Puede ayudar a cambiarlo de muchas maneras, que van desde el diagnóstico temprano y adaptativo, el procesamiento de datos a gran volumen, el análisis colaborativo de datos y la medicina altamente personalizada. Destaco la porción de ayuda porque el análisis de datos por sí solo no resuelve nada. Los mecanismos de acción que implementan la atención, adquieren los datos, notifican y permiten la colaboración, también deben ser movilizados de manera segura y efectiva. De lo contrario, mostrar un patrón o análisis resultará en mucho “¿y qué?” respuestas
Lo que el aprendizaje automático no puede hacer es superar las barreras sociopolíticas, económicas y humanas que impiden que se implementen medidas de atención médica evidentemente fáciles. La tecnología como un multiplicador de fuerza tiene la mala costumbre de hacer que las personas pierdan trabajo, y la mayoría de las empresas y gobiernos reaccionan de una manera muy obviamente protectora. Esto no quiere decir que toda la burocracia sea mala, sino todo lo contrario, ya que gran parte de ella no se entiende bien. Más bien, son las justificaciones para el trabajo manual y confuso innecesario las que deben abordarse de manera directa a través de un cuerpo de votación activo que participa en el proceso de votación que
A continuación, es importante hacer la distinción entre los términos genéricos y muy sobrecargados, “big data”, “analytics” y “machine learning”. Big Data puede hacer uso de técnicas de aprendizaje como el aprendizaje estadístico (lo que la mayoría de las personas asocian con el aprendizaje automático), AI y modelado matemático. La adquisición de los datos es un aspecto importante de encontrar soluciones. La adquisición de datos en el área de atención médica es increíblemente difícil y se ve agravada por enormes cantidades de trámites burocráticos (muchos de los cuales podrían argumentarse como necesarios, especialmente en el clima actual de violaciones de datos y piratería), regulaciones de privacidad y silos definidos por diferentes gobiernos y privados cuerpos. A menudo no solo es costoso tratar de analizar centralmente estos datos, el desafío humano y debería decir “motivado por la capital” es mostrar a los titulares de los diferentes tipos de datos por qué deberían cooperar con tal esfuerzo (leer como “incentivo”) . Es muy típico que cada silo operativo (desde un médico, a una clínica de diagnóstico, a laboratorios, médicos de atención primaria, especialistas de diferentes tipos y proveedores de servicios móviles tengan sus propios intereses en la posesión de los datos. Dicho de otro modo, no existe un adecuado conjunto de incentivos ni desincentivos para pasar del statu quo. Numéricamente y monetariamente, creen que no hay suficiente evidencia para rechazar su hipótesis nula (sí, juego de palabras intencionado).
Aunque hay muchas áreas dentro de la medicina a nivel institucional que ya están utilizando el aprendizaje automático, estas no son realmente disruptivas. Digo esto porque no ha habido una gran cantidad de protestas o consternación en la escala de lo que Uber y Air B & B tuvieron que soportar cuando volcaron hábilmente sus respectivas industrias. Por ejemplo, hay aplicaciones de ML en el área de detección y validación de diagnósticos, y más generalmente donde la metodología es generalmente bien conocida, pero el procesamiento de un gran volumen de trabajo normalmente se ha basado en humanos. Deducir diagnósticos y vincular diferentes fuentes de datos de diferentes silos es algo que, aparte de las limitaciones que mencioné anteriormente, también es un campo minado legal. Si se hace un diagnóstico incorrecto basado en un algoritmo, ¿quién es responsable? Muchos cardiólogos con quienes he hablado son reacios a considerar los factores sanguíneos, la respiración y los factores neurológicos en un entorno colaborativo porque es legalmente más seguro permanecer en su área de especialización. El diagnostico inter-campo no es una ciencia fácil. Los equipos son raros, prohibitivamente costosos, etc. Codificarlos en un algoritmo o descubrir las reglas para el tratamiento y el diagnóstico plantea problemas con la responsabilidad y la precisión.
El uso de relaciones deducidas de los dispositivos de estilo de vida, como los dispositivos populares de consumo que rastrean los pasos, la respiración, etc., puede no ser admisible como datos confiables para su uso en EMR y EHR. No todos estos dispositivos necesitan autorización de la FDA. Y tenga en cuenta que la mayoría de estos proveedores están interesados en monetizar los datos y no están interesados en los aspectos de atención médica. Vender esos datos a una farmacia o vendedor de ropa para que pueda anunciarse es mucho más lucrativo que gastar grandes cantidades de tiempo tratando de obtener aprobación para operar en entornos altamente regulados. Además, por muy fácil que sea, comenzar una clínica u hospital desde cero no es tan fácil como comenzar un Uber o Air B & B: no se puede simplemente recurrir a la medicina colectiva sin molestar a mucha gente y entrar en situaciones mucho más legales. agua; las vidas de las personas están en juego. Por otra parte, es una cuestión de incentivos y desincentivos. Si las farmacias y las compañías de seguros pueden incorporarse, las barreras para obtener datos, inferir patrones y aprender, son mucho más fáciles.
Entonces, después de todo este pesimismo, ¿dónde está la oportunidad? En mi opinión, ML se aplica mejor para la validación y el trabajo de gran volumen de una naturaleza muy específica en un entorno clínico verticalmente integrado, es decir, un hospital. La integración vertical permite el control y la consolidación. Señalar valores atípicos en, digamos, el contexto del control del dolor puede proporcionar una advertencia temprana potencial a los médicos de que un paciente puede necesitar modificar su régimen. Observaciones similares pueden aplicarse a la onda PQRST característica de un paciente individual: los marcadores desplazados pueden indicar problemas potenciales. Nuevamente, se trata de plantear el asunto para una mayor validación y procesamiento. Correlacionar eso con otros factores como la respiración, la química de la sangre, etc. puede ser un poco dudoso, sobre todo porque la correlación no implica causalidad. El análisis de rayos X y otras películas para advertir a los médicos (no diagnosticar) de los posibles puntos también es otra aplicación conocida. La especificidad es clave.
¿Por qué mi muestra de orina fue enviada al laboratorio?
Cómo adquirir muestras de sangre de animales para fines de pruebas espectrales
Es fácil saltar al llamado carro del bombo de los “grandes datos”, pero hay una razón por la que hay una infinidad de vendedores de visualización de datos, solo un puñado de proveedores que señalan las relaciones en datos, menos aún que son específicos del contexto e incluso menos reales implementaciones que han tenido éxito probado (por ejemplo, cuando se utilizó, funcionó y ayudó de una manera que fue estadísticamente significativa y claramente observable, cuando no lo era, sucedió la alternativa no preferible).
Desde mi punto de vista personal, se puede hacer una gran cantidad de dinero para evitar que el muy lucrativo sistema de salud de estilo reactivo se comprometa. Las compañías de seguros son otra discusión profunda en conjunto. La obesidad y las enfermedades del corazón son grandes asesinos, y la depresión es una epidemia tácita masiva que está creciendo y beneficiando a los pharmas. Las medidas preventivas no son populares entre las grandes compañías que poseen big data. A pesar de todos los datos que compañías como Facebook y Google tienen sobre nosotros, personalmente no he visto mucho de ellos en términos de hacer que las personas seleccionen alimentos más saludables, programas de ejercicio, socialización de la vida real y actividades que lleguen a estar potencialmente aislados, deprimidos , viejo y vulnerable ¿Por qué las API para Uber no se utilizan para despachar un taxi para encontrar a alguien que está discapacitado o es viejo y no se ha sabido de él en días, o está publicando mensajes que pueden ser un grito potencial de ayuda en sus cuentas de redes sociales? ¿Qué hay de adaptar los menús a las necesidades de los niños individuales? Bien, sabemos que los oligopolios alimentarios y la industria azucarera tienen intereses allí (nuevamente, otra discusión más profunda y separada). ¿Qué hay de las compañías de seguros que incentivan a las personas a ejercer mediante el envío de entrenadores personales a empresas y particulares? Hay muchos datos para que estas organizaciones hagan todo esto y más. No son ideas de big data, pero son pequeñas ideas que marcan una gran diferencia.