Les dades poden reduir el percentatge d’èxitus als hospitals

El percentatge d’èxitus hospitalari (mortalitat hospitalària) és un indicador que es fa servir per mesurar la qualitat de l’assistència sanitària. Encara que hi ha molts factors diferents que afecten la mortalitat, com la malaltia, accessibilitat a l’hospital, etc., la mortalitat hospitalària serveix per mesurar l’efectivitat de l’atenció sanitària i es fa servir per prendre mesures pel que fa a la gestió del centre.

Així doncs, l’anàlisi de les dades clíniques ens permetrà conèixer la informació referent a la qualitat de l’assistència hospitalària, a més d’identificar patrons i oferir-nos una base sòlida per prendre decisions de gestió.

A més, l’ús de les dades en la gestió clínica pot oferir molts avantatges:

Descobrir patrons d’èxitus inesperats

Com ja hem comentat, conèixer el percentatge d’èxitus hospitalari, així com les causes o motius que l’envolten és molt important per avaluar la qualitat de l’assistència, així com per prendre decisions. Les anàlisis referents a la mortalitat hospitalària no són pas noves. Tot i això, amb la introducció de la tecnologia aquestes anàlisis prenen una nova perspectiva més profunda, de manera que és possible detectar patrons d’èxitus que abans no eren visibles. Això permet prendre decisions pel que fa a la pràctica clínica, així com en l’administració de fàrmacs o tractaments i la seva relació amb patologies subjacents o comorbiditat.

Accelerar el diagnòstic

Les malalties es presenten de maneres diferents en cada pacient. La comorbiditat, edat, sexe, etc. poden afectar els símptomes, de manera que és difícil per a un metge oferir un diagnòstic de manera segura i ràpida, perquè no és humanament possible conèixer totes les formes en què es presenten les malalties. Tot i això, els ordinadors sí que poden tenir tota aquesta informació, la qual cosa els converteix en una gran eina de suport per als metges. D’aquesta manera, és possible accelerar el diagnòstic definitiu, cosa que es tradueix en una detecció i tractament precoç de les malalties. Al seu torn, això significa un augment en la qualitat de vida, més possibilitats de cura i recuperació i una reducció en els costos d’assistència.

Ajuda al diagnòstic

Seguint amb l’ús de les dades al camp del diagnòstic, els models de machine learning permeten aconseguir noves aproximacions al diagnòstic suggerint possibilitats que van més enllà del coneixement d’un metge en concret, especialment pel que fa als casos més complicats i rars, en què freqüentment hi ha errors.

Així mateix, amb el machine learning poden dissenyar-se noves formes de detecció de patologies, com les lectures de radiografies, ECG, citologies, teledermatologia, etc.

Evolució esperada

La tecnologia no només ens ofereix una visió més àmplia del passat i del present, sinó que ens permet, també, fer prediccions basades en informació sòlida provinent de les dades. Així doncs, la incorporació de la tecnologia facilita la tasca de predir l’evolució d’una malaltia o tractament per als metges. Això permet que els metges puguin deixar de basar-se en estadístiques i generalitzacions i puguin fer suposicions basades en informació fiable, contrastada i segura gràcies a les dades.

Avaluació de tractaments

L’ús de la tecnologia pot facilitar l’elecció i el seguiment dels tractaments. Ja sigui perquè els metges s’enfronten a malalties molt rares o perquè no els és possible mantenir-se absolutament al dia de tots els tractaments existents, la tecnologia pot ser una eina que doni suport a aquesta elecció tenint en compte les circumstàncies específiques de cada pacient i cada malaltia, els efectes secundaris, al·lèrgies, etc.

La tecnologia també és útil en camps menys pràctics dins de l’atenció sanitària. El machine learning és molt útil per a la investigació clínica i el seguiment dels efectes de nous fàrmacs o nous processos. Gràcies a la tecnologia pot resultar fàcil per als investigadors detectar pacients que compleixin els requisits per participar a la investigació.

Al camp de la detecció d’efectes i conseqüències dels fàrmacs hi ha un cas singular. Ho explica García Cantero, un prestigiós analista de TIC, al portal tecnològic TICBeat. En aquesta instància, l’anàlisi de big data va permetre detectar que un fàrmac, un analgèsic, que s’estava administrant amb resultats positius, aparentment, estava causant un increment de morts per mal ús i pels efectes nocius que no s’havien detectat durant la creació del producte i que els estudis que s’estaven duent a terme no havien pogut identificar. Específicament, es va detectar que la presa d’aquest analgèsic augmentava en gran mesura les possibilitats de patir un atac de cor. Així, l’ús de les dades en aquesta ocasió va poder explicar el perquè de moltes morts i prevenir-ne moltes més.

Limitacions del machine learning per a la pràctica clínica

Les noves tecnologies s’han introduït de ple en tots els camps i la medicina i la pràctica clínica no són cap excepció. Això s’aplica a totes les formes que prenen aquestes professions, des dels aspectes més burocràtics, amb la codificació clínica, als més pràctics, com el diagnòstic o, fins i tot, la cirurgia. Això proporciona al personal mèdic i sanitari l’oportunitat de centrar-se més en el pacient, ja que les tasques més mundanes poden relegar-se a les màquines. De totes maneres, això és molt difícil si no es compta amb unes dades de qualitat que permetin treballar de manera ràpida i segura.