Machine Learning Collar-Máquinas que aprenden a administrar para que tú decidas

recepcion humana

Querido lector

Queremos compartir contigo la curiosidad que nos anima a i NOVar para tu #bienestar (abba healthy ageing)

Agradecemos a # New Medical Economics  la oportunidad que nos proporciona para compartir este contenido contigo, podrás encontrar este primer contenido de la serie en el 

Confiamos que pueda inspirar tu curiosidad.

Disfruta consciente cada uno de los sesenta segundos de un minuto.

___________________________________________________

i de iii

 “Machine Learning Collar (MLC) Máquinas que aprenden, administran y proponen decisiones”

 para que nosotros, las personas, podamos tomarlas de forma precisa y numerosa, decisiones de nueva naturaleza, preventivas y proactivas, centrándonos en lo que verdaderamente importa: la persona cliente-paciente

_____________________________________________________

 Abordaremos, a lo largo de la serie MLC, una sequencia de hechos temporales relevantes para la Sociedad que conocemos y la que avecina

i  – Antecedentes: Evolución de talento: De “trabajadores de cuello azul” (blue collar workers) a tecnólogos de cuello blanco (Techie white collar)

ii – Las mejores prácticas Lean Healthcare actuales y finalmente

iii –Compartiremos nuestra visión del futuro, pero presente, de la pura digitalidad de la salud y el bienestar, y reseñaremos realidades

__________________________________________________________

Una visión del futuro cercano, o mejor dicho, de presente, de las organizaciones digitales

___________________________________________________________

“ Desde sistemas de gestión pasivos, basados en el cumplimiento de la ley y su internacionalización, a sistemas pro activos de previsión de negocio, riesgo y toma de decisiones centrado en el cliente-paciente y en el Mercado”

 

i de iii

Evolución del tandem talento y tecnología

Del Main Frame de los Blue Collars al ERP y al EOS de los techie white collar
Main Frame
El deseo de cumplimiento, Regulatorio; de las leyes mercantiles y fiscales promueve la idea de aplicar la tecnología a la automatización de los procesos requeridos por el legislador para gobernar un entorno empresarial cada vez más complejo.
Así, de la mano de una, en aquel entonces, todopoderosa y conocida compañía norteamericana, tras la aplicación de las tarjetas perforadas a los procesos contables, se consolidó la automatización de la contabilidad y las cuentas de gestión usando los míticos pero todavía presentes, Main Frames.

” Los Main Frame restaban y restan autonomía a negocio, permiten la entrada rápida de datos, pobres en atributos y características, y exige arduos esfuerzos de desarrollo de software para garantizar la vigencia de los informes que precisa el decisor empresarial para gobernar, un mundo de negocios cada vez más dinámico y complicado, que require de cada vez más nuevos puntos de vista, con información veraz y oportuna”

En este nuevo entorno evolutivo de mayor complejidad, el fulgurante desarrollo industrial de la segunda mitad del siglo xx, precisaba, para lograr la armonía del sonido de la “orquesta empresarial”, monitorizar los procesos de compras, producción y por supuesto, de las órdenes de venta.
Corrían los años 70 cuando un grupo de ingenieros de la filial alemana de aquella prestiosa compañía Americana, con profundos conocimientos del sector industrial, conscientes del GAP de integración entre las operaciones y la contabilidad, deciden crear una spin-off para gestionar la planificación de los recursos de la empresa industrial tipo.
Hoy, 50 años después, las organizaciones líderes del mundo se gestionan con esta evolucionada solución alemana
Ciertos procesos, por su naturaleza financiera, tienen impacto en la contabilidad, en los informes de management, en el control de costes y en la tesorería
Así, es necesario integrar automáticamente en los estados financieros principales, unidades de negocio, almacenes, cobros y pagos las operaciones con hechos financieros asociados a la contabilidad “simplemente porque lo dice la ley”
Pero dado que esta contabilidad no era adecuada para disponer de una vision de planificación, ni de medición, ni de toma de decision y medidas de corrección de la gestión para replanificar, había que añadir información extendida, es decir;
Un parche de impacto en ineficiencia para el modelo de datos y para la capacidad de proceso de información de las organizaciones, con interminables esfuerzos de reconciliación bidireccional de las diferentes fuentes de información.
Esto supuso añadir nuevos atributos del objeto en la entrada de datos (con nuevos campos de datos) que proporcionases los puntos de vista necesarios para saber cuanto nos gastamos en los productos vendidos, desde la prespectiva de los centros de coste y de beneficio, también si las  líneas de nuestro negocio son rentables, o si los canales de distribución son eficaces, efectivos y eficientes, etc…
“Para satisfacer esta exigencia de los decisores y analistas de negocio, los tecnólogos e informáticos, en lugar de centrarse en aumentar la funcionalidad del núcleo central de sus sistemas, consumieron más del 70% del tiempo y esfuerzo, en construir estas nuevas vistas requeridas

“En este contexto, las compañías comienzan a apostar de forma decidida por

expandirse internacionalmente”

Las oficinas centrales (“Headquarters”) necesitarían, entonces, medir lo que pasa en todas sus subsidiarias diseminadas por el globo y especialmente, consolidar la información financiera agregada,
Para ello, era necesario nuevas formas de talento de capaces de manejar la complejidad internacional y multi- cultural,  de las organizaciones multinacionales, de forma fuesen capaces de integrar en los estados de situación agregados, todas y cada una de las leyes de los países donde la sede central tenía empresas filiales,
Además de medir la evolución del negocio agregado en todas y cada una, líneas de negocio cross-países, informar a las autoridades de la información por segmento de negocio y de la información específica del negocio de cada territorio.
Así nuevas generaciones de “cuellos blancos tecnológos” debían abordar y armonizar el cumpliemiento local pero desde el control mundial, medir los resultados de todos sus negocios y segmentos, añadiéndose todavía más complejidad a la gestión. (Sugerimos la lectura de un clásico: “La práctica del management”, de Peter Drucker)e management.
El Middleware, ó lógica de intercambio de información entre aplicaciones, se convirtió en el protagonist  estelar de la película “ parches sobre parches para corregir errores”. Se arraiga así, el diseño de “arquitecturas de sistemas y modelos de datos de pesadilla” con un nuevo agravante; los cuellos de botella de los cada vez más voluminosos departamentos de garantía de calidad del software..
Así y a pesar de los pobres progresos de funcionalidad, los fabricantes eurpeos y americanos de software, y las consultoras de IT “vivían su edad de oro” gererandose problemas inter-capas irreversibles que hacían que la solución a cualquier mínimo detalle resultase desgastador y desmotivador.
En contraste, el dinamismo del mundo, promovido por la plena explosión del marketing y la comunicación, con el nacimiento de conceptos como Experiencia, Segmento cliente y Mercado objetivo generaba los cada vez más importantes
-Requerimientos de relaciones con el cliente y sus percepciones, -Conocimiento del mercado y sus predicciones de comportamiento,
La tecnología que se estaba aplicando conforme al estado del arte del momento dejaba claros síntomas de agotamiento por:

“La Incapacidad de prevenir, de reaccionar a las tendencias,

Imposibilidad de anticiparse en el acceso al Mercado con nuevas propuestas,

con sistemas que no habían sido concebidos para ello,

soportados con

modelos de datos inmanejables”

Como actores secundarios del gobierno IT en las compañías, los gerentes de negocio exhortaban a los departamentos de Sistemas de información y telecomnicaciones para que le diesen prioridad a su Proyecto y no al Proyecto del departamento vecino, y en cada petición de trabajo a IT

“Hazlo sencillo, hazlo fácil, y hazlo lo más rápido que puedas,

que mi cliente es exigente,

y debo sacar un producto nuevo antes que mis competidores

para ser sostenible”

Las prohibitivas  limitaciones técnicas y de coste en: almacenamiento de datos y en velocidad de proceso de la información, impedía poder satisfacer estos requerimientos; la esencia del negocio.

“Es entonces cuando los “cuellos blancos”

con la intención de ser más autónomos en su gestión

motivados por obtener información oportuna, integra y veraz,

se convierten en gestores tecnológicos y comienzan a interrogar (Query)

por si mismos a las bases de datos para conseguir respuestas por si mismos.”

Todas estas necesidades insatisfechas, fueron las que propiciaron la evolución del ERP (Planificador de gestión de recursos empresariales) hacia una nueva concepción:

“El Enterprise Operating System (EOS), o Sistema de Gestión de las Operaciones Empresariales para atender las necesidad de todos los actores del mercado, e incrementar la productividad que paulatinamente se había perdido por la falta de nuevas funcionalidades y la latencia en el análisis del negocio”

Los To Do lists, o listas de tareas pendientes, del EOS en tiempo real, alineaban un poco más al trabajador con la estrategia operativa de su empresa que además podía, con la nueva herramienta, cerrar en tiempo real y diseñarse sus propios informes a medida accediendo a un modelo de datos más amigable
Pero la pregunta que nos hacemos es; No sería major deconstruir los ineficientes modelos de datos y arquitecturas antes de seguir despilfarrando recursos en parches que no contribuían a la Cuenta de Resultados?
Tendríamos que esperar a que se produjese un salto exponencial en la tecnología antes de reinventar los sistemas de gestión?
Nos ponemos a vuestra disposición para cualquier duda o sugerencia sobre la materia

PUBLICACIONES ANTERIORES

Acceda gratuítamente a nuestras publicaciones de
> Humanización,
> Sistemas Expertos
> ETICA y nuevos modelos sociales
> herramientas de gestión de procesos Efectivos, bestprofile . 
> Diseño de procesos  efectivos @BESTPROFILE #GrantThorton LEAN de gestión de clínica
> SOLUCIÓN INTEGRAL PARA LA GESTIÓN DE CLINICAS DE ÉLITE  
> SAP Hana Healthcare talent research
> Sistemas expertos y robótica para la salud (i+D+I pipe line)

“EXPERIENCIA PERSONAS

del control a la pro actividad en el trato con PERSONAS:

pacientes-clientes”

RESPONSABILIDAD SOCIAL CORPORATIVA: MAIMODERNIZACIÓN

           CAMBIAR LA ACTITUD DE PERSONAS QUE CUIDAN DE PERSONAS-
          #ATTITUDEFOUNDATION     @ATTITUDEFOUNDATION

i NOV edades

          > El cochón inteligente de Pikolin y la música de @malikian  y el #internetdelascosas

> bestprofile open medical image: STOP! TCO

> Nuevas soluciones de tecnología aplicada a las necesidades de los mayores

          http://www.pikolin.com/es/smartpik
Si quieres ver el texto íntegro de este artículo en Inglés
https://www.linkedin.com/pulse/machine-learning-collar-mlc-luis-silva-ponte-bba-emfc-mads-1  Resultado de imagen de bandera inglesa,  pincha en este enlace;

Practicando innovación II- Algunas reflexiones

El arte de desaprender para reaprender

Innovador- Me gustaría defender y definir, que detrás de un innovador, que podría ser una 
persona que no tenga la actitud de aceptar propuestas "as usual" o 
"negocios como de costumbre, o inerciales".
biotech_image1

Actitud innovadora- Podría ser, sobre todo, digamos, una predisposición genética que puede 
activarse o no? Según existan o no las adecuadas motivaciones?. 
Esta posiblemente relacionada con la capacidad de enlazar conceptos aparentemente heterogéneos a priori, que no tienen nada 
y que no tienen por tanto que ver uno con el otro en una primera percepción, 
y sin percepción por parte de una mayoría, 
y que con base en una nueva forma de pensamiento relacional, por parte de una persona o de un 
pequeño grupo, llega a enunciarse como una fusión de conceptos novedosa.
Se alinearía con una  actitud o forma de ser curiosa intelectualmente? 
Por último, la innovación motivada por la experiencia de una necesidad propia insatisfecha.

Todos estos activadores pueden ser la causa de una forma alternativa de pensar y llegar 
a hacer lo pensado.
El nuevo concepto de creación de nuevo valor(inexistente hasta entonces) puede ser de un 
pequeño colectivo o de un individuo, (soledad creativa) que realiza el ejercicio alimentado por el 
el conocimiento de las aportaciones de un grupo compuesto por variadas disciplinas que 
necesitan una alineación corporativa para aterrizar la idea en bruto en algo más 
"materializable".

La innovación es un proceso que incluye desde el análisis de la viabilidad de la idea, 
la planificación,y la operación hasta la fructificación, y esta requiere de un proceso 
completo en el que se podrían considerar diversos escenarios finitos, la necesidad de materias
primas como el talento, la actitud, la cultura de la empresa, el patrocinio directivo, 
La comunicación y la negociación interna y externa, la valoración continuada de las ideas, 
la integración dentro del modelo existente o si se va a requerir un nuevo modelo de negocio, 
lo que será un diseño realista para una construcción viable, 
cuales son las barreras de mercado, cual sería el tiempo más largo y las finanzas comprometidas
para la fructificación, si sería desarrollado internamente, o deberían ser manejadas como una 
opción de externalización, identificación de las principales ventajas y desventajas. 
La disposición de una empresa basada en proyectos, en procesos o en funciones,y cientos de 
preguntas que deben considerarse a la hora de acometer una encomienda "inédita" en ciertos 

La innovación es la gestión de la incertidumbre, por lo que supone de inédito, e implica; 
desaprender para reaprender
Por ejemplo, en un movimiento de las ideas de la banca a la salud, enriquecería las 
exixtentes a través de un modelo mezclado de un nuevo banco de la salud. Mientras tanto, 
el profesional debe ser necesariamente implicado en una deconstrucción de conocimientos 
inútiles (no se pueden combinar en el nuevo escenario) y reconstrucción (Por fusión de 
conocimientos) de fase rápida, por ejemplo, para:
-Ganar el subsector bancario vinculado a la medicina 
-Para crear un mercado de la salud, por ejemplo.



Luis Silva Ponte

Socio Director de bestprofile i-NOV de Action para la acción.

Le acompañamos a través del proceso de reflexión y construcción de su innovación para su 
realización.

Para cualesquiera requerimiento, investigación ó pregunta, por favor, póngase en contacto con 
luissilva@bestprofile.eu, o si lo prefiere, llámenos al +34655802277

Innovación práctica-Reflexiones

El arte del reaprendizaje y el desaprendizaje.

bagagge

Muchas personas, durante los últimos años, me han sugerido y alentado para escribir artículos (New Medical Economics) o incluso un libro sobre la innovación. Aprecio verdaderamente esta sugerencias y especialmente su apoyo, y sólo puedo decir: gracias, a todas las personas que me han proporcionado su confianza, especialmente acerca de la manera en que pienso lateralmente.

Se van a publicar una serie de posts, estos posts tan solo pretenden proyectar algunas reflexiones sobre el para que de la  la innovación? y quien innova?

A modo de introducción, podríamos reflexionar acerca de con qué propósito, una organización proporciona la oportunidad de innovar sólo a los profesionales encargados de desarrollar nuevos conceptos que requieren la capacidad de obtener nuevas habilidades.

Existen distintas decisiones – Hay organizaciones que podrían considerar, sólo como  factible o de éxito,  que las metas de innovación solo se asignen a cierto tipo de profesionales a los que han  identificado bien internamente o bien externamente como innovadores, La otra decisión, opuesta, podría ser considerar si se pueden asignar objetivos de innovación como algo  extensivo a cualquier persona en una organización, basándose en una confianza personal y en las creencias acerca de las actitudes y capacidades de los candidatos.

La organización, con base en un cuadro de mandos estratégico, o en sus necesidades de supervivencia, definirá la innovación como una obligación, una emergencia, o como un deseo a medio plazo. No podemos decir si este ejercicio podría ser rentable para una organización o no. Sólo el mercado y sus barreras lo saben. Especialmente importante es no anticiparse a las necesidades del mercado. Pero pensamos que es muy saludable iniciar y consolidar un proceso de innovación corporativa continuada.

He tenido la oportunidad de  moverme en una variada gama de empresas y sectores, de diversas culturas y tamaños con el desempeño de responsabilidades que han requerido una variada gama de conocimientos, tanto dentro de un entorno internacional. A través de estas experiencias variadas, específicas, y multidisciplinares, estoy construyendo un bagaje, mi equipaje.

consultancy2

A partir de estas experiencias, he llegado a la conclusión de que una lista de preguntas indeterminada, podría haber provocado una innovación evolutiva y no tanto las respuestas.

con luissilva@bestprofile.eu o llámenos al +34655802277

New social and health model based in expert systems

The expert systems, mother cells and genetics, define a radical present and future for health and for society. It appears to be a new industrial revolution. Human being adaptation to this strong new era will determines a new social model

A dilemma. Expert systems, ethics and a new social model.Thank you! Jesús Dorado Debeza for your translation

A few years ago, back in May 2007, while I was studying a postgraduate in a prestigious Spanish business school with worldwide presence, an excelent professor whom I was privileged to meet, enjoy and learn from, helped us progress (as part of his differential classes of business statistics) in a case about this real decision-making process, related to possibility of a sound investment.

In that context, of a business case, the model-solution relationship was wilfully made more complex with “constructive scientific malice aforethought by the professor” so we could get the knack and capacity to analyse the business need to solve, and also in order to apply our decision conclusions by making use of a wide range of statistics and models, which aimed to explain data distributions.
.
Thus our professor recommended us to follow below sequence of steps:

1) Searching for information sources as trustworthy & proven as possible.

2) Ruling out useless parameters.

3) Analysis.

4) Considering and estimating how data can be best transformed.

5) Treating & processing data sets which are expected to turn relevant and useful.

6) Combining the different alternatives that we have in order to give a solution and to treat each and every one of the steps and combined situations that we need to address the case. Along those lines a real life case related to a business need would be for instance facing two alternatives: to make or not to make a real estate investment.

The final appearance of the endless excel worksheet looked very much like a `matrix´ product. In brief we have reached a randomized simulation model designed for decision-making process. where dynamic simulations (resulting from giving different values to relevant variables in our model) are presented & depicted in real life change. This enables us to appreciate how different values of the key variables impact on the final decision to take…known as `what if´.

This random functioning gave color in a dynamic and fancifully manner (due to sheer chance) to the worksheet cells, each one linked to multiple decision alternatives that generate various changes in variables values that our `matrix model´ considers going randomly from a red filling, to red or to an orange filling.

The model mostly showed was the green cell-filling, but there were also (though relatively less) cells filled with orange and red. Finally the model is presented to the Board of a Spanish energy multinational versioned more or less in the following fashion:

With a probability of “P”, a certain deposit with potenctial energy raw material  is expected to have a lifetime of “Y “years or longer, assuming “V” as daily raw material extracted. We reckon that the Board that is provided with this random model (so dynamic as well) with continuous real life decision-making simulations of outcomes like `Now The Decision is Yes´, could be, let us say, charged of certain worrying concepts….

….`Now the Decision is Yes as well´, `Now No´, `Now Investment Decision Could Be Successful only if certain combination of variables works´.

We would be `intellectually restless´ to say the least, because we would not be very sure when pressing the button `Go Ahead´ or the button `Stop´ before such spiralling & dazzling reality. It is Difficult to figure out what the Board could be thinking about when facing the decision of which button to press.

Anyhow this model poses a Much Better Support to Take a Decision rather than just trusting one´s intuition. Thus our dear professor and mentor Pedro used to say: `There you have the model, that is my Responsibility as Technical Consultant. Now You Assume Yours as Top Executives in this business´.

Finally Board Members make up their mind and pressed The Button. INVEST!

I Suppose that they would have to convince their respective Shareholders that this Proyect contributed somehow with added value to business P&L. What I do not know about, is whether they spoke about `Matrix´ and about Decisions that were taken based on a random model certainly complex, difficult to understand and based on probability that actually worked, with a superior probability `P´, a paragraph ´P1´% and a confidence interval `C´%.

Surely in this ambitious project (that was carried out and, in the end, a successful investment) the most expensive part (as in most energy projects) was the cost to access trustworthy and well-reputed information sources based on pricey in-depth geological studies.

In that model `Business Solution´ the statistician is the one that filters (following his/her sound professional criteria) the Knowledge and which model can turn our to be the adequate according to his/her best understanding, in order to find best possible Solution.

Nowadays, thanks to the Neural Networks and to other proactive modelling tools (which, by the way, are not  nothing paragraph new concepts) that allow profound learning about variables that conform Behaviours, Images, signals, Videos… (deep learning of the analysis of variables and their dynamism).

The role of the mtatician, the mathematician,the physical and the physician, and why not, the role of anyone who Wants and Can Do it, consists of applying The Knowledge to select and Activate the necessary tools to apply to face the challenge: satisfying and meeting a Human Need. Thus they supervise feeding process to go back, and/or correction and/or refinement of the `drudgery´ / of the starting model, so afterwards the own tools are processed. It sounds like: `IS IT LIKE THE NEW INDUSTRIAL REVOLUTION, SOMETHING SIMILAR? DOES NoT IT?

This way, Today, Here and Now, black boxes, incomprehensible for most people, with algorithms of questionable and questioned `traceability´ (i.e. questioned by Banking Regulatory Bodies in certain Countries) provide us (and we insist here, today, here and now) ESSENTIAL solutions to Take Decisions with very High level of Success Probability.

Summarising, the reality is that these business solutions actually Work! And they allow you to reach original Conclusions like: in Certain European Country, the best client that repays a certain debt is a foreigner who has a landline.

Even tougher, we insist here, it is a professional answer to why they Work and How. We do not have a clear traceability either about how it has evolved.

`Matrix is stubborn´, it is dynamic, and it autosophisticates when new `entries´ are introduced, it self-learns out of its own mistakes and re-learns; and the most differential feature is; deciding very quickly about BEFORE and BETTER because it is very swift in analysis and processing data, it is capable to act, (practically in real time) with a truly adequate infrastructure, and it also takes into account a great number of factors, dimensions and points of view, unattainable for me even if I dedicated the rest of my life solely focused on it.

Besides it is us, who create and update a `Matrix´. If solely applied to the energy field, I feel vertigo thinking about it, these expert systems give me the creeps and, perhaps, make me feel panic. But I know that they work, and they actually Work very well. If I know how to use them, and additionally they work in my own benefit, in fact, when I surf the web, I am being applied (my behaviour) and analysed via these techniques today, here and Now.

With this case, I do my best to illustrate that this is applicable to ANY decision that we Hhave to take at any given field of knowledge, and specially in medicine.

In the past, we used to have the excuse that using this type of support for decision-makers of the medical clinic was not viable due to costs and to the lack of adequate tools and technological infrastructure. Now we have no excuse.

Either I am prepared to do IT, or I am not.

I cannot fight against “Tech” since it is my responsibility and my fault. As my dear Aníbal R.says: `if you do not react, do not complain´. Or else, Antonio A. says: `Try your best´. At the beginning we start creating stubbornly made models, and later on, we can reach a more refined version that solve your need. Brilliant!

Evolve, reinvent yourself and fight. I would also say, let´s get out of comfort zone because the opportunities are outside that zone.

As Steve Jobs stated in his speech in the Graduation event of Stanford University: `Stay Foolish, Stay Hungry´. It has become more and more of a reality that the line that differentiates the role of the technician and decision-maker is getting thinner and dimmer every day.

It looks like the upsetting dilemma that Einstein had about how the micro and the macro integrate and correlate with one another in the cosmos. In the end, he was not able to explain that everything is Integrated and in harmony. The dilemma comes up all the time, again and again, in different Fields, and more and more Often.

Are we willing to accept a new order that evolves unstoppably in the present towards the tendency that expert systems will plan us and make decision-making processes easier and sooner? Are we willing to accept that we are unavoidably turning ourselves into data scientists to become more effective, efficient and useful?

Then, LET´S GO FOR IT!

The path to attain it is full of free tools to understand this new reality that we live in and that we are going to continue living.

For example, as an economist we focus on making the most out scarce resources that could also be utilised in an alternative manner. We try to do it in an effective and efficient manner to live as best as we can, also bearing in mind , and above any other consideration, we make the most out of the time to generate added value. Thus, I consider these Technologies as very positive in the sense that they allow us to take more and better decisions.

 I am very worried about immediacy, because every day, I generate New cases about which I have to decide.

Thanks to expert systems and to `Off the Shell´ solutions we will be able to diagnose earlier and better, we will also be able to take better decisions, and before about HOW TO ACT AND TREAT the diagnosing finding, hence improving the AVAC, AVAD,QUALYs, DALYs.

We will also be able to Generate an Early Diagnose of Diseases Based on a real time monitoring, and therefore we will APPLY the most appropiate CLINICAL SOLUTION given the existing and viable alternatives. Thus the unusual pains will not become that unusual, and we will be in a position to utilise the necessary resources according to procedure, adherence of treatments will be improved, cross-functional and cross-fields procedures shall become more effective and efficient and we will ultimately be able to Research more, earlier and better.

One day we were under the impression that the industrial revolution did away with a lot of things, and really speaking, the only thing that has happened is that society transformed into a NEW SOCIETY WITH A NEW MODEL.

It is a DILEMMA. How will the new social model be? Let´s Bet, but let´s also stick to Ethics ALL OF US in this process!

 

 

May we help you?

Luis Silva Ponte.

Managing Partner of bestprofile-sustainable health and innovation-management consulting.

luissilva@bestprofile.eu

 t-+34655802277

“Realizing for you”

www.bestprofile.eu 

 

Eurpean Health=European Union-Publicado extracto en New Medical Economics (texto original)

Cuando hablamos de Unión Europea y pensamos en la desigualdad de prestaciones que existen en cada estado miembro y entre los distintos Estados de la Unión, reflexionamos profundamente sobre la Unión

When we speak about European Union and think about the no equalllity of the services and costs in a State and interstate, we reflect deeply about the meaning of Union.

¿Quo vadis Euro y Sánitas en el nuevo Millenium?

Co-Coautor: Ernesto Pelizing Doctor en Filosofía por la Universidad de Bochum.

Especiales  agradecimientos Dr. Pelzing! que nos ha permitido entender más y mejor el sistema Bismarck.

Ernesto Pelzing escribe artículos de opinión sobre materia germana en Der Spiegel y en el Diario el País

 

 

CONCLUSIONES

Somos una Europa y una España diversa con varias velocidades que deben converger en productividad (capital más trabajo) y redistribución de la riqueza para poder subsistir en el medio plazo y satisfacer las necesidades del presente sin comprometer las necesidades de las futuras generaciones.

 

El objetivo de salud universal, de calidad y próxima, es clave para garantizar y mejorar los niveles de calidad de vida y alargar consecuentemente nuestra capacidad de sostener el sistema.

 

El gap existente entre los niveles de productividad y coste entre los Estados de la UE es una realidad y los sistemas locales de cada Estado de bienestar y salud comparten profesionales en sus respectivas opciones públicas y privadas.

 

Esto se explica en gran medida por los modelos de retribución que deben converger en función de resultados, en este sentido, la normalización y unificación de mediciones se hace imprescindible para compararse con el benchmarck de referencia.

1 ¿De donde venimos? 

  • El sistema sanitario español: un mix del sistema alemán y del británico El sistema sanitario público alemán, denominado sistema Bismarck, es el sistema público de social y de salud más antiguo del mundo, fundado por el Canciller Otto von Bismarck en 1883. De este sistema originario han surgido otros sistemas universales como el Británico, bautizado con el nombre de su fundador; Sir William Beveridge.

 

Este sistema Beveridge data de 1946, y en la actualidad es conocido con el nombre de National Health Service (NHS) La diferencia esencial en cuanto a la forma de acceso al servicio médico entre los sistemas Bismarck y Beveridge es de agilidad de acceso al servicio médico.

Así el paciente del NHS tiene que acude obligatoriamente al médico de cabecera gate keeper para que este autorice la visita al especialista mientras que en el sistema Bismarck el paciente puede acudir directamente al especialista.

Desde el punto de vista de control y gestión, los fondos de la caja pública alemana los gestionan los fondos de salud, aseguradoras concertadas privadas que deben ser autosuficientes.

El usuario o su empresa eligen el fondo de salud privado que desean contratar mientras que en el NHS la gestión de los fondos es pública. Ambos sistemas se financian vía impuestos, sin embargo, en Alemania la mitad de las aportaciones a los fondos de salud la realizan las empresas.

En el NHS el usuario solo cofinancia gasto dental y óptico, mientras que en el sistema Bismarck el ciudadano paga hasta 10 Euros por visita a medicina general o especializada (en la primera visita del trimestre), consulta dental, por día de estancia hospitalaria, sesión de rehabilitación y por transporte sanitario obligado a consulta u hospital.

El sistema Bismarck, con mayores recursos asistenciales por densidad de población, es más caro en términos porcentuales de Producto Interior Bruto (PIB) que el sistema Beveridge, y recauda vía copagos del paciente cerca de 90 € por cada residente mayor de edad.(1) A diferencia del modelo NHS, el modelo Bismarck establece una creciente lista de pruebas opcionales de pago por el paciente.(Pruebas de detección precoz de cáncer, el 25% de la cartera de pruebas analíticas,…)

En el NHS las infraestructuras hospitalarias son predominantemente públicas mientras que en el sistema Bismarck, entre hospitales privados y sin ánimo de lucro estas infraestructuras superan el 40% del total del parque hospitalario. Por último, en el modelo evolutivo Bismarck (Alemania/Francia) se aplica en el sistema público de salud la modalidad del reembolso de gastos al paciente asegurado/mutualista, mientras que en Reino Unido no existe esta opción en el sistema público.

A lo largo de los últimos 50 años, el sistema Bismarck ha proporcionado más años de esperanza de vida que el NHS. (2) El porcentaje de personas que se decantan por el modelo de seguro de salud privado puro en Alemania es superior al británico. Los sistemas públicos de la Europa occidental disfrutan de variantes evolutivas Bismarck. Nuestro sistema sanitario, mucho más reciente en el tiempo, y en cuanto a accesibilidad, es una combinación del sistema público o sistema nacional de salud (SNS) y del sistema de aseguramiento privado, y es mucho más reciente en el tiempo, se trata de una combinación evolutiva de los dos modelos históricamente más representativos de Europa. Así, el SNS es una variante del NHS y el aseguramiento privado se fundamenta en el sistema Bismarck originario. El funcionario público en España puede entre las opciones SNS y aseguramiento privado para cubrir su riesgo de enfermedad.

En 2012 el funcionariado se decanta mayoritariamente por la opción de aseguramiento privado en la compañía concertada que desee. (3) En el mix Bismarck – Beveridge no queda claro del todo cuál de los modelos se aplica en un determinado país (5). Respecto a este hibridismo reseñamos la cita del Dr. José-Manuel Freire, jefe del Departamento de Salud Internacional de la Escuela Nacional de Sanidad, quien llega a la conclusión de que “Además, comparar al SNS con otros sistemas sanitarios – en este caso con los de la UE – es particularmente útil porque España es más bien país importador de reformas, más seguidor que líder innovador (6)”: El porcentaje de asegurados privados en España respecto a la población total es superior al de Alemania y Reino Unido. Este hecho, y siguiendo al Catedrático de Economía de la Salud de la UPF y Consejero del Banco de España Sr. Casesnoves, nos permite pagar menos impuestos para financiar la sanidad.

(4) En España, de forma general, solo existe reembolso de gastos en el aseguramiento privado. En términos porcentuales respecto al Producto Interior Bruto (PIB), la sanidad en España es más barata que en Alemania y Reino Unido.

Aproximadamente un 30% de la actividad hospitalaria se realiza en infraestructuras privadas o sin ánimo de lucro en España y el número de profesionales por habitante es menor que en Alemania y Reino Unido. Los países latinos, con Portugal a la cabeza, seguidos de Italia y España, son los que más esperanza de vida han ganado durante los últimos 50 años y además España e Italia disfrutan de mayor esperanza de vida promedia, con independencia de género, que Alemania y el Reino Unido.

La evolución en el periodo 1960-2009 muestra que los latinos han sido los países europeos que más han crecido en esperanza de vida desde el nacimiento, con Portugal a la cabeza (+15,6 años), seguido por España e Italia (+12 años), después los 11,2 años de Alemania, los 10,7 años de Francia y los 9,6 del Reino Unido (2). En el futuro la foto podrá cambiar por la evolución previsible de los factores de riesgo en nuestro país (por ejemplo, la obesidad infantil). Además de los medios de producción de salud y servicios sociales, los factores no sanitarios condicionan nuestra esperanza de vida. Para el conjunto de la población, España e Italia lideran la media de esperanza de vida (81,8 años) y solo son superadas en el mundo por Japón y Suiza. Por género, los hombres españoles tienen una mayor esperanza de vida (77,8 años) que sus congéneres de cualquier Estado de la UE salvo Italia, y las mujeres españolas (84,3 años) solo son superadas por las francesas. (1)http://www.sueddeutsche.de/wissen/individuelle-gesundheitsleistungen-igel-nutzt-nur-dem-arzt-1.1144511(2) Europe al a Glance OECD Indicators (3) IDISNota de Prensa 2012 sobre la eficiencia del modelo MUFACE(4) http://www.upf.edu/pdi/cres/lopez_casasnovas/_pdf/MedPriv.pdf 5) Eurostat 2008 (6) El Sistema Nacional de Salud español en perspectiva comparada europea: diferencias, similitudes, retos y opciones.

 2 Diagnóstico del sistema de salud y social europeo

2.1 Frágil sostenibilidad de un sistema universal durante la recesión europea Vivimos una situación de recesión precedida por dos décadas de un ritmo de crecimiento del gasto sanitario de la Unión Europea (UE) por encima del ritmo de crecimiento del PIB. En este contexto, la sostenibilidad vendrá determinada por la reducción del coste del “outcome” y la importancia relativa de la salud en las cuentas de cada uno de los Estados miembros.

En su Informe, el Círculo de la Sanidad alertaba en 2004 que la clave del mantenimiento y desarrollo del sistema se situaría en la financiación, una situación que hoy tiene en vilo la sostenibilidad sanitaria en la UE (7), como se desprende del informe HEALTH AT A GLANCE 2011, en la Organización para la Cooperación y el Desarrollo Económicos (OCDE), la ratio de incremento del gasto sanitario (Gsan) vs. incremento del PIB ha superado la unidad en los últimos 20 años y también los gastos sanitarios per cápita que se han incrementado un 3,7% durante la década de los 90 y un 4% durante el periodo comprendido entre los años 2000 y 2009.

España se sitúa en la media de la OCDE en términos de Gsan vs. PIB (9,5%), pero el Gsan per cápita homogeneizado está todavía un 4,8% por debajo del promedio de la OCDE (3,223 USD) y presenta proporcionalmente un mayor Gsan privado (seguros de salud) respecto al PIB que el que se produce en Alemania y el Reino Unido. Estos dos últimos superan la media de la OCDE en Gsan/PIB y Gsan per cápita. Para hablar de velocidades y convergencia sanitaria hemos planteado el ejercicio de relacionar los salarios mínimos interprofesionales con los Gsan per cápita promedio de la OCDE y observamos que España necesita el doble número de salarios mínimos que Alemania y Reino Unido.

(8) Para salarios mínimos interprofesionales estimados en el caso de Alemania de 1.399,44 € (utilizado por el gremio de limpieza, según salario horario para 252 días), 1.441,61 € (1.200 libras, según salario horario mínimo para 252 días) y 647,40 € de salario mínimo mensual para España. (7) El futuro de la sanidad en España – Informe patrocinado por el Círculo de la Sanidad – Noviembre, 2004. (8) Estimaciones propias http://www.drze.de/imblickpunkt/gesundheitswesen/module/anteil-der-gesundheitsausgaben-am-bip ¿Garantizaremos entonces la universalidad de prestaciones mínimas?

En el ínterin, a finales de 2011, hemos observado una tensión de sostenibilidad, así, esta crisis “ha dejado a la intemperie sanitaria a unos 300.000 residentes españoles”, según fuentes de la Seguridad Social, con una propuesta de solución ante portas: la LGSP 2012. En el caso de España, ahora, los fondos europeos se emplean en un 80% en financiar el déficit público y sanear el sistema bancario, quedando un 20% para emplearlo con otra finalidad.

En Alemania también se observan recientes tensiones por la incapacidad creciente por parte de los usuarios del pago de sus primas a sus aseguradoras (gestoras de la caja pública con criterios privados). Reino Unido ha reconocido públicamente sus dificultades presupuestarias para los próximos 5 años. 2.2 Accesibilidad al sistema ¿Dotamos de volatilidad al mercado de la medicina programada en el SNS? A pesar de su intención originaria, en el sistema Bismarck, el acceso directo ahora ya no se recomienda por parte oficial, que promueve el acceso al especialista vía gatekeeper para llevar un control ex ante sobre la factura sanitaria. En este caso el sistema Beveridge es más riguroso porque obliga que el prescriptor de servicios y recetas sea el gatekeeper. El paso por el gatekeeper recomendado (Bismarck) u obligado (Beveridge) produce dilaciones de acceso a la curación/gestión de la cronificación por las posibles idas y venidas del usuario desde medicina primaria a especializada y viceversa.

Muchos hemos jugado alguna vez a las máquinas de pinball, por ello, permítannos bautizarlo como el efecto pinball sobre el paciente “ The patient pinball effect”.

 

Para eludir el cribado del gatekeeper en el SNS, el usuario residente en España, adepto al “prohibido prohibir”, sobre utiliza las urgencias o acude a sus contactos personales como puerta falsa de acceso a pruebas y tratamientos especializados o procedimientos hospitalarios que podrían esperar. Aunque calificar algo como urgente, importante o deseable es “usuariamente” hablando subjetivo.

Este comportamiento dificulta la planificación de uso programado y eficiente de los recursos asistenciales. Cabe pensar, por ejemplo, en los logros de los programas de seguridad vial, educación y sanción y, por analogía, en un paralelo e hipotético programa educativo de riesgos para la salud y posible copago por uso indebido de los recursos e infraestructuras sanitarias.

 

A colación, nos cuestionamos si es que todavía importa más el seguro del vehículo que el de salud. 3- Tratamiento. 3.1 Las visiones Bismarck y Beveridge El Reino Unido, y en su visión para los próximos 5 años, considera al paciente como el centro del sistema, lo revolucionario de su reforma es que el paciente accederá de forma fácil y sencilla a toda la información relevante para tomar decisiones sobre su salud. Hace énfasis en la excelencia de los resultados clínicos, que determinarán gradualmente la remuneración de los profesionales.

 

El paciente accederá a la información sobre resultados clínicos de médicos, hospitales y otros prestadores, y dispondrá de libertad de elección de profesionales y hospitales. Las comisiones clínicas locales tendrán el protagonismo atendiendo a las demandas de servicio sanitario local y controlarán los fondos del NHS, así se reducirá la burocracia central de los trusts de medicina primaria y de las instituciones centralizadas de estrategia. Se financiarán los programas municipales de estilo de vida saludable para reducir las cargas sanitarias a medio plazo y se observa mayor actividad asistencial domiciliaria.

El sistema Bismarck es reconocido por la voluntad gubernamental de competitividad entre de los fondos de salud, que han pasado de 300 fondos en los años 90 a 156 en el 2011, y se prevén nuevas fusiones.

 

Esta competencia ha hecho que los pacientes, que conocen a través de internet los datos relevantes de los fondos de salud, exijan más inmediatez en acceso al servicio médico y realicen una mayor utilización de segundas opiniones, de forma que los profesionales más eficaces y eficientes reciben mayor compensación. Existe ahora el deseo oficial por controlar el gasto ex ante vía gatekeeper.

La calidad percibida por el paciente y los procesos de validación de seguridad son clave en el sistema. Comentamos ahora las diversas vertientes de tendencia en función de estas visiones.

3.1 ¿Equilibrar el déficit conforme a la normativa presupuestaria europea? A corto plazo, los usuarios contribuirían con más a la sostenibilidad europea.

En la empresa privada, cuando se produce déficit/pérdida, procuramos buscar vías alternativas de ingresos, reducir de forma inmediata los costes variables y progresivamente los fijos, simultáneamente restructuramos nuestras finanzas cambiando deuda a corto por deuda a medio/largo plazo para poder atender los compromisos inmediatos y de capital circulante (si lo conseguimos, claro está), y en situaciones críticas pactamos quitas con nuestros proveedores. En cuanto a la gestión nos centramos en las actividades estratégicas y cedemos a terceros servicios no esenciales para nuestro negocio.

En las unidades de gasto público, social sanitario (excepto para el caso de las explotaciones privadas y/o públicas autosuficientes), dichos compromisos dependen plenamente de la Hacienda local. Necesitaríamos acompasar mayores ingresos y menores gastos públicos conforme a planes presupuestarios que a medio plazo nos llevasen a un equilibrio.

En el sistema público, la solución más ágil, según el grado de severidad del problema, pasa por refinanciar y/o pactar una quita y/o incurrir en nueva deuda, e incrementar simultáneamente los ingresos.

En orden de aceptación por parte del usuario de sistemas enunciamos las siguientes vías de ingreso: Copago-tasa (estos son mejor aceptados que los impuestos ya que son vistos por el usuario como un pago por uso y se fundamenta el cálculo de su cuantía en un complejo esquema de equidad soportado por parámetros directos de renta, niveles de incapacidad, grado de cronicidad)

Incentivar fiscalmente el seguro privado para aliviar la carga de servicio público.

Otras formas de ingreso público menos populares (“political weapons”) pasan por aumentar en el corto plazo los impuestos directos (de menos contribuyentes) e indirectos (impacto posible en la reducción del consumo interno) para pagar el creciente servicio de la deuda (más dinero y a precio más caro) y a los proveedores (internos y externos) del sistema.

Respecto al gasto e inversión.

A corto plazo, paralela y progresivamente al incremento de ingresos, contener el gasto variable con criterios de gestión privada (empresas públicas y/o conciertos privados), optimizar la inversión en capital/infraestructuras con criterios de practicidad, máxima funcionalidad y versatilidad, evidencia productiva, seguridad para el paciente y precio.

A medio-largo plazo disminuir los gastos fijos y variabilizarlos con cambios normativos y desgaste gestor. Compartir los ahorros parcialmente con el personal de los servicios públicos y privados que lo consiga.

Por último reducir la cartera de servicios cubiertos a los mínimos básicos para garantizar la universalidad y financiación privada de los opcionales. Reducir progresivamente las diferencias de coste entre los diversos estados y sus autonomías. 3.2 + y mejores resultados para el cliente con – recursos y en – tiempo Cambios organizativos El paciente para los sistemas de referencia se convierte en el centro del sistema.

Esta consideración central en el contexto de incredulidad por parte de los mercados respecto al sistema Euro, puede impactar en distinta medida en el “europeizar” democrático y social.

Como en cualquier unidad de producción ponemos el énfasis en la planificación de las necesidades profesionales, infraestructuras y tecnologías sociales y sanitarias, esenciales, para satisfacer de forma próxima la demanda de servicios conforme a la composición socio demográfica actual y de su evolución previsible del paciente como “core” del sistema.

 

Necesitamos para ello estimar cuantitativamente, y con mayor precisión, los volúmenes actuales y previsibles de procesos de salud y los niveles de cuidados requeridos, reorganizar y modificar las habilidades profesionales, las infraestructuras, los presupuestos de capital, y reingeniar la actividad requerida, de forma dinámica, para conseguir lo que el paciente desea; un outcome clínico, oportuno, en el menor espacio de tiempo, al menor coste y a la primera donde pueda decidir.

Los procesos tenderían así a acercarse cada vez más a modelos sistémicos de alta ejecutividad en la “fabricación” de servicios de salud y sociales, y perderían continuidad organizaciones especializadas y súper especializadas. Poner a competir en beneficio de la calidad percibida a organizaciones públicas y privadas, reconsiderar el incremento de productividad tecnológico (la ratio capital/por empleado e impacto en celeridad y precisión de producción de alta calidad). De esta forma se hace más competitiva la oferta pública y se promociona la colaboración y competencia inter-centros en cuanto a oferta de servicios.

El sistema público, dentro del esquema paciente como core del sistema cambiaría su rol y se convertiría gradualmente en el garante de la calidad total de los servicios gestionados por aseguradoras, operadores sociales y sanitarios concertados, y empresas públicas y sería el responsable máximo de implantar en la sociedad un estilo de vida saludable.

Así los prestadores se motivan por medir permanentemente la calidad, seguridad, tiempos de procesos y resultados, por eliminar tareas, pruebas, actividad redundante e innecesaria y burocracia central que no aporte valor social y sanitario. En la misma línea, intensificar los cribados asistenciales y ejecutividad del servicio de enfermería, potenciar la toma de decisiones de los farmacéuticos en su área de conocimiento e incrementar de la ejecutividad one stop de la medicina primaria. Para cualquier infraestructura, repensar en términos de necesidad social y productividad cuál es la mejor opción: compartir infraestructuras con fines sociales y sanitarios, valorar el trade-off de reformar ó cerrar una infraestructura ó crear una nueva más próxima y de mejor sostenibilidad. 3.3 La tecnología “factibiliza” la posibilidad de cambio de los paradigmas tradicionales.

Los players interactúan directa ó virtual y multidisciplinariamente y para el paciente. El usuario es el responsable de su salud, los profesionales de la salud son proactivos. La cronobiología del usuario, compartida profesionalmente de forma segura y discriminada conforme a niveles de autorización, por el sistema social y sanitario lo permitiría.

 

Normalizar e integrar la historia vital y la tarjeta europea de acceso a servicios, los sistemas informativos de atención primaria, gestión hospitalaria, farmacéutica (Sanidad y farmacias) y los planificadores de recursos.

Disponer de herramientas y servicios de adquisición compartidas para los Estados y sus autonomías que centralicen y adicionen los volúmenes de compra de bienes de capital, servicios y recursos profesionales (mejoran la profesionalización logística, añaden economías de escala, y mejoran la gestión del stock). La accesibilidad del usuario a los servicios sociales y sanitarios, no debe ser necesariamente presencial. (Salud 2.0, sistemas tele médicos y tele sociales).

Los servicios domiciliarios y tele médicos crecerán por la dependencia y la cronicidad del individuo para racionalizar las infraestructuras sociales y/o sanitarias. Se observa un mayor uso de sistemas expertos como herramientas de soporte para la toma de decisiones y seguimiento asistenciales, validación sistematizada de las pautas y tratamientos conforme a las más actualizadas guías de práctica clínica.

Aprovechamiento máximo del software clínico libre normalizado (como el free medical image) y el software libre en internet (cloud computing)

CONCLUSIONES Somos una Europa y una España diversa con varias velocidades que deben converger en productividad (capital más trabajo) y redistribución de la riqueza para poder subsistir en el medio plazo y satisfacer las necesidades del presente sin comprometer las necesidades de las futuras generaciones.

El objetivo de salud universal, de calidad y próxima, es clave para garantizar y mejorar los niveles de calidad de vida y alargar consecuentemente nuestra capacidad de sostener el sistema.

El gap existente entre los niveles de productividad y coste entre los Estados de la UE es una realidad y los sistemas locales de cada Estado de bienestar y salud comparten profesionales en sus respectivas opciones públicas y privadas.

Esto se explica en gran medida por los modelos de retribución que deben converger en función de resultados, en este sentido, la normalización y unificación de mediciones se hace imprescindible para compararse con el benchmarck de referencia.


8mo

Christian Desrocques

Key account Medical Director at Sanitas

Hay factores mas importantes que los servicios de salud implicados en la mejora de la esperanza de vida que no se como se miden en el articulo, pej mejora de carreteras en las que los paises del sur han mejorado mucho

8mo

Apreciado Christian. Gracias por tu comentario. Si te parece comparte con nosotros y enuncia los factores a los que te refieres. Pueden ser interesantes para abordarlos.

Expert tools for quality clinical practice

Expert tools would help the Phisician to take decision- The process ought to be ethical, feasible and accepted by a new era of hinghly technological phisicians. A new era

 

INFERENCE AND SUSTAINABILITY IN HEALTHCARE. Kniowledge Discovery from data warehoused in Database KDD

For scientific and economic reasons, beyond data mining we need to discover the knowledge extracted from healthcare data that resides in databases (KDD), these consideration oght to be pllied also to any other knowledge arena.

The information grows exponentially, recently we have assisted to an international forum of innovation in which we hear that now, in Spain, in just only two days it is generated the same information that was generated in the complete year 2003; about 5 exabytes or what is the same; 5 times 10 ^18 bytes, and this is possible because the processing power and storage are cheap currently.

Data ownership is highly important, so far than that, nowadays, in the US, organizations value are based on the data the companies own.

In hospitals there are many data (images and proper data) stored in medical records, these are historical and static data, but we watch an increasing trend; systems are receiving data or images from a mobile pone or any other sensors dinamically, those data are being taken up from patients by devices that measure parameters of a wide and varied nature.

With respect of the knowledge from data (aisled data could not contain relevant information for human being), we have to debug them, treat them with a methodology and then transform, consolidate and merge the various informations sources into knowledge. When we group structure and interpret data, we obtain humanly relevant information that we can use to make decisions, reduce uncertainty and make calculations.

For any field of knowledge, the traditional method of converting data into knowledge resides in manual analysis and expert interpretation. Still in the specific case of the healthcare industry, regularly, it is common in specialities to analyze current trends and changes in health data quarterly by phisicians. After this analysis, the experts issue a detailed analysis report for the sponsors; This report becomes the basis for future decisions and planning in healthcare management arena.

And this traditional process is true in any field of knowledge. But this form of knowledge generation is slow, costly and extremely subjective. In fact, this type of manual analysis is not practical in many domains and we sincerely think that is unsustainable.

Therefore, as a knowledge-based society, is an economic and scientific need for us to move towards a system capable of extracting knowledge from data warehoused in a database (Knowledge Discovery in Database or KDD) and this relates to an abstract level development of methods and techniques to make sense of the data and bring knowledge to health professionals and to the whole industry, thus we are talking about that it is esential to modify the order of the planning and decision-making is taking place in health management, objectifying it. Firstly we need to provide the knowledge from data to the expert and to the manager, and after, these sector specialist will make decision and plan healthcare management base on the objective knowledge they own.

Our challenge then, is to transform the low-level data into more compact outcome such as a small report, or something more abstract ( for example, a model of the process that generated the knowledge),  or also more useful, such a predictive model for estimating the value of future cases.

We are taking into consideration that low level data are too voluminous for human beings to be easily understandable and digestible, for example, in a medical diagnostic application we can find data millions and thousands of fields of information, the question to be asked; How can we digest these data and fields manually?.

In the core of the process is located the application of data mining methods to discover patterns and extract knowledge, but  In healthcare as in any other knowlegde área, in the process of transforming data into knowledge, we interact with healthcare professionals, which validate our findings; methods and patterns. Each release of our work, thanks to the feedback of the phisician or the expert,  is getting progresivelly much more accuracy to our approach towards a solution for healthcare problems.

The KDD is ultimately an attempt to address the problem of the digital information age in which we live; an information overload.

KDD was coined in 1989 to emphasize that knowledge is the final outcome of a discovery obtained from the data, and has been popularized in the fields of artificial intelligence, machine learning or machine learning.

The famous data mining is just only one step in the overall process that comprises the KDD and consists in the application of specific algorithms to extract patterns from the data, but the KDD is incomplete and will be invalid without first preparing the data, select the data that interest us (Target data), clean these data, incorporate the appropriate prior knowledge, and interpret data mining. All these steps are necessary to assure us that useful knowledge is derived solely from the data. The blind application of the single step of mining methods can be dangerous because we can easily lead the data nonsense and the usage of invalid patterns.

 

 

 

 

Knowledge

Patterns

Transformed data

Preprocessed Data

 

 

Target Data

 

The overall process requires an interdisciplinary course of action that evolves continuously from the intersection of research fields such as: the machine learning, pattern recognition, databases, statistics, artificial intelligence (AI), the acquisition of knowledge expert systems, data visualization and high-performance computing (efficient processing of large data volumes for example in mobile environment).

Data mining is mainly related to machine learning, pattern recognition, and statistics to find patterns from the data, while the KDD emphasizes the focus on global knowledge discovery process, and also includes, how are the data stored and how to access to them, how can we scaled-up algorithms for massive data sets and still being able to process them efficiently, and how can these data be interpreted and displayed,  how can we model and support those data, and finally how to dessign an useful overall interaction between man and machine.

The whole process should be seen as a multidisciplinary activity that encompasses techniques beyond the scope of any particular discipline, such as machine learning. In this context, there are clear opportunities for other fields of Artificial Intelligence (besides machine learning) to contribute to KDD.

The KDD places a special emphasis on finding understandable patterns that can be interpreted as useful or interesting knowledge. For example, neural networks, although powerful modeling tool, are (under the umbrella of artificial intelligence) relatively difficult to understand compared to decision trees.

Research fields related to Artificial Intelligence (AI) include machine discovery, which focuses on the discovery from observation and experimentation to discover empirical laws, and causal inference for causal models in particular statistical modeling, it has much in common with KDD.

The KDD is fundamentally a statistical endeavour. Statistics provides a language and framework for quantifying uncertainty which is essential when trying to infer general patterns from a particular one, using a sample of a population.

KDD can also be seen as encompassing a broader view of modeling the estadístics. It aims to provide tools to automate (if possible) the whole process of data analysis and the “art” of statisticians selection hypothesis.

In conclusion, the KDD is an interdisciplinary field that provides an objectified knowledge to the professional and to the healthcare manager specifically in a more flexible and economical way, and provide a great support to the healthcare management for; decisions making and planning.

Remember that we must not confuse KDD with the data mining that is only a core passage of the KDD overall process.

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.

Data Scientist, a fashion or a trend

Data scientist has arrived not to leave any more?

Artificial intelligence, the more attractive XXI century multidisciplinary area.

Edit post

Artificial intelligence, the more attractive XXI century multidisciplinary area.
Leonardo Da Vinci, versatile and visionary pioneer in so many things said: We know very little, and yet it is surprising that we know so much.

It is even more surprising that so little knowledge give us much power.
Today, in the XXI century, Data Scientist or Scientific Data provides organizations the value added knowledge.

The data scientist will face the challenges of data to optimize the competitiveness of any business.According to the Harvard Business Review, scientific data has, therefore, the profile of the most attractive profession of this century.

For reasons of sustainability, competitiveness of any organization optimize either the private or public, with or no profit. In this context, data scientists combine knowledge of massive data and advanced analysis capabilities to achieve improved results in every one of the areas for optimization within the organization technologies In short, these professionals, the combination of knowledge, and differential add significant value to organizations.(Health organizations, pharmaceutical, home cares or any other sector)
For example enunciate, not exhaustively, some possibilities of scientific data for the performance optimization ; Increase the production of health services, improve care quality, reduce time and costs of processes, help improve intakes diagnostic and therapeutic decisions, predict as accurately as possible demand emergency service and its impact on hospitalization, consumption of consumables and staffing needs, meet mediately or immediately if it is producing an epidemic movement and its evolution, identify and anticipate the abusive and fraudulent conduct in an insurance system, systematize new forms of fraud even in the case that the event we are tracking have never occurred, improve hospital cybersecurity, predict the degree of success that is susceptible to obtain the release of a new drug, supporting the optimization of clinical practice, improving early diagnosis, … As we see., applicabilities are practically limitless.

We think that the science of data and the ability to extract knowledge is implicit in the data, it is not a fleeting fad but breaking into the world of organizations as a set of solutions, not technologies, to the needs of an organization or business and search for “disruption” or what is the same; “Upend an industry, an organization or a business (considering how it now)” consolidating into the heart of such organizations, one way to make decisions based on knowledge, this implicit knowledge in data, and is extracted from these data to give to the experts proposed or decision makers.
For example, for a private business, where customer-focused organization is replacing the product-centred organization, we will be focused, with certainty, in the micro segment, where we identify customers who have the same patterns of behavior according to a number of useful variables that explain each and every one of the behaviors identified, then we will grouped each micro segment in a region of behavior.

Thus, for each relevant behavior, we can offer our customers value propositions and new, more personal products, “proposals on demand” and manage alarms and events of different types that are of interest to our customers. We will also be very interested in having a more efficient force of sales that will thank to have opportunities and levers conversion to improve their job performance.
There are multiple technologies used in mass treatment and classification of data, but not many existing solutions to respond to the diverse needs, and we realize the opportunities for improvement identified within organizations. Now, these solutions until recently unthinkable possibilities are possible and feasible, since the costs of storage and processing of information have fallen dramatically.
In this context, the Artificial Intelligence (A.I.) stands as one of the alternatives that returns by own merits to the world of service organizations thanks to the results achieved, and thus comes to be housed in the strategic core of organizations .
Artificial Intelligence or AI, is studying the creation and design of institutions able to resolve issues themselves, using human intelligence paradigm.
Within the “umbrella” of solutions that includes artificial intelligence I want to review, although the name can be somewhat intimidating, the neural networks (ANN), these networks, indeed, hide a concept not too complicated. It is intended to mimic the performance of neural networks of living beings so that a set of connected neurons together constituted, and working together, without any have a specific task. With experience, neurons are creating and reinforcing certain connections to “learn”. But this biological approach is not very useful and networks have now, after a process of evolution, essentially mathematical and statistical focus.
The RNA are based on a simple idea, given certain parameters, there is a way to combine them to predict a certain outcome. Serve as examples; Google. Knowing the burden of servers in a central data processing (CPD), temperature and other parameters, determined that there would be a way to know about consume and servers needs, but the problem was that we do not know how to combine the different parameters. Precisely, neural networks, will allow us to find the combination of parameters best suited to solving a particular problem. This is called the neural network training. The network, once trained, can then be used to make predictions or classifications found by applying the parameters combination and substantially improve some existing results in the organization.

Luis Silva Ponte
luissilva@bestprofile.eu
Managing Partner
Bestprofile Management Consulting

Data Scientist, el científico de datos-Bienvenido el multiconocimiento

Nos encontramos con una nueva profesión que requiere conocer manejo de base de datos, conocimiento de negocio y diseño de modelos que aprenden guiados por el científico de datos y autoaprenden Learning machine,

Luis Silva Ponte

Leonardo Da Vinci, polifacético y visionario precursor en tantas cosas decía: “Sabemos muy poco, y sin embargo es sorprendente que sepamos tanto. Y es todavía más sorprendente que tan poco conocimiento nos dé tanto poder”.

Hoy en día, en pleno siglo XXI, el Científico en Datos o Data Scientific aporta a las organizaciones el valor que añade el conocimiento. El científico de datos afrontará los retos de los datos para optimizar la competitividad de cualquier negocio.

Según la Harvard Business Review el científico de datos, tiene, por tanto, el perfil de la profesión más atractiva de este siglo.

Por motivos de sostenibilidad, se optimizará la competitividad de cualquier organización, ya sea esta privada o pública, ya tenga o no ánimo de lucro. En este contexto, los científicos de datos combinan los conocimientos de las organizaciones -sanitarias, farmacéuticas, sociosanitarias o de cualquier otro sector- las tecnologías de datos masivos y las capacidades avanzadas de análisis para conseguir una mejora en los resultados en todas, y cada una de las áreas susceptibles de optimización dentro de la organización. En una palabra, estos profesionales, por su combinación de conocimientos, añaden un valor significativo y diferencial a las organizaciones.

A modo de ejemplo enuncio, no exhaustivamente, algunas posibilidades de optimización por la actuación del científico de datos; aumentar la producción de servicios de salud, mejorar la calidad asistencial, reducir los tiempos y los costes de los procesos, contribuir a mejorar las tomas de decisiones diagnósticas y terapéuticas, predecir con la mayor precisión posible la demanda del servicio de emergencia y su impacto en la hospitalización, en el consumo de fungibles y en las necesidades de personal, conocer de forma mediata o inmediata si se está produciendo una epidemia y su evolución, identificar y prever el comportamiento abusivo y fraudulento en un sistema asegurador, sistematizar nuevas fórmulas de fraude incluso para el supuesto de que nunca hayan ocurrido, mejorar la ciber seguridad hospitalaria, predecir el grado de éxito que es susceptible de obtener el lanzamiento de un nuevo fármaco, apoyo a la optimización de la práctica clínica, mejora diagnóstico precoz, …Como vemos las aplicabilidades son ilimitadas.

Pensamos que la ciencia de los datos y la posibilidad de extraer el conocimiento que está implícito en los datos no es una moda efímera, sino que irrumpe en el mundo de las organizaciones como un conjunto de soluciones, no de tecnologías, a las necesidades de una organización o de un negocio y busca disruptir, o lo que es lo mismo; poner patas arriba una industria, una organización o un negocio (considerando como es éste ahora), al consolidar en el centro neurálgico de dichas organizaciones, una forma de tomar decisiones basada en el conocimiento, conocimiento este implícito en los datos, y que se extrae de  dichos datos para entregárselo a los expertos que proponen o toman las decisiones.

Así, por ejemplo, para un negocio privado, donde la organización centrada en el cliente sustituye a la organización centrada en el producto, pasaremos, con certeza, del segmento al micro segmento donde identificamos a clientes que tienen los mismos patrones de comportamiento conforme a un número de variables útiles que explican todos y cada uno de los comportamientos identificados y agrupan cada micro segmento en una región de comportamiento. De esta forma, y para cada comportamiento relevante, podremos ofrecer a nuestros clientes propuestas de valor y nuevos productos más personales, “propuestas a la carta” y gestionar alarmas de distinta tipología que son de interés para nuestros clientes. También estaremos muy interesados en tener la fuerza de ventas más eficiente del mercado gracias a las oportunidades de venta y a las palancas de conversión en venta real que proporciona el sistema por punto de venta.

Son múltiples las tecnologías que se aplican en el tratamiento masivo y en la clasificación de datos, pero no son tantas las soluciones existentes para dar una respuesta a las diversas necesidades y a materializar las oportunidades de mejora  identificadas dentro de las organizaciones. Ahora, estas soluciones, hasta hace poco tiempo impensables, son posibles y viables, ya que los costes de almacenamiento y de procesamiento de la información han disminuido drásticamente.

En este contexto, la Inteligencia Artificial (IA) se erige como una de las alternativas que retorna por fueros propios, al mundo de las organizaciones de servicios gracias a los resultados alcanzados, y por ello, viene a albergarse en el núcleo estratégico de las organizaciones.

La Inteligencia artificial o IA, estudia la creación y diseño de entidades capaces de resolver cuestiones por sí mismas, utilizando como paradigma la inteligencia humana.

Dentro del “paraguas” de soluciones que engloba la inteligencia artificial quiero reseñar, a pesar de que el nombre pueda intimidar un poco, a las redes neuronales (RNA), estas redes, verdaderamente, no esconden un concepto demasiado complicado. Se pretende imitar el funcionamiento de las redes neuronales de los seres vivos de forma que se constituye un conjunto de neuronas conectadas entre sí,  y que trabajan conjuntamente, sin que ninguna tenga una tarea concreta. Con la experiencia, las neuronas van creando y reforzando ciertas conexiones para “aprender”. Pero este enfoque biológico no es muy útil y las redes tienen ahora, tras un proceso de evolución, un foco esencialmente matemático y estadístico.

Las RNA se basan en una idea sencilla; dados unos parámetros, hay una forma de combinarlos para predecir un cierto resultado. Sirva a modo de ejemplo; Google. Conociendo la carga de servidores de un centro de procesamiento de datos (CPD), su temperatura y demás parámetros, determinó que existiría una manera de saber lo que van a consumir, pero el  problema era que es que no sabemos como combinar los diferentes parámetros. Son precisamente, las redes neuronales, las que nos van a permitir buscar la combinación de parámetros que mejor se ajusta a la resolución de un determinado problema. A esto se llama entrenar a la red neuronal. La red, una vez entrenada, se puede usar luego para hacer predicciones o clasificaciones aplicando la combinación hallada y mejorar sustancialmente algunos resultados ya existentes en la organización.

 

LUIS Silva Ponte BBA,EMFC, MADS