Tecnologías de Big Data y Aplicaciones en la Atención Sanitaria

El big data en la atención sanitaria se refiere a conjuntos de datos cuyo volumen, velocidad y variedad superan la capacidad de las herramientas convencionales de gestión de datos, y a las tecnologías distribuidas desarrolladas para almacenarlos y analizarlos. Las aplicaciones abarcan datos clínicos, genómicos, administrativos y de sensores, con el objetivo de extraer patrones y predicciones que conjuntos de datos más pequeños o de una sola fuente no pueden soportar.

Definition

Las tecnologías de big data en la atención sanitaria son los métodos de almacenamiento distribuido y analíticos diseñados para conjuntos de datos relacionados con la salud, caracterizados por su alto volumen, velocidad y variedad, aplicados a datos clínicos, genómicos, administrativos y generados por dispositivos para apoyar la predicción, el descubrimiento y la gestión.

Scope

Este tema abarca las características definitorias del big data aplicadas a la salud, los enfoques tecnológicos para el manejo de datos a gran escala y las aplicaciones representativas en la atención sanitaria, como la analítica predictiva y la gestión de poblaciones de alto riesgo. También señala los límites y riesgos de estos enfoques. Es una visión general de referencia de métodos y aplicaciones, no una guía de implementación o clínica.

Key concepts

• Volumen, velocidad y variedad (las 'tres V')
• Almacenamiento y procesamiento distribuidos
• Datos heterogéneos y no estructurados
• Analítica predictiva
• Aprendizaje automático en medicina
• Datos genómicos y de sensores
• Escalabilidad e interoperabilidad
• Generalizabilidad y sesgo en grandes conjuntos de datos

Mechanisms

Los datos de salud han crecido en escala y heterogeneidad a medida que se acumulan registros electrónicos, imágenes, datos genómicos, reclamaciones y sensores portátiles. Los enfoques de big data abordan esto distribuyendo el almacenamiento y la computación entre muchas máquinas y acomodando datos estructurados y no estructurados conjuntamente. Una vez que los datos están a escala, se aplican métodos analíticos, incluyendo cada vez más el aprendizaje automático, para detectar patrones y construir predicciones, como la identificación de pacientes de alto riesgo o alto coste para una gestión dirigida. El valor de estos métodos depende de la calidad de los datos, la representatividad y la interoperabilidad; los grandes conjuntos de datos no garantizan por sí mismos conclusiones válidas y pueden amplificar el sesgo si los datos subyacentes están sesgados.

Clinical relevance

Las tecnologías de big data sustentan herramientas predictivas, modelos de riesgo y sistemas de apoyo a la decisión que se utilizan cada vez más en la prestación de atención sanitaria y la investigación. Comprender sus características y límites ayuda a los usuarios a juzgar cuándo la analítica a gran escala añade valor y cuándo la escala enmascara el sesgo o la mala calidad de los datos. Este tema describe tecnologías y aplicaciones; no dirige el diagnóstico o tratamiento individual.

History

A medida que los datos de salud recopilados rutinariamente se expandieron a principios de la década de 2010, el concepto de big data, originalmente enmarcado en torno al volumen, la velocidad y la variedad en los sistemas de información, se aplicó a la atención sanitaria. Las revisiones mapearon su promesa para el uso clínico, genómico y operativo, y la analítica para la gestión de poblaciones de alto riesgo demostró aplicaciones concretas. El posterior auge del aprendizaje automático en medicina se basó en estos grandes conjuntos de datos, al tiempo que agudizó la atención al sesgo, la validación y la generalizabilidad.

Debates

¿Más datos significan automáticamente mejor evidencia en la atención sanitaria?

El entusiasmo por el big data se ve atenuado por la preocupación de que la escala puede afianzar en lugar de superar el sesgo cuando los datos subyacentes no son representativos o son de mala calidad; las revisiones enfatizan que el volumen debe combinarse con la calidad de los datos, la validación y la interoperabilidad para producir resultados fiables.

Key figures

• David W. Bates
• Alvin Rajkomar
• Isaac Kohane

Seminal works

• raghupathi-2014
• bates-2014

Frequently asked questions

¿Qué hace que los datos de salud sean 'big data'?

Los datos de salud a menudo se describen como big data cuando son de gran volumen, llegan o cambian rápidamente (velocidad) y combinan muchos tipos heterogéneos y no estructurados (variedad), hasta el punto de que las herramientas convencionales de una sola máquina no pueden almacenarlos o analizarlos fácilmente.

¿Un conjunto de datos de salud más grande es siempre más fiable?

No. La escala puede mejorar la capacidad de detectar patrones, pero si los datos no son representativos o son de mala calidad, los grandes conjuntos de datos pueden reforzar el sesgo. Las conclusiones fiables dependen de la calidad de los datos, la representatividad, la validación y la interoperabilidad, no solo del tamaño.