«Las organizaciones trabajan muchas veces con datos de salud complejos y desestructurados»

Uno de los sectores que han experimentado una mayor revolución en este 2020 es el sanitario, en muchos casos a la fuerza. Su avance y mejora en muchos casos ha sido posible gracias a la tecnología. Especialmente al Big Data, el análisis procedente de los datos, la Inteligencia Artificial y el machine learning. También a los servicios que empresas como AWS han desarrollado para el sector. Como HealthLake, presentado en el evento AWS re:Invent 2020, que ponía punto y final a una larga serie de eventos tecnológicos celebrados de manera virtual por la situación. De todo ello hemos hablado con Taha Kass-Hout, Director de Machine Learning y Reponsable Médico de AWS.

[MCPRO] ¿Qué pueden conseguir las organizaciones y entidades dedicadas a la salud si consiguen mejor información de los datos?

[Taha Kass-Hout] Muchos hospitales están consiguiendo avanzar en la gestión de la salud de sus pacientes y la población que tratan gracias a los datos. Hay áreas en las que han conseguido una mayor eficiencia. Por ejemplo, el año pasado algunos de nuestros clientes fueron capaces de utilizar machine learning en AWS en particular para transcribir datos médicos y nuestra solución de servicios gestionados de extremo a extremo SageMaker para desarrollar, entrenar y desplegar modelos de machine learning con sus datos. Pudieron utilizarlos para reducir conflictos en la programación de su sala de operaciones, aumentando su eficiencia en más de un 30%. Esto se tradujo en una mejor programación de las operaciones, con una mejor programación y priorización para pacientes y cirujanos.

También en una mejor gestión de la suspensión de operaciones, y a identificar antes las que no se llevan a cabo en el último momento, así como fallos que pueden llevar a su suspensión porque por ejemplo se descubre que la sangre con la que se cuenta no es la del tipo correcto para el paciente.

Puede haber situaciones en las que no se cuenta con todos los datos sobre un paciente, o en las que toda su información está en distintas secciones o incluso en distintos hospitales. Entonces, el médico no puede disponer de ella en su sistema, y tiene que solicitarla y buscarla de forma bastante manual hasta recoger todos los datos. Esto se puede solucionar mediante la aplicación de machine learning a todos estos datos desestructurados, estructurarlos y desarrollar reglas para trabajar con ellos e identificar elementos importantes con rapidez. Así, además, se reduce el nivel de agotamiento de enfermeras y médicos que tienen que gestionar estos temas, al mismo tiempo que la tasa de error. Por tanto, la aplicación de modelos de machine learning mejora la eficiencia en los hospitales. 

[MCPRO] ¿Cómo puede beneficiar a la salud y diagnóstico de un paciente conseguir más datos en general cuando tratan con los pacientes, así como tener más información sobre su historial sanitario y otros tratamientos pasados?

[Taha Kass-Hout] Es uno de los puntos que pueden mejorar gracias a los datos, con la ayuda del machine learning: la mejora y aceleración del diagnóstico y el suministro de cuidados. Esto permite actuar antes. También se reducen los problemas de los médicos para trabajar cuando no tienen suficientes datos sobre sus pacientes. El ejemplo que hemos mencionado, el de la transcripción, puede darse gracias a aplicaciones de toma de notas que transcriben con rapidez y precisión, en ocasiones a la velocidad del dictado del sanitario e incluso del paciente, y pasar lo que dicen a texto. Y después pueden cotejar los datos y analizar el texto para extraer más datos. Con estas aplicaciones, el médico puede concentrarse en cuidar al paciente en vez de distraerse tomando notas a mano. 

[MCPRO] ¿Cuál es el problema más común al que las organizaciones sanitarias y los investigadores y profesionales sanitarios tienen que afrontar cuando trabajan con los datos de los pacientes? 

[Taha Kass-Hout] La mayoría de organizaciones sanitarias tienen que trabajar en la actualidad con datos sobre salud bastante complejos. Datos almacenados en sistemas aislados, repartidos por diversos sistemas, etc. Con frecuencia están en diversos formatos incompatibles y muchas veces también desestructurados. A lo largo de la última década ha habido una adopción increíble de registros médicos electrónicos en todo el mundo, lo que supone una enorme transformación desde el proceso de datos manual y en papel.

Pero el problema sigue estando en que las organizaciones sanitarias capturan a diario volúmenes enormes de datos de pacientes, ya sean de historiales, observaciones médicas, diagnósticos o de medicación. Además, la mayoría de esta información está en registros médicos desestructurados, basados en notas de los médicos, informes de laboratorio en PDF, grabaciones de conversaciones, imágenes de rayos X, etc. 

[MCPRO] En la mayoría de los casos, como hemos visto, las organizaciones relacionadas con el cuidado de la salud tienen que trabajar con datos desestructurados de fuentes distintas. Y tiene que trabajar con ellos para conseguir información relevante. ¿Qué es necesario hacer para pasar de estos datos desestructurados a información relevante para ellos? 

[Taha Kass-Hout] Antes de aprovechar esa información para proporcionar un cuidado eficaz, debe procesarse de manera segura y almacenarse de forma agregada para poder extraer atributos relevantes de dicha información. Hacerlo de manera que puedas etiquetar el registro del paciente e indexarlo para que pueda buscarse, y estructurarlo antes de poder analizarlo. Y el coste y la complejidad operativa de la estructuración de toda esta información, y de hacerlo bien, son prohibitivos para la mayoría de organizaciones sanitarias. Puede llevarles semanas, e incluso meses, hacerlo. 

La inversión necesaria para mantener un equipo con las habilidades necesarias para poder hacerlo, o dotar a un equipo ya existente de dichas habilidades, sería también muy elevada y complicada de afrontar para muchas organizaciones sanitarias. Puedes encontrar expertos en machine learning o científicos de datos en algunas instituciones académicas y hospitales, pero no es lo habitual. 

Si te fijas en los estándares emergentes en Estados Unidos y en los que se están adoptando a nivel mundial y especialmente en Europa, conocidos como FHIR (Fast Healthcare Interoperability Resources) y que especifican la estandarización de la estructura de datos y cómo puedes intercambiar datos, son un gran comienzo, pero la tormenta de datos debe transformarse en algo que las analíticas puedan analizar. Si los datos no se transforman, no pueden analizarse, y como consecuencia no se podrán desarrollar modelos predictivos o precisos de machine learning. 

[MCPRO] Amazon ha presentado HealthLake, un servicio pensado para la industria sanitaria y para los científicos e investigadores que trabajan en ella. ¿Cómo puede este servicio ayudar a los departamentos de salud y organizaciones a mejorar diagnósticos y ofrecer mejor cuidad y tratamientos? 

[Taha Kass-Hout] HealthLake es un nuevo servicio que hemos anunciado para proveedores de servicios sanitarios, empresas farmacéuticas, organismos públicos de sanidad o aseguradoras sanitarias. Está pensado para que todas ellas puedan almacenar información en la nube de manera segura, y para que después puedan transformar y analizar esos datos, además de estructurar esos datos de manera que puedan intercambiarse y compartirse. También para que puedan hacerlo a escala de Petabyte. 

HealthLake usa, de manera inteligente, modelos de machine learning que están entrenados para entender y extraer, de manera automática, información médica con sentido de datos en bruto y de distintos formatos. Con esto se consigue una revolución en un proceso que hace un tiempo era tradicionalmente manual, con frecuentes errores y bastante costoso, y que hacía que la mayoría de organizaciones sanitarias no fuesen capaces de aprovechar toda la información debido a la complejidad para su extracción y proceso. 

HealthLake etiqueta cada dato médico y lo indexa para que pueda buscarse. Además, toda la información queda estructurada siguiendo las especificaciones FIHR para poder ofrecer una visión completa sobre un paciente. Esto lleva a que tu información médica esté siendo actualizada de manera constante. Toda la información está estructurada, presentada en vista de línea temporal. Toda la información está estructurada de manera que puede revisarse, buscarse y analizarse utilizando términos médicos estándar, como diagnóstico, test, procedimiento o medicación. 

Otra de las complejidades que preocupaba a nuestros clientes queda solventada con la integración sin complicaciones de HealthLake con otros servicios web de AWS para, por ejemplo,  tareas de Business Intelligence o para desarrollar paneles de control sobre salud de la población. 

Se integra con Amazon QuickSight para el desarrollo de nuevos modelos de machine learning de alta precisión para trabajar con datos, entrenar y desplegar estos modelos a escala y permitir comprender todo lo relacionado con ellos.También se integra de manera sencilla con Amazon SageMaker, de manera que resulte más sencillo identificar tendencias o realizar predicciones o personalizaciones.   

Por otro lado, dado que la información estará ya estructurada en cuanto a formato de archivos, de manera que pueda compartirse de manera sencilla y segura, con sistemas de salud o aplicaciones de salud de terceros, los proveedores sanitarios podrán colaborar de manera más eficaz. Pero gracias a esto, los pacientes también podrán, a través de cualquier app disponible que pueda comunicarse con el sistema a través de una API tener cierto acceso a su información médica. 

[MCPRO] La información sanitaria es muy sensible, por lo que los datos que salen de ella tienen que estar en un entorno seguro y también ser privados, además de cumplir ciertas normasl, como la RGPD en Europa. ¿Cómo lo consigue HealthLake?

[Taha Kass-Hout] AWS se toma muy en serio tanto la privacidad como la seguridad de sus clientes. Es muy importante para nosotros y lo tenemos muy en cuenta en todos los servicios e infraestructuras que desarrollamos. Los datos en HealthLake están tanto seguros como almacenados de manera que cumplan las normativas en vigor, además de ser auditables. Versionamos cada pieza de datos para protegerla contra cualquier manipulación accidental. 

Por ejemplo, si se borra algo por error no se borra el original, solo su copia. Además, los datos están cifrados utilizando claves gestionadas por el cliente. Esto quiere decir que encriptas tus datos con tu propia clave y la compartes con quien quieras que pueda acceder a esa información. Así, quien no tenga acceso a esa clave, aunque acceda a la información, no puede verla porque estará cifrada. Además, lo hacemos de manera que proporcionamos un nivel de protección adicional, de forma que cuando se accede a la información durante una búsqueda, no se comparte la misma clave por parte de varios clientes. El cliente siempre retiene la propiedad y el control de sus datos. 

Otro de los puntos básicos en cuanto a seguridad para AWS reside en que todos los clientes que quieran almacenar información sanitaria protegida en AWS tienen que tener un acuerdo de asociación profesional que entre otras cosas establece por contrato que la información debe estar cifrada cuando está almacenada o en tránsito o utilizando algunos de los servicios de AWS. Proporcionamos todo para que las entidades de nuestros clientes que estén bajo la jurisdicción de leyes como la RGPD las cumplan a la hora de procesar información, mantenerla y almacenarla. Por eso, el número de proveedores sanitarios y profesionales de la sanidad de todo el mundo que utilizan los servicios de AWS va en aumento. Sobre todo para procesar, almacenar y transformar información