiovascular care: Promise and challenges. Nat Rev Cardiol [Internet]. 2016;13(6):350–9. Available from: http://dx.doi.org/10.1038/nrcardio.2016.42

6. Mehta N, Pandit A. Concurrence of big data analytics and healthcare: A systematic review. Int J Med Inform. 2018;114(January):57–65.

7. Ristevski B, Chen M. Big Data Analytics in Medicine and Healthcare. J Integr Bioinform. 2018;15(3):1–5.

8. Pastorino R, De Vito C, Migliara G, Glocker K, Binenbaum I, Ricciardi W, et al. Benefits and challenges of Big Data in healthcare: An overview of the European initiatives. Eur J Public Health. 2019;29:23–7.