En los servicios de urgencias se genera un gran volumen de datos que implica una adecuada gestión de la información de los pacientes y por su tamaño es difícil de analizar. Por lo tanto, se han integrado estrategias de análisis como el Machine Learning. Estas técnicas de análisis de datos automatizadas facilitan la entrega de información de manera rápida y segura, permitiendo la toma de decisiones en las entidades de salud.
La información que se recolecta en los servicios de urgencias debe aprovecharse al máximo.Los datos generados en la atención en salud producen cientos de parámetros que deben ser explicados para obtener un resultado para el paciente. En consecuencia, es preciso encontrar formas novedosas de integrar los datos para desarrollar algoritmos predictivos que apoyen la toma de decisiones clínicas y administrativas.
El Machine Learning o Aprendizaje Automático, es un concepto que comprende distintas estrategias de análisis, cuyo objetivo es desarrollar algoritmos que extraigan información relevante de un conjunto de datos para obtener explicaciones, clasificaciones o predicciones. Tales algoritmos pueden estar categorizados en tres tipos de aprendizaje automático: supervisados, no supervisados o por refuerzo.
Machine learning supervisado para los servicios de urgencias
Los algoritmos de aprendizaje supervisado tienen el propósito de generar predicciones a partir de patrones establecidos de los cuales pueden aprender. Por ende, pueden aplicar su entrenamiento para identificar variables con los nuevos datos que se le brinden.
Entre algunos de los algoritmos supervisados están el Support Vector Machine (SVM), redes neuronales, árboles de decisión y bosques aleatorios. En la salud, por ejemplo, las redes neuronales se han aplicado al análisis de imágenes diagnósticas de enfermedades como la artritis reumatoide, el cáncer o enfermedades crónicas que suelen tener algunos pacientes en el área de urgencias.
Algoritmos no supervisados en los servicios de urgencias
En cuanto a los algoritmos no supervisados, se distinguen en el Machine Learning por ser capaces de obtener, clasificar y disminuir el volumen de los datos. Tiene la característica de usar información que no cuenta con una descripción o clasificación previa. Es decir, es el ordenador el que debe encargarse de clasificar los datos y entrenarse a partir de ellos, disminuyendo el volumen de estos para analizarlos.
Dos de los algoritmos de aprendizaje automático no supervisados son el Cluster Analysis y el Principal Component Analysis (PCA). El primero permite aglomerar grupos de muestras, que en este contexto pueden ser información de personas, de acuerdo a sus similitudes. Mientras que el PCA tiene la capacidad de disminuir el volumen de las bases de datos y sus variables sin perder información, que podría estar representados en datos como enfermedades o diagnósticos.
En la medicina se han usado algoritmos de PCA junto al Cluster Analysis para identificar patrones de actividad física en personas con enfermedad pulmonar obstructiva crónica. Estos algoritmos pueden usarse de manera coordinada y sin excluirse entre ellos en el diagnóstico de padecimientos que necesiten asistencia en los servicios de urgencias.
Machine Learning por refuerzo y su aplicación
El aprendizaje por refuerzo se define como aquellos algoritmos que, si bien pueden tener datos clasificados, tienen otros sin etiquetar y la idea es que el algoritmo aprenda a identificar y clasificar estos últimos. Por tanto, con un feedback el algoritmo se entrena para que pueda tomar la mejor decisión y preveer el mejor camino para lo que fue programado.
Este algoritmo tiene un entrenamiento en el que planea estrategias efectivas de experimentación con la base de datos que tiene disponible. Esto quiere decir que aquellas metodologías que le han dado “resultados positivos”, serán aquellas que el algoritmo repetirá y optimizará a medida que siga aprendiendo.
En la salud se ha usado para la clasificación de imágenes diagnósticas en los servicios de urgencias, la prevención de enfermedades y para la toma de decisiones respecto a los tratamientos de los pacientes.
Ejemplos del Machine Learning integrado a los servicios de urgencias
Los algoritmos previamente mencionados tienen la capacidad de asimilar las trayectorias de los pacientes y su salud, por lo tanto son capaces de realizar predicciones de lo que puede suceder con ellos.
El Machine Learning ha sido empleado para el triaje, el cual es el proceso de clasificación de los pacientes que requieren atención inmediata en los servicios de urgencias y los separa de aquellos quienes pueden esperar un tiempo más. Un estudio demostró que un algoritmo puede ser casi tan preciso como un experto, lo que genera que los servicios de urgencias puedan descongestionarse.
Otra aplicación en los servicios de urgencias, es la identificación de los pacientes recurrentes o policonsultantes. Este tipo de pacientes en algunos casos consumen muchos recursos en los sistemas de salud y saturan los servicios, y en muchos casos, por consultas que realmente no son una urgencia. Los algoritmos son capaces de predecir el comportamiento de los pacientes, para luego permitirle a las entidades diseñar una estrategia para abordar sus necesidades.
En Keos, trabajamos con modelos basados en aprendizaje automático para construir estrategias de comunicación en las entidades de salud y promover una interacción eficaz con una recolección de datos conforme a las necesidades de las entidades de salud. Si tienes dudas acerca del Machine Learning implementado en herramientas de interacción para el sector de salud, contáctanos.
