Técnicas de minería de datos aplicadas al diagnóstico de entidades clínicas

La Universidad de las Ciencias Informáticas (UCI), posee varios centros de desarrollo de software. El Centro de Informática Médica (CESIM) es uno de ellos, encargado del desarrollo de aplicaciones para el sector de la salud; entre estas se encuentra el Sistema Integral para la Atención Primaria de la Salud (alas SIAPS), el cual posee un componente de tipo Sistema Clínico de Soporte para la Toma de Decisiones (CDSS), para que facilite el procesamiento analítico en línea y la minería de datos y que servirá además al resto de los ambientes bajo un escenario tecnológicamente sólido. Actualmente en el Centro de Toma de Decisiones se está manejando la información con técnicas estadísticas; sin embargo, con estas técnicas no se está aprovechando al máximo la información almacenada.

Las Historias Clínicas Electrónicas (HCE) pertenecientes al alas SIAPS, se encuentran almacenadas en un gran repositorio y su información se envía periódicamente a un Datamart. Dado el gran volumen de datos acumulado en él, y la incapacidad de los especialistas de identificar patrones de comportamiento y extraer conocimiento oculto en los datos almacenados para apoyar sus decisiones, surge la necesidad de aplicar la minería de datos.

En la actualidad, la Hipertensión Arterial se ha convertido en una de las primeras causas de muertes en el mundo. Según el reporte de la Organización Mundial de la Salud (OMS) del 2012 1 de cada 3 personas en el mundo padece de Hipertensión Arterial; además agrega que 1 de cada 10 personas es diabética. Algunos autores como Cumbá, coinciden que anualmente existen 7.2 millones de muertes por enfermedades del corazón. La hipertensión arterial es la segunda causa de muerte a nivel mundial, se reconoce internacionalmente como “muerte silenciosa” pues en la mayoría de los casos los pacientes tienden a ser asintomáticos.

Debido al gran volumen de datos existentes en el datamart, se dificulta la toma de decisiones de los especialistas para realizar un análisis rápido y efectivo y de esta manera encontrar información útil y valiosa oculta en ellos; por otra parte, la no predicción del comportamiento futuro de algunos problemas de salud presentes en las HCE con un alto porcentaje de certeza, basado en el entendimiento del pasado.

La minería de datos es un área de la inteligencia artificial que permite darle solución al problema descrito, la misma se basa en varias disciplinas, algunas de ellas más tradicionales, se distingue de ellas en la orientación más hacia el fin que hacia el medio. Y el fin lo merece: ser capaces de extraer patrones, de describir tendencias y regularidades, de predecir comportamientos y, en general, de sacar partido a la información computarizada que nos rodea hoy en día y que permite a los individuos y a las organizaciones comprender y modelar de una manera más eficiente y precisa el contexto en el que deben actuar y tomar decisiones.

En este artículo se propone exponer, mediante la combinación de dos modelos matemáticos, cómo se puede contribuir al diagnóstico de enfermedades, usando técnicas de minería de datos. Sigue leyendo

La Era de la Capacidad Predictiva en el Sector Sanidad

A lo largo y ancho del mundo, la industria de la Sanidad está viviendo una transformación trascendental. Se está pasando de una era caracterizada por la recopilación de información y la generación de informes a un tiempo en el que priman el análisis de datos y la capacidad predictiva.

Los gigantescos desafíos que enfrenta la Salud hoy son más que suficientes para forzar un mejor uso de la analítica de datos. Se requiere que los gerentes estén mejor informados para tomar decisiones más inteligentes. Hace falta entablar una batalla campal a la ineficiencia arraigada en el sector, donde, históricamente, se produce un altísimo porcentaje de errores prevenibles. Algunos de los cuales, cuestan vidas. En España, por ejemplo, 8 de cada 10.000 personas mueren prematuramente en condiciones que podrían evitarse con atención médica oportuna y eficaz (OCDE, 2011). Probablemente, casi todas esas muertes prematuras pueden atribuirse al ineficiente manejo de la información médica.

Sigue leyendo

Beneficios del Análisis de Grandes Datos en la Salud

El análisis estadístico ayuda a aprender hoy del pasado para diseñar un mejor futuro. En el caso de los centros de salud, eso se traduce en mejor atención al paciente y mayor rentabilidad. Pero, a menos que se cuente con un probado sistema de análisis de grandes datos, extraer información hoy en día ya no es tan sencillo como hace unos años.

A  medida que los médicos han ido adoptando las tecnologías de registros de sanidad electrónicos, los datos relativos al cuidado de la salud fueron creciendo exponencialmente en todo el mundo desarrollado. La información no sólo es más abundante en la década actual que en toda la historia  de la Humanidad, sino que, encima, se ha vuelto mucho más compleja. Veamos el porqué.

Sigue leyendo