La sostenibilidad de la medicina a través del machine Learning. Se asocia con frecuencia Inteligencia Artificial en salud al diagnóstico y de la terapia personalizada, a la medicina de precisión, casi exclusivamente: Se utilizan grandes bases de datos para crear algoritmos en base a la experiencia que ayuden a los clínicos al diagnóstico y al tratamiento de sus pacientes.
La tecnología es costosa y el avance es lento. Se benefician los grandes hospitales que tienen recursos económicos y humanos para costear el proceso hacia la IA, y un proyecto desarrollado en un hospital es difícilmente transferible a otros.
La realidad es que, hoy en día, la medicina de precisión para todos y para todo no es sostenible.
Se aplica la IA para casos puntuales y pioneros, con gran repercusión mediática, pero ¿aportan grandes cambios como para que nos planteemos adoptar la IA en todos los centros hospitalarios?
La respuesta tendrá un sinfín de comentarios y valoraciones diversas que nos llevan siempre a no lograr la equidad en salud de los distintos centros y regiones.
La adopción de la IA es una maratón, en la que no podemos dejar a nadie atrás. Si abarcamos problemas de gran impacto, aportando soluciones para una mejor gestión de los recursos disponibles, el beneficio social es para todos.
La propuesta de Amalfi es el uso de la IA en gestión sanitaria, para ayudar a la sostenibilidad del sistema. Abarcar grandes problemas como son la gestión del absentismo laboral, que en nuestro país consume una gran cantidad de recursos económicos y que puede gestionarse con IA obteniendo reducción de costes y mejora del bienestar laboral.
La metodología de ARUM (Análisis de Recursos Humanos), basada en Machine Learning, es aprender los patrones de comportamiento de los colectivos de empleados a partir de datos históricos y predecir el absentismo futuro para mejorar la planificación, evitar la falta de personal y reducir los costes de contratación de personal substituto.
Dentro de lo clínico, ¿puede la IA ir más allá del tratamiento individualizado, paciente a paciente?
De nuevo la respuesta es sí. La IA también puede abarcar el análisis, la agrupación y la segmentación de todos los pacientes, dando respuestas a grandes grupos poblacionales y plantear soluciones a problemas de impacto muy alto sin la necesidad de aplicar previamente grandes inversiones.
En la plataforma ANIS, el algoritmo agrupa los pacientes descritos en registros de salud del historial médico (diagnóstico, tratamiento, medicación, etc) de manera que los grupos creados aportan información nueva, no descubierta o analizada con los procedimientos clásicos ya que permite ver de ese subgrupo creado, qué comorbilidades, asociaciones, procedimientos y tratamientos se diferencian del resto de grupos que a priori eran similares.
Esta tecnología permite un análisis más allá de agregados como los GRD (Grupos Relacionados de Diagnóstico) y la resolución de hipótesis clínicas que dan respuesta a cambios de protocolo y mejora del tratamiento de los pacientes, logrando una eficiencia de los recursos disponibles. Al identificar grupos de alto riesgo y alto coste, se puede focalizar la acción sobre una parte de los enfermos de una patología consigue un impacto en los resultados globales.
Tratamos con los datos de toda la población que cada organización debe tratar, permitiendo pues pasar del Real World Data (RWD) a la Real World Evidence (RWE).
