Go to Top

Big data i machine learning, un debat al primer Congrés Internacional d’Investigació sobre Salut i Benestar Electrònics

“Avui dia tenim un gran nombre de dades. No obstant això, ¿estem fent res de significatiu amb aquestes dades que ajudi a millorar el tractament dels pacients?”, preguntava el doctor Stein Olav Skrøvseth, director del Centre Noruec de Recerca d’eSalud durant la ponència Construint sistemes de salut a del big data: desafiaments i promeses, celebrada el 26 de gener en el primer Congrés Internacional d’Investigació sobre Salut i Benestar Electrònics.

El Palau Macaya va ser l’escenari del primer Congrés Internacional d’Investigació sobre Salud i Benestar Electrònics, organitzat pel Centre d’eSalut de la Universitat Oberta de Catalunya (UOC), que va tenir lloc el 26 de gener passat. Un congrés el propòsit del qual va ser abordar el paper de les tecnologies digitals per millorar la salut dels ciutadans, valorar les aplicacions mòbils de salut i avaluar fins a quin punt el big data pot ajudar els sistemes de salut a fer front als reptes actuals. Per exemple, si és possible desenvolupar una medicina basada en les evidències científiques en l’era de les històries clíniques informatitzades, tal com qüestionava el doctor Stein Olav Skrøvseth durant la ponència Construint sistemes de salut a partir del big data: desafiaments i promeses.

 

Ens “ofeguem” en un mar de dades?

Entre els desafiaments als quals ha de fer front el healthcare hi ha grans quantitats de dades diverses, desestructurades (el 80% ho estan) i emmagatzemades en centenars de formats (resultats de laboratori, imatges i transcripcions mèdiques) que creixen de manera exponencial, segons dades d’IBM sobre big data en healthcare exposades pel doctor Olav Skrøvseth. A més, es calcula que 16.000 hospitals a tot el món recullen dades de pacients, alhora que 4,9 milions de pacients fan servir dispositius mèdics. El segment dels dispositius mèdics monitoritzats va créixer a un ritme del 18% anual al llarg del període 2010-2016, i es preveu que segueixi a l’altura en els proper anys. Les dades flueixen constantment a través de sensors interconnectats, monitors i instruments en temps real, més ràpid que un metge o un infermer. A mesura que les dades de salut guanyen en velocitat i volum, noves tecnologies com l’stream computing, els algoritmes del qual analitzen dades en temps real, així com la gestió de grans volums de dades via big data analytics poden predir el començament de malalties incipients, fet que pot ajudar els cuidadors a prendre decisions millors. “No obstant això, tenir accés a les dades suposa un problema, avui en dia, i n’hem de ser conscients. Hi obstacles legislatius, però també tècnics. A més, les dades, majoritàriament desestructurades, faciliten molta informació que s’ha d’analitzar per establir coincidències”, va puntualitzar el doctor Olav Skrøvseth.

Un sistema d’atenció sanitària simplificat

Per poder comparar, el ponent va explicar com havia evolucionat la pràctica clínica, saltant-se passos com ara plantejar hipòtesis, fer assajos clínics i redactar informes o anàlisis que hi donessin resposta. Aquest procés, que ha tingut èxit durant més de 70 anys, s’ha anat escurçant, i avui dia coexisteix una altra visió de pràctica clínica on preval la immediatesa: a partir de les dades facilitades es genera un coneixement sintetitzat del cas que tanca el cercle i es transmet aquest coneixement a la pràctica clínica. “Aquesta visió, molt simplista del sistema d’atenció sanitària, no està exempta de dificultats. Obtenim dades de manera que no podem fer-les servir, ni tampoc ens ofereixen cap tipus d’informació útil; a més, hi ha un gran nombre de restriccions i reptes tècnics. A partir d’aquí comença la fase més analítica i complicada: la de generar aquest coneixement sintetitzat que serviria per prendre decisions en ferm, etc. Això no és gens trivial”, va afirmar.

I què aporta aquest model simplificat d’atenció sanitària? El director del Centre Noruec d’Investigació d’eSalut el detallava així: “Prevenció, monitorització dels pacients que no es poden desplaçar i segueixen un tractament a casa, creació de models predictius que ajudin a millorar resultats i millora de la qualitat”.

Big data, un terme “enganyós”

“Tothom parla de big data, però jo crec que és un terme enganyós. En el context en què ens movem, considero que big data no és una descripció adequada. La mida no és la qüestió. Podem comptar amb bases de dades de menors dimensions, però amb les mateixes característiques i sobre els mateixos temes que les de dades a gran escala”, va explicar el director del Centre Noruec d’Investigació d’eSalut, que va fer unes quantes observacions que cal tenir en compte sobre big data. Per exemple, que una infinitat de dades provenen de fonts molt diferents entre si i de vegades no gaire clares sobre un pacient, una condició, etc. Cal combinar-les i acoblar-les per formar un tot. O que la qualitat sempre importa. Cal assegurar-se que les dades donen suport a les conclusions a què s’arriba o aborden les preguntes que un es fa. La dada per si sola no és suficient.

Les claus del machine learning

Pel doctor Olav Skrøvseth, el machine learning es basa a aprendre patrons de bases de “milions de dades”, de manera que cal un “domini expert per arribar a algun lloc” mitjançant l’ús d’aquesta disciplina científica. “No es pot agafar una base de dades i analitzar-la sense haver-la discutit almenys amb dos o tres dels experts que van generar aquestes dades. I a partir d’aquí, t’han de dir quin és el problema actual”, va recomanar. Respecte a la màxima a data science que moltes dades triomfen sobre un algoritme intel·ligent, el ponent va afirmar que no sempre és així. “Cal estar molt segur sobre alguna cosa, i això no sempre és possible”, va apuntar. Finalment, Olav Skrøvseth va lamentar que el machine learning prediu, però no facilita cap informació sobre la causalitat, és a dir, la relació entre causa i efecte.

Tecnologies com machine learning i deep learning se situen al capdamunt de la corba Gartner Hype Cycle for Emerging Technologies de l’any 2017, que mesura l’estat de les tecnologies més prometedores a nivell global. “Una de les raons per les quals la tecnologia machine learning es troba al cim és que genera un gran interès. És molt poderosa i realment ens ajudarà, però hem de ser realistes. Per la seva banda, el deep learning es va descobrir als anys 70, tot i que se’n va començar a parlar fa dos anys. Al principi, conèixer com treballa el cervell no era gaire útil. Actualment, comptem amb l’última generació d’ordinadors i els algoritmes han millorat molt”, va afirmar. En definitiva, machine learning i intel·ligència artificial tenen un gran potencial en healthcare, malgrat que cal ser conscients dels punts forts i febles d’ambdues tecnologies.

Las nuevas tecnologías ya están transformando la realidad diaria de la sanidad

El primer congreso internacional de investigación sobre salud y bienestar electrónicos aborda las lagunas de la mhealth 

El futuro está en las nubes 

Las tics necesarias para transformar y hacer más sostenible el sistema sanitario

Share Button