«Big Data» (datos masivos) aplicados en la enfermería cardiológica

Sección: Artículos Científicos

Autores

José Manuel Martínez Casas

Enfermero de Urgencias del Hospital Universitario Campus de la Salud, Granada.

Contacto:

C/ Arabial Nº 42, 6º D 18004 Granada

Email: martinezj803@gmail.com

Titulo:

«Big Data» (datos masivos) aplicados en la enfermería cardiológica

Resumen

Las posibilidades y funcionalidades del «Big Data» se presentan como la necesidad de un cambio en el método de empleo de datos para la creación de sentido y utilidad de éstos en el ámbito de la salud y de la enfermería cardiológica.

Las aplicaciones del «Big Data» y las reflexiones sobre ellas son las que realmente interesan actualmente, y sobre ello trata este artículo.

Palabras clave:

Big Data; Enfermería; Aplicaciones del Big Data

Title:

«Big Data» (large volume of data) in cardiology nursing

Abstract:

The possibilities and functionalities of «Big Data» present themselves as the need for a change in the method of using data so as to give them meaning and usefulness in the field of health and Cardiology Nursing.

«Big Data» applications and reflections thereon are what really interests nowadays, and this article concerns them.

Keywords:

Big Data; Nursing; Applications of big data

Qué es el «Big Data»

Las grandes bases de datos que maneja el sector sanitario son una importante fuente de información para mejorar la calidad de este sector. En los últimos años, se ha vuelto cada vez más evidente que el gran flujo de datos relativos a aspectos de salud se puede aprovechar con nuevas y potentes tecnologías de recogida, agregación y técnicas para mejorar la prestación de asistencia sanitaria tanto a nivel individual, es decir, a nivel de pacientes, como respecto a poblaciones completas. Por ello la necesidad de utilizar el «Big Data».

El «Big Data» se basa en el procesamiento a «gran velocidad», el análisis y visualización de una «gran cantidad de datos» con características heterogéneas («gran variedad de datos»)1.

Con «gran velocidad», se refiere a que es una tecnología que debe procesar, en tiempo real, datos generados por fuentes generadoras de información como sensores, cámaras de vídeo, redes sociales, blogs, webs y otras fuentes que generan millones de datos.

Con «gran cantidad de datos» se refiere que se deben almacenar datos con magnitudes del tamaño de petabytes (10^15 bytes) o exabytes (10^18 bytes), y que van aumentando de forma exponencial, imposibles de ser analizadas por las herramientas tradicionales de análisis estadístico.

Y finalmente, una «gran variedad de datos» procedentes de sensores, redes sociales, personas individuales, etc…

Los sistemas «Big data» deberían permitir la integración de datos de origen cuantitativo naturalmente desestructurados, así como gráficos, texto, sonido o imágenes. Es tan variada la cantidad de datos, que se precisa de nueva tecnología para analizar este tipo de datos con el objetivo de obtener información menos sesgada.

Estos 3 aspectos anteriormente descritos son los llamados «v» («gran velocidad», «gran cantidad de datos» y «gran variedad de datos») que explican el «Big Data».

Modelos de «Big Data»

Una vez que está claro qué es «Big Data», es necesario definir las 3 formas de análisis en el «Big Data»2 (tabla 1):

  • Modelos predictivos: se analizan resultados previos para determinar qué probabilidad tiene un individuo de presentar una conducta específica en el futuro con el fin de mejorar la eficacia. Este tipo de análisis también incluye modelos que analizan patrones discriminantes de datos para responder a las preguntas sobre el comportamiento del paciente. Los modelos de predicción a menudo realizan cálculos en tiempo real para evaluar un determinado riesgo (por ejemplo, determinar el riesgo que pueda tener un paciente de padecer un IAM) (figura 1).

  • Modelos descriptivos: explican las relaciones entre los datos para poder organizar a los individuos en grupos. A diferencia de los modelos de predicción que se centran en pronosticar el comportamiento de un único individuo, los modelos descriptivos establecen diferentes relaciones entre individuos. Las herramientas de modelado descriptivo pueden ser empleadas para desarrollar modelos, pudiendo predecir también acciones futuras.
  • Modelos prescriptivos: con la finalidad de predecir resultados mediante el análisis de muchas variables, describen la relación entre todos los elementos de una decisión, incluidos los resultados de los modelos de predicción, la decisión a tomar y el plan de variables y valores que determinan la propia decisión.

Una vez que se conoce qué es el «Big Data» y sus diferentes modelos que explicarían su funcionamiento, es necesario comentar las funcionalidades del «Big Data» en la enfermería cardiológica.

Beneficios y funcionalidades del «Big Data» en Cardiología

Actualmente, se están desarrollando nuevas utilidades del «Big Data» en múltiples ámbitos de la salud. A continuación, se presentan algunos de los campos de aplicación más relevantes, a pesar de que en la práctica real, casi todos ellos están profundamente relacionados:

a) Genómica
El «Big Data» aplicado a la genómica trata de obtener, mediante potentes sistemas de análisis, la forma de adquirir, almacenar, procesar e interpretar toda esa información codificada en el genoma humano.

El «Big Data» podría suponer una revolución en la investigación clínica y en la aplicación de las nuevas tendencias de tratamiento y diagnóstico3.

Por ejemplo, mediante la aplicación de técnicas de «Big Data» se podría predecir con un mayor nivel de precisión si un individuo es más proclive o no a desarrollar una patología cardiaca dependiendo de sus factores genéticos, pudiéndose anticipar al desarrollo de la misma. Por tanto, se tendería a un nuevo paradigma de medicina preventiva, seleccionando las medicaciones más eficaces para los pacientes con patologías cardiacas, mediante la farmacogenética4.

De esta manera, la genómica personal también surge como un factor clave para desarrollar la llamada «medicina predictiva», donde el perfil genético de un paciente puede ser usado para determinar un tratamiento adecuado antes de que se desarrolle la enfermedad.

b) Investigación clínica
La aplicación del «Big Data» en el ámbito de la salud puede tener grandes efectos para los diferentes actores implicados en la investigación clínica.

Los profesionales sanitarios podrían llegar a ofrecer diagnósticos más ajustados y de forma que estén mejor respaldados desde una perspectiva científica.

Pero sobre todo, el principal beneficiado de la aplicación del «Big Data» en salud y, concretamente, en la investigación clínica, es precisamente el paciente, que podrá obtener diagnósticos más rápidos y precisos5.

c) Epidemiología a través de la monitorización
Conocer el impacto de las enfermedades coronarias en la sociedad a través de las medidas epidemiológicas básicas y su evolución es fundamental para evaluar la efectividad de los tratamientos y organizar la distribución de recursos.

Diversos estudios6,7 hablan sobre la necesidad de realizar mejores estudios epidemiológicos que permitan el reconocimiento preciso de factores de riesgo, distribución y efectos sinérgicos, para lograr una modificación de los mismos y una prevención efectiva de la cardiopatía isquémica e insuficiencia cardiaca a nivel primario, secundario y terciario. Estos estudios sugieren que el «Big Data» puede ser una vía de obtenerlo, aunque son muy escépticos sobre su aplicación inmediata.

Para la evaluación de factores de riesgo, nos podríamos servir de los llamados «wearables» o tecnología vestible, que son dispositivos de monitorización.

Los «wearables» pueden generar un gran volumen de información, lo que permite no solo la monitorización individual del paciente, sino también la planificación de estrategias de prevención colectivas. Esto podría ser muy útil, por ejemplo, para evaluar intervenciones ecológicas, como cambiar el diseño urbano, para promover la actividad física en la población de una ciudad8,9.

d) Operativa Clínica
El cuarto área en el que el «Big Data» puede realizar grandes avances es en el área de «operativa clínica».

Con operativa clínica se refiere al conjunto de decisiones estratégicas, tácticas y operativas para la planificación, gestión de los recursos disponibles y/o gestión de departamentos con el fin de optimizar la calidad y la eficiencia de la atención sanitaria1.

En un futuro nos enfrentaremos a nuevos modelos en los que el análisis de datos clínicos jugarán un papel fundamental a la hora de prestar asistencia a los pacientes.

Un ejemplo podría ser que los centros sanitarios puedan tener información de calidad sobre la demanda de servicios, así como tener conocimiento de la disposición y calidad de los servicios que se ofrecen. Se podría conseguir una operativa clínica más práctica y eficiente, facilitando información en tiempo real a enfermeras y médicos, para mejorar el triaje; pudiendo prevenir infecciones y realizando análisis predictivos para identificar a los pacientes cardiológicos con mayor riesgo de reingreso hospitalario o errores de prescripción, diagnóstico o tratamiento.

Un análisis pormenorizado de toda esta información repercutirá en una mejor gestión de los centros sanitarios y consecuentemente en una mejor calidad en la atención del paciente.

e) Farmacología
Y la última de las posibilidades a tratar, que permite el desarrollo «Big Data», es en el ámbito de la farmacología:

Los ensayos clínicos aleatorizados (ECA), los cuales continuarán siendo el principal árbitro para la utilidad clínica, son capaces de evidenciar que un nuevo medicamento cardiaco puede solucionar un determinado problema de salud, pero no son capaces de abordar la amplia casuística que existe en relación a la realidad de los pacientes cardiacos y los múltiples factores que disminuyen significativamente el número de personas para las que el medicamento es eficaz10.

Al desarrollar nuevas formas de analizar la información de un elevado número de pacientes que son tratados con un medicamento en estudio, fuera del ensayo concreto y aislado en un entorno de laboratorio, se puede evaluar mejor la eficiencia de un determinado principio activo al añadir también toda una serie de variables recogidas en entorno real. Y no sólo la eficiencia concreta del fármaco, sino también su aplicabilidad a un mayor número de pacientes. La gran capacidad que posee el «Big Data» de complementar esta información resultante de los ECA, incorporando la información proveniente del mundo real, puede tener un gran efecto transformador en la manera en cómo se pueden registrar y prescribir los fármacos.

Las posibles aplicaciones del «Big Data» en enfermería. Reflexiones sobre la utilidad del «Big Data»

La gestión del «Big Data» y el desarrollo tecnológico podrá (o no), en un futuro, constituir un nuevo paradigma e implicar cambios organizativos. Pero no creo que esto se pueda llevar a cabo en una realidad a corto y medio plazo.

Muchas son las promesas que se están realizando sobre el «Big Data» (ya enumeradas anteriormente), pero son solo unos pocos aquellos que están aprovechando el «Big Data» al máximo.

Actualmente, no tenemos constancia de que el «Big Data» se esté utilizando en el ámbito de la enfermería cardiológica.

Solamente las enfermeras serán capaces de «exprimir» al máximo las aplicaciones útiles del «Big Data» para aplicarlo en el ámbito de la enfermería cardiológica11.

Deseo finalizar este artículo hablando del gran potencial que podría tener el «Big Data» para mejorar la calidad de vida de los pacientes cardiológicos, pero actualmente nos encontramos en una situación embrionaria, y que solamente el desarrollo tecnológico, la mejora de datos de calidad y el tratamiento de éstos por parte de los llamados «científicos de datos», podrán obtener resultados útiles.

También tengo que reconocer que no hemos hablado de la protección de datos en el «Big Data», ni sobre la normativa sobre el «Big Data», son aspectos arduos y que considero que darían para otro artículo.

Conflicto de intereses

Ninguno.

Bibliografía

  1. Urueña A, Ballestero MP, Prieto E, San Segundo JM, Soler I. Big data en salud digital. Fundación Vodafone España; 2016.
  2. Big Data Reduction 2: comprensión de análisis predictivos - comunidad de litio. Disponible en: https://community.lithium.com/t5/Science-of-Social-Blog/Big-Data-Reduction-2-Understanding-Predictive-Analytics/ba-p/79616
  3. He KY, Ge D, He MM. Big data analytics for genomic medicine. Int J Mol Sci. 2017;18(2):412. Disponible en: http://www.mdpi.com/1422-0067/18/2/412
  4. Gemson Andrew Ebenezer J, Durga S. Big data analytics in healthcare: A survey. ARPN J Eng Appl Sci. 2015;10(8):3645–50. Disponible en: http://www.ncbi.nlm.nih.gov/pubmed/26229957
  5. Frigerio M. Sarà big data a rispondere ai bisogni non soddisfatti della ricerca?. Giornale Italiano di Cardiologia. 2016.17:186–8. Disponible en: http://www.giornaledicardiologia.it/articoli.php?archivio=yes&vol_id=2190&id=23658
  6. Ambale-Venkatesh B, Yang X, Wu CO, Liu K, Hundley WG, McClelland R, et al. Cardiovascular Event Prediction by Machine Learning: The Multi-Ethnic Study of Atherosclerosis. Circ Res. 2017;121(9):1092–101. Disponible en: http://www.ncbi.nlm.nih.gov/pubmed/28794054
  7. Kitakaze M. Trends in Characteristics of CVD in Asia and Japan: The Importance of Epidemiological Studies and Beyond. J Am Coll Cardiol. 2015;66(2):196–8. Disponible en: https://www.sciencedirect.com/science/article/pii/S0735109715024808
  8. Pellanda EC, Pellanda LC. Primordial Prevention and Wearable Health Devices: The Wearables in Cardiology. Arq Bras Cardiol. 2016;106(6):455–6. Disponible en:
    http://www.gnresearch.org/doi/10.5935/abc.20160094
  9. Cummins P, Serruys PW. Sensors, wearables and devices in the E-age: Tomorrow’s world today. EuroIntervention. 2015;10(12):1373–4. Disponible en: http://www.ncbi.nlm.nih.gov/pubmed/25912388
  10. Li L. Reverse Translational Pharmacology Research Is Driven by Big Data. CPT Pharmacometrics Syst Pharmacol. 2018;7(2):63–4. Disponible en: http://doi.wiley.com/10.1002/psp4.12277
  11. Santillán, A. Potencial del Big Data para la enfermería: de las promesas a la práctica diaria. I+S: informática y salud. 2017;123: 66 Disponible en: https://dialnet.unirioja.es/servlet/articulo?codigo=6013206