Skip to content
Puede usar nuestro buscador para encontrar información sobre los productos y soluciones de InterSystems, las oportunidades de desarrollo profesional, los casos de uso, novedades y mucho más. Los resultados incluyen el contenido de nuestra comunidad de desarrolladores, documentación de productos y formación, además de InterSystems.com.

Salud en el siglo XXI: los datos como motor de la transformación digital

InterSystems
Imagen Pixabay

Es claro que la transformación digital está redefiniendo muchas industrias y, en particular, la salud ya no es una excepción.  Uno de los motores principales en el proceso de transformación en salud es la mayor disponibilidad de datos.

En los últimos 20 años, la captura y digitalización de datos era un proceso complejo y costoso que, además, inducía nuevos errores. Con la irrupción de los wearables y su gran adopción entre la población, el flujo de datos se volvió continuo lo que generó un cambio de paradigma: pasamos de una cultura de escasez de datos a una cultura de abundancia de información.

Este nuevo esquema de abundancia de datos, junto con otros avances tecnológicos, por ejemplo, en el campo de la inteligencia artificial, está generando una oportunidad única para lograr un mayor entendimiento de las enfermedades, de los tratamientos y sus resultados, y de los pacientes. Esta nueva evidencia y datos del mundo real, RWE/RWD por sus siglas en inglés, complementan el conocimiento obtenido dentro del contexto de un estudio clínico ya que agregan un segmento de pacientes en general excluido. Como resultado, está evolucionando la forma de diagnosticar y tratar pacientes, es decir, se está avanzando en el campo de la medicina personalizada y con ello la capacidad de transformar la vida de los pacientes.

El enfoque tradicional de tratamiento consiste en aplicar un mismo medicamento a pacientes con enfermedades similares. Si tomamos como ejemplo el caso del cáncer, los pacientes con un tipo de tumor particular o localizado en un órgano son tratados de manera homogénea con quimioterapias. El contar con más datos sobre la enfermedad y sobre el tipo de tumor permite ofrecer un tratamiento más específico para ese subgrupo de pacientes, (Fantana, Cella, Benson, et al, 2019).

Por otro lado, desde el punto de vista de las entidades reguladoras (Framework for FDA’s Real-World Evidence Program, 2018) la gran cantidad de datos disponible permitiría desarrollar programas para, por ejemplo, mejorar la eficiencia de estudios clínicos, entre otros aspectos, como los siguientes:

  • Identificar biomarcadores y herramientas que ayuden al desarrollo de moléculas.
  • Evaluar la conveniencia del estudio considerando el impacto en el criterio de inclusión/exclusión.
  • Configuración de grupos de investigación distribuidos geográficamente.

Sin embargo, la otra cara de la misma moneda muestra ciertos desafíos emergentes que están orientados a cumplir la promesa del potencial antes mencionado.
Un tema que considero primordial es el concepto de interoperabilidad. La interoperabilidad, entendida no solo como el mero intercambio de datos entre sistemas y stakeholders, sino como la posibilidad de intercambiar información de forma tal que logre un impacto en los resultados de salud de los individuos y las poblaciones (Wretling, 2013).

Ahora bien, cuando hablamos de interoperabilidad resulta útil separarla en niveles. Considerando la definición de HIMSS (HIMSS, 2019) podemos organizarla en:

  • Nivel 1 o fundacional, establece los requerimientos de interconectividad necesarios para que un sistema o aplicación comunique los datos de forma segura.
  • Nivel 2 o estructural, define el formato, la sintaxis y la organización del intercambio de datos, incluso en el nivel de campo de datos para la interpretación.
  • Nivel 3 o semántico, proporciona los modelos subyacentes y la codificación de los datos, incluso el uso de vocabularios de codificación, etc.
  • Nivel 4 u organizacional, incluye consideraciones de gobernanza, políticas, legales, sociales y organizativas para facilitar la comunicación y el uso seguro, transparente y oportuno de datos.

Para dimensionar la complejidad de la temática, resulta útil analizar la cantidad de interfaces necesarias entre los sistemas participantes en el ecosistema. En principio, solo consideraremos la interoperabilidad de nivel 1 para simplificar el análisis. En esas condiciones, si tenemos 2 sistemas deberíamos tener 1 interfaz de interconexión, si tenemos 3 sistemas tendríamos 3 interfaces, si tenemos 5 sistemas tendríamos 10 interfaces y, como vemos, el número de interfaces aumenta en forma significativa comportándose de acuerdo con la siguiente ecuación I = (n * (n-1)) / 2, donde I es el número de interfaces y n es el número de sistemas. Como se puede ver, al aumentar la cantidad de interfaces aumentaría también la complejidad en su gestión, considerando que son sistemas que tienen distintos modelos de gobierno.
Una forma de simplificar lo antes planteado es mediante la adopción de estándares, entre ellos HL7, que proporciona un marco para el intercambio, integración y recuperación de información electrónica de salud. Estos estándares definen cómo se empaqueta y comunica la información de una parte a otra, estableciendo el idioma, la estructura y los tipos de datos necesarios para la integración entre sistemas, (HL7, 2020).

En mi opinión, es fundamental, además de conocer los beneficios y las oportunidades que se presentan con las nuevas tecnologías, conocer también cuáles son las condiciones necesarias que se deben cumplir para poder realizar los beneficios y obtener el máximo impacto. Por otro lado, la interoperabilidad no debe pensarse desde lo tecnológico sino como una herramienta para mejorar los sistemas de salud.

Referencias

Fantana, A. Cella, G., Benson, C., et al, 2019. The Future Of Drug Trials Is Better Data And Continuous Monitoring. [online] Harvard Business Review. Disponible en: “https://hbr.org/2019/05/the-future-of-drug-trials-is-better-data-and-continuous-monitoring” [Consultado el 9 de Mayo del 2020].

FDA. 2018. Framework For FDA’S Real-World Evidence Program. [report] FDA. Disponible en: “https://www.fda.gov/media/120060/download” [Consultado el 9 de Mayo del 2020]

Wretling, S., 2013. How Your Voice Can Shape Interoperability. [online] HIMSS. Disponible en: “https://www.himss.org/resources/how-your-voice-can-shape-interoperability” [Consultado el 9 de Mayo del 2020]

HIMSS. 2019. What Is Interoperability?. [online] Disponible en: “https://www.himss.org/what-interoperability” [Consultado el 9 de Mayo del 2020].

HL7, 2020. Introduction To HL7 Standards | HL7 International. [online] HL7. Disponible en: “https://www.hl7.org/implement/standards/index.cfm?ref=nav”  [Consultado el 9 de Mayo del 2020]

Otras publicaciones que te pueden gustar.

Para las empresas, actualmente, es prioritario agilizar la gestión de sus datos. El concepto Data Fabric utiliza mejor las arquitecturas de datos, sin necesidad de reconstruir las aplicaciones y los data lakes, y facilita que las organizaciones se adapten a los mercados cuando es necesario.
Managing Director, Europe and Latin America