Confianza: la próxima frontera.

Hoy nos toca explicar un cuento: pero como la realidad es tozuda, pues...
Primer escenario: Un ciudadano acude a su revisión médica de empresa. En el transcurso de dicho reconocimiento se le practican extracciones de sangre, se recogen muestras de orina, una exploración por aparatos, tensión arterial, y en función de su puesto de trabajo, ECG y audiometría. Al cabo de unos días recibe el informe, ya sea por correo postal o descargándolo de un portal, con los resultados de las pruebas y el informe del médico.

En un gran número de casos, los resultados son normales y por tanto el ciudadano no tiene que hacer nada. Pero en otros casos, hay algún resultado que no es normal y se aconseja la visita bien al médico de familia, bien a un médico especialista.

Así que nuestro ciudadano, ya convertido en paciente, acude a la consulta del médico; supongamos que es el de familia. El médico leerá el informe, valorará los resultados de las pruebas, y las volverá a indicar para repetirlas.

Segundo escenario: un paciente que acude al médico de familia con una determinada sintomatología, el profesional indica unas pruebas diagnósticas y tras valorarlas, ordena una derivación a un especialista. Cuando acude el paciente a consulta con el especialista, tras valorar las pruebas ordenadas por el médico de familia, ordena repetir las pruebas de nuevo.

Tercer escenario: un paciente que está acudiendo a la consulta de un médico privado y ordena que se le practique una prueba. El resultado de dicha prueba aconseja practicar un determinado procedimiento, procedimiento que por la razón que fuere, no está incluido dentro de las prestaciones de su póliza. Así que este paciente acude a la medicina pública con los resultados de las pruebas, incluidos los resultados de diagnóstico por la imagen, donde se le ordenarán de nuevo la realización de las mismas pruebas que indicó el profesional de la privada.

¿De verdad tiene que ser así?

Varias consideraciones: puede que no sea posible capturar los resultados de los escenarios 1 y 3 en el sistema de información del médico del centro público. Puede que la demora -por lista de espera- sea superior al tiempo de validez del resultado de una prueba dada. Puede que en función de la patología, la guía de práctica clínica indique la repetición de las mismas.

Por tanto sólo nos queda una posible salida. No existe un nivel de confianza adecuado entre profesionales. No importa si es entre un centro privado y uno público. No importa si es entre el médico de la mutua patronal y el médico de familia. No importa si es dentro de la misma área sanitaria, entre diferentes niveles asistenciales.

No existe esa confianza. Y a menudo, implica la repetición de pruebas que objetivamente no debieran realizarse, con la consiguiente confusión del paciente, que a regañadientes, se somete de nuevo a ellas.

¿Podemos echarle la culpa a los sistemas de información? Ya saben, el personal de IT lleva tatuado en la frente el estigma de Caín, y por defecto, por donde pasamos, no vuelve a crecer la hierba.

Pues aunque indudablemente, en algunos casos, cabe que haya una parte de razón, no siempre es así.

Existen sistemas que permiten que en comunidades donde hay una integración en la provisión pública de salud que permiten la interacción / integración entre diferentes niveles asistenciales. Pero en estos sistemas no consta la actividad de la provisión privada de salud. ¿Es un problema de sistema de información? Hasta cierto punto. Sistemas de información obsoletos en la parte privada y criterios políticos son culpables a partes iguales de la situación.

Hay otras situaciones que rayan lo absurdo. Me explicaban hace unas pocas semanas el caso de un endoscopista, con plaza en la pública y actividad en la privada, que, con una diferencia de pocos días practicó exactamente la misma exploración al mismo paciente –una colonoscopia- primero en el centro privado y luego en el público.

Independientemente del conflicto ético de la repetición de la prueba, considerada de riesgo, que con tan poco margen de tiempo arrojó exactamente los mismos resultados, cabe suponer que quién indicó la prueba tuvo acceso a los resultados de la primera exploración, con lo cual podría haberse evitado la segunda exploración.

¿Confiaba menos en el resultado de la privada el médico que ordena la prueba, siendo quien firmaba exactamente el mismo endoscopista que tenía en su hospital?

¿Los medios técnicos de los que dispone nuestro endoscopista en el centro privado son inferiores a los del centro público?

Como ven, no es tanto un problema de sistemas de información como un problema organizativo. Y a menudo, ni eso.

Es un problema de confianza.

Big Data y Machine Learning: salvando vidas

Cuando leo últimamente sobre Big Data, al igual que me pasa cuando leo sobre Blockchain, pienso que es un tema del cual todo el mundo ha oído hablar, tiene opinión, hay mucho mito, y al final, como en el caso de los Reyes Magos, "el Big Data son los padres".  Así pues, podemos encontrar sin demasiada dificultad artículos y posts en los que se ensalzan las bondades de esta tecnología en diferentes campos, incluida la salud. 

Por otro lado si hablamos de Big Data y salud, la primera cuestión que nos asalta (conceptos explorados por cierto en algunos posts en este mismo blog) es cómo agregar los datos que proceden de wearables para construir el repositorio de Big Data. 

La realidad, que es mucho más tozuda de lo que queremos admitir, ya nos indica que tenemos unos estupendos repositorios en los que desde hace décadas venimos alimentando con multitud de datos de salud y estilo de vida. 

Me refiero a los ubicuos -y a menudo denostados- sistemas de información sanitarios, la Historia Clínica Electrónica (HCE). Cumplen todos los requisitos de Big Data y las 4 Vs, y en función del grado de detalle de datos como los resultados de análisis clínicos (aún hoy día, algunas integraciones con HIS se limitan a capturar los resultados como documentos PDF, mientras que otras -las mejores- tienen la integración a nivel de dato) podremos extraer información más significativa o no. Además, en especialidades como Atención Primaria, es común que en el proceso de historiado se realice un inventario de hábitos y estilo de vida, lo cual enriquece aún más el repositorio.

Y es para nota si además estamos en un contexto en que existe un nexo de unión entre los diferentes niveles asistenciales para disponer de una visión única de la HC del paciente. A menudo se olvida que el paciente no aparece por un hospital porque sí, si no que habitualmente viene derivado de Urgencias o de Atención Primaria.

Bien, tenemos un océano de datos y es relativamente fácil ahogarnos en él

Puede que nos venza la emoción y que, al no saber qué buscar, lancemos un algoritmo de data mining para que nos descubra pautas sobre las que podamos trabajar posteriormente, o bien, si tenemos una idea clara de lo que queremos buscar, lanzar algoritmos de machine learning.

Definiendo un número finito de variables de búsqueda dentro de un universo dado, y previa disociación (anonimización) de los mismos para cumplir la normativa de protección de datos, ya podemos empezar a usar nuestro Big Data.

Hasta ahora, he hecho un ejercicio más o menos teórico del qué y del cómo. Tal vez sea conveniente hablar ya de realidades.

El 13 de septiembre de 2016 fui invitado por IBM Research Zurich a un evento llamado "Think Discovery for Life Sciences and Healthcare - Transforming through Data", un evento muy exclusivo en el que se hablaron de aplicaciones reales del uso de IBM Watson en el sector salud, y en el que se habló, entre otras cosas, de modelar conocimiento... ¿os suena?

Bien, una de las ponentes era la profesora Varda Shalev, MD MPH, CEO del Instituto de Investigación e Innovación Maccabitech, vinculado al HMO Maccabi, de Israel. Además de ello, es médico de familia en activo. Debo deciros que las ponencias fueron de gran nivel, pero la de la profesora Shalev -The community care of the future- me impactó de un modo que no os podéis imaginar.
Sketchnote de la charla "The community care of the future", por Varda Shalev / Maccabitech
IBM Research / www.seeheardraw.com
Entre otras cosas, nos explicó el problema que tenían para detectar el cáncer colorrectal de intervalo, es decir, el que aparecía entre dos colonoscopias separadas entre sí por un intervalo de años. Y nos contó que extrajeron un universo de 606.000 pacientes, definiendo 20 variables concretas, basándose en la evidencia de que forzosamente tenía que haber en pacientes con pólipos una caída en la cuenta del hemograma, y aplicaron un algoritmo de machine learning.

¿El resultado? Espectacular, lo podéis leer en este paper. Crearon un algoritmo de detección de riesgo (predicción de que un paciente dado pueda desarrollar un cáncer colorrectal en los próximos dos años) en base a los resultados de un hemograma; a los pacientes a los que les aparece una alerta se les realiza una colonoscopia: en el 80% de los casos aparecen pólipos, con un 0,5% de falsos positivos. El resultado en salud es que en Israel la mortalidad debida a cáncer colorrectal ha ido cayendo en los últimos años

Esto demuestra más allá de cualquier duda que el uso de los datos almacenados dentro de una HCE, tratados como Big Data y usando algoritmos data mining / machine learning pueden salvar vidas.

Referencias