Los sistemas expertos para tomar decisiones más y mejores en salud

La viabilidad de la sanidad pasa por invertir en tecnologías avanzadas que permitan hacer más con menos

Más allá de la minería de datos (Data Mining) necesitamos descubrir el conocimiento extraído en los datos que residen en las bases de datos (KDD) del sistema de salud por motivos científicos y económicos.

La información crece exponencialmente, recientemente en un foro internacional de innovación escuchamos que, ahora, en España, en solo 2 días generamos la misma información que en todo el año 2003, aproximadamente 5 Exabytes o lo que es lo mismo 5*1018 bytes, y ello es posible porque la capacidad de proceso y de almacenamiento es barata. Considerar la propiedad de los datos es crucial, hasta tal punto que en Estados Unidos, ahora, las organizaciones valen los datos que poseen.

En los hospitales existen muchos datos (imágenes y datos propiamente dichos) almacenados en historias clínicas, se trata de datos estáticos e históricos, y la tendencia será, cada vez más, recibir datos o imágenes desde un teléfono móvil de forma dinámica, que serán captados por dispositivos o sensores que medirán o reaccionarán a parámetros de los pacientes de muy variada naturaleza.

Para obtener el conocimiento desde los datos (aisladamente pueden no contener información relevante), tenemos que depurar estos, tratarlos con una metodología y convertirlos en información y posteriormente transformar y consolidar las diversas informaciones en conocimiento. Cuando agrupamos, estructuramos e interpretamos los datos disponemos de la base de la información humanamente relevante que podemos utilizar para tomar decisiones, reducir incertidumbre o realizar de cálculos.

Para cualquier campo de conocimiento, el método tradicional de convertir datos en conocimiento reside en el análisis manual y la interpretación de expertos. Así y para el caso concreto de la industria de la salud, es común en los especialistas analizar periódicamente las tendencias vigentes y los cambios en los datos de salud trimestralmente. Tras el análisis, los especialistas emiten un informe detallado del análisis a los patrocinadores; este informe se convierte en la base para las futuras decisiones y la planificación en la gestión de la salud.

Y esto es así tanto en cualquier campo de conocimiento. Pero esta forma de generar conocimiento es lenta, costosa y extremadamente subjetiva. De  hecho este tipo de análisis manual no es práctico en muchos dominios y pensamos que es insostenible.

Por ello, como sociedad basada en el conocimiento, es una necesidad económica y científica evolucionar hacia un sistema capaz de extraer el conocimiento de los datos de una base de datos (Knowledge Discovery in Database ó KDD) y esto se relaciona a un nivel abstracto con el desarrollo de métodos y técnicas para dar sentido a dichos datos y llevar el conocimiento al profesional sanitario y a la industria, de esta forma modificamos el orden del proceso de planificación y toma de decisión en la gestión sanitaria objetivándose.

Nuestro reto consiste en transformar los datos a bajo nivel (ya que estos datos son muy voluminosos para que los humanos los podamos entender y digerir fácilmente, por ejemplo, en una aplicación de diagnóstico médico nos podemos encontrar con miles de campos de información, la pregunta que nos hacemos es:¿Cómo podemos digerir millones de datos con miles de campos de información?), en otras formas más compactas como por ejemplo un pequeño informe, o en algo más abstracto, por ejemplo, un modelo del proceso que generó los datos, o también en algo más útil, como por ejemplo, un modelo predictivo para estimar el valor de casos futuros.

En la parte central del proceso está la aplicación de métodos de minería de datos para descubrir patrones y extraer el conocimiento. En sanidad, en este proceso de transformar los datos en conocimiento, interactuamos con los profesionales sanitarios, que validan nuestros hallazgos; los métodos y los patrones de cada una de las diferentes versiones de nuestros trabajos, y proporcionan precisión a nuestro abordaje de los problemas y a su mejor solución.

El KDD es, en definitiva, un intento de abordar el problema de la era de la información digital que nos ha tocado vivir; el exceso de información.

KDD se acuño en 1989 para enfatizar que el conocimiento es el producto final del descubrimiento obtenido desde los datos, y se ha popularizado en los campos de la inteligencia artificial y en el aprendizaje automático o aprendizaje de máquinas.

La famosa minería de datos  es solo un paso del proceso global que comprende el KDD y consiste en aplicar  algoritmos específicos para extraer patrones desde los datos, pero el KDD queda incompleto y será invalido, sin preparar previamente los datos, seleccionar los datos que nos interesan, limpiar los datos, incorporar el conocimiento previo adecuado, e interpretar correctamente los datos de la minería. Todos estos pasos son necesarios para garantizarnos que el conocimiento útil se deriva únicamente de los datos. La aplicación ciega del único paso de métodos de minería puede ser peligrosa ya que nos puede llevar al fácilmente al sinsentido y a patrones no válidos.

Esto requiere de una forma de proceder interdisciplinaria que evoluciona de forma continua desde la intersección de campos de investigación como son: El aprendizaje máquina, el reconocimiento de patrones, las bases de datos, la estadística, la Inteligencia Artificial (AI), la adquisición de conocimiento por sistemas expertos, la visualización de datos y la computación de alto rendimiento (procesamiento eficiente de grandes volúmenes de datos por ejemplo por móviles).

La minería de datos se relaciona fundamentalmente con el aprendizaje máquina, el reconocimiento de patrones, y la estadística para encontrar patrones desde los datos, mientras que el KDD pone el foco en el proceso global de descubrimiento del conocimiento, e incluye además, como se almacenan los datos y como se accede a ellos, como se pueden escalar los algoritmos para conjuntos masivos de datos y todavía poder  procesarlos eficientemente, como pueden interpretarse y visualizarse los datos, y como se puede modelar y dar soporte, de forma útil, a la interacción global del hombre con la máquina.  El proceso global debe verse como una actividad multidisciplinar que abarca las técnicas más allá del alcance de cualquier disciplina en particular, como es el caso del aprendizaje de la máquina. En este contexto, existen oportunidades claras para otros campos de la Inteligencia Artificial (además del aprendizaje automático) para contribuir al KDD.  El KDD pone un especial énfasis en la búsqueda de patrones comprensibles que pueden ser interpretados como conocimiento útil o interesante. Así, por ejemplo, dentro del paraguas de la inteligencia artificial, las redes neuronales, aunque poderosas herramienta de modelado, son relativamente difíciles de entender en comparación con los árboles de decisión.  Campos de investigación relacionados con la AI  incluyen descubrimiento máquina,  que se enfoca en el descubrimiento desde la observación y la experimentación, de las leyes empíricas, y el modelado causal para la inferencia de modelos causales de estadísticas en particular, esto tiene mucho en común con KDD. El KDD es fundamentalmente un esfuerzo estadístico. La estadística proporciona un lenguaje y un marco para la cuantificación la incertidumbre que resulta esencial cuando uno trata de inferir patrones generales desde uno particular, utilizando una muestra de una población total.   El KDD también puede ser visto como algo que abarca una visión más amplia de la modelización que la estadística.Y tiene como objetivo proporcionar herramientas para automatizar (en lo posible) todo el proceso de análisis de datos y el  “arte ” de los estadísticos  de la selección de hipótesis.

Como conclusión, el KDD es un campo interdisciplinar que proporciona al profesional y al gestor un conocimiento objetivado, de forma más ágil y económica y le proporcionan  un gran soporte para la toma de sus decisiones y para el proceso de planificación de la gestión sanitaria. Y no debemos confundirlo con la minería de datos que es tan solo un paso central del proceso KDD.

Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedIn

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *