6 casos en que Big Data es el mejor doctor

6 casos en que Big Data es el mejor doctor

Un nuevo estudio hecho en el Hospital Brighman y Mujeres esboza la oportunidad de reducir costos a través del uso de big data.

La utilización de historiales médicos electrónicos se ha desplegado en todo Estados Unidos y esto se debe principalmente a la implementación de la Ley de Cuidado de Salud Asequible. Esos expedientes representan información clínica muy valiosa para los investigadores, pero ha sufrido un dramático incremento.  Pero, para obtener conocimiento con el potencial de mejorar el cuidado del paciente, se requiere de un proceso conocido como Big Data.

Según reporta EurekAlert!, en un reciente estudio publicado en Health Affairs, los investigadores destacan algunas de las oportunidades más claras de reducir costos a través del uso de Big Data.

Los ejemplos que presentamos en este estudio proveen información clave para obtener grandes beneficios en el cuidado de la salud ya que Big Data tiene implicaciones para regular omisiones, ofrecer sugerencias sobre el manejo de la privacidad y enfatizar la necesidad de apoyo en la labor de investigación”, afirma David Bates, director del estudio y jefe de calidad en el Hospital Brighman y Mujeres.

Aquí conoce los 6 casos médicos en el que el Big Data puede ser el mejor doctor:

1. Enfermedades caras: Solo 5% de pacientes constituyen cerca de la mitad de los gastos en servicios de salud de Estados Unidos. Bates y su equipo exponen los temas que deben ser abordados para identificar y manejar a los pacientes de alto costo. También buscan formalizar un método para predecir cuáles pacientes podrían llegar a serlo, qué medidas se pueden incorporar para mejorar ese pronóstico -particularmente en el ámbito de la salud mental-, y cómo hacer tal predicción procesable.

Los científicos señalan que hacer más efectivos los nuevos sistemas de análisis dependerá de la pericia para favorecer la disponibilidad de las predicciones a los médicos de forma que no perturbe su flujo normal de trabajo. Asimismo, indican que el desarrollo de modelos predictivos requiere a su vez desarrollar sistemas de análisis usando datos de pacientes de alto riesgo.

2. De regreso al hospital: Los investigadores advierten que una tercera parte de readmisiones puede prevenirse, lo que brinda una gran oportunidad para mejorar los cuidados y obtener una reducción de costos. Bates y su equipo sugieren que todas las organizaciones de salud deberían usar algoritmos para predecir quiénes serán readmitidos aunque también señalan los retos de su implementación.
   
   Estos incluyen: adaptar la intervención de cada paciente, garantizar que reciba la atención planeada para él, monitorear pacientes específicos después de ser dados de alta para asegurar que no tengan problemas posteriores que deterioren su condición y asegurar un índice bajo de falsos positivos.
    
3. ¿Cuál es la urgencia?: El triage efectivo o la asignación de grados de urgencia es esencial para estimar el riesgo de complicaciones cuando un paciente recibe por primera vez cuidados hospitalarios. Esto es importante para manejar al equipo y los recursos, así como para garantizar que la persona sea enviada a la unidad de cuidado correcta y, en general, su cuidado.
   
   Los investigadores sugieren integrar un algoritmo de triage en el flujo de trabajo clínico y destacan la importancia de tener una directriz detallada para tener claro cuán específico deberá ser
    
4. En estado crítico: Cuando la condición de un paciente empeora, hay generalmente un periodo en el cual la información psicológica puede ser usada para determinar si el paciente está en riesgo de descompensación.
   
   Los científicos explican que la base lógica para la unidad de cuidados intensivos era permitir a los pacientes con enfermedades críticas ser monitoreados de forma cercana. Asimismo, enfatizan que tales sistemas ahora pueden ser usados en todo el hospital y que su análisis efectivo en esta área debe usar múltiple transmisión de datos para detectar una descompensación.
    
5. Fallas y efectos secundarios: Son costosos y tienen altos índices de morbilidad y mortalidad pero son altamente prevenibles. Los investigadores evocan tres áreas: falla renal, infección y eventos adversos con medicamentos, como oportunidades específicas de utilizar Big Data para reducir costos.
   
    
6. Males crónicos: Las condiciones crónicas que abarcan más de un órgano o sistema son las más costosas de manejar. Los desórdenes autoinmunes como la artritis reumatoide y el lupus frecuentemente están en esta categoría y la habilidad para predecir su trayectoria podría ayudar a los médicos a dar terapia de una forma más dirigida.
   
   La utilidad de Big Data en esta área ofrece aproximaciones efectivas que, combinadas con las mediciones de la rutina de cuidado, podrán predecir la progresión de enfermedades y la personalización adecuada de tratamientos y terapias.
   
   El acceso a los historiales médicos electrónicos con información pertinente ha sido la mayor limitación para adoptar el Big Data en el tratamiento de enfermedades crónicas, pero como su uso se ha ampliado, el progreso en esta área avanza tanto para mejorar el cuidado del paciente, como en el uso de los historiales.

El equipo investigador destaca que estos casos no forman parte de una lista exhaustiva en la que el Big Data pueda ser usado para mejorar el valor en el cuidado de la salud. En realidad, señalan que estos casos enfocados en el marco de una hospitalización, pueden transferirse a casos fuera de este escenario.

El apoyo para una investigación que evalúe el uso de analíticas y Big Data para abordar estos seis casos, así como la metódica consideración de una regulación y compensación está garantizada. Además, como la múltiple transmisión de datos se hace disponible con propósitos de análisis, la consideración de la privacidad de los pacientes y su deseo de ligar fuentes dispares de información será de máxima importancia”.

Fuente: http://quo.mx/10-cosas-que/2014/07/29/6-casos-en-que-big-data-es-el-mejor-doctor