Del Big Data a la Practica Clínica usando Process Mining Interactivo

bigdata_2267x1146_trasparentCon la llegada del llamado Big Data, se presenta una oportunidad para crear modelos y sistemas de ayuda a la decisión de cientos de campos. Con la cada vez más alta capacidad de cómputo de los ordenadores actuales, y la creación de algoritmos de Machine Learning cada vez más precisos.

En el campo de la salud, el Big Data ha dejado paso al concepto de Real World Data en que los datos reales obtenidos de la  práctica clínica diaria pueden ser utilizados como oportunidad para obtener modelos sobre las enfermedades cara vez más precisos y que ayuden no solo en el diagnóstico de las enfermedades, sino también apoyando en tratamiento del paciente de una forma individualizada y holística.

Sin embargo, en el campo de la salud, el Big Data no ha alcanzado la penetración que ha alcanzado en otros campos [1]. La alta variabilidad de los pacientes, la calidad de los datos así como  la necesidad de protección de los datos, entre muchas otras son complejas barreras a resolver.

Las técnicas de Machine Learning existentes, pueden producir modelos muy precisos que ayuden en la clasificación y análisis de enfermedades y tratamientos gracias a la cantidad de datos existentes. Sin embargo, en algunos casos, tienen problemas y hacen difícil su aplicación en la práctica diaria.  Los algoritmos de Machine Learning,  producen modelos matemáticos que pueden, por ejemplo, ayudar al diagnóstico con una gran precisión, pero por otro lado son cajas negras que ofrecen una solución estadísticamente aceptable, pero que tienen un error inherente al proceso de aprendizaje. Esto, que es aceptable en muchos campos, no lo es tanto en el campo de la salud.

Para solventar estos problemas, recientemente se han presentado modelos interactivos [2] que intentan no solo involucrar al médico en el proceso de aprendizaje, sino que son capaces de apoyar al médico no solo con sugerencias, sino enseñando el porqué de esas razones, utilizando técnicas específicas como es el caso del Process Mining [3]

El Process Mining proporciona una visión sintáctica del proceso real que sigue el paciente, permitiendo la comprensión de procesos complejos de forma entendible, objetiva y exploratoria. Esta técnica, sacrifica en cierto modo algo de eficacia en el proceso de aprendizaje, para que los resultados sean entendibles por el ser humano. Esto, permite que el médico pueda entender los modelos y corregir sus posibles errores inherentes antes de ponerlos en marcha en su sistema de salud. Además, ya que estos modelos son modelos formalmente definidos, pueden ser desplegados de forma automática y trazados mediante sistemas informáticos y, a la postre, permitir evaluar cómo se ejecutan en la realidad. De este modo, los modelos no solo ayudaran a los facultativos a entender el proceso de la enfermedad, sino que podrán saber si el proceso de cuidado que diseñen se ejecuta en la realidad de forma correcta.

Esta nueva filosofía interactiva, cuadra perfectamente con la ya clásica demanda de una medicina basada en la evidencia, actualizada, centrada en el paciente, y que incorpore el conocimiento médico personal. Aunque aún queda camino por recorrer para demostrar la efectividad real de estas técnicas, las características del Process Mining aplicada de una forma Interactiva en un paradigma muy prometedor que es una seria alternativa a las técnicas clásicas de Machine Learning.

 

[1] B. W. Mamlin and W. M. Tierney, The Promise of Information and Communication Technology in Healthcare: Extracting Value From the Chaos, Am. J. Med. Sci., vol. 351, no. 1, pp. 59–68, Jan. 2016.

[2] C. Fernández-Llatas, T. Meneu, V. Traver, and J.-M. Benedi, Applying Evidence-Based Medicine in Telehealth: An Interactive Pattern Recognition Approximation, International Journal of Environmental Research and Public Health, vol. 10, no. 11, pp. 5671–5682, 2013.

[3] C. Fernandez-Llatas, B. Valdivieso, V. Traver, and J. M. Benedi, Using Process Mining for Automatic Support of Clinical Pathways Design, in Data Mining in Clinical Medicine, no. 1246, C. Fernández-Llatas and J. M. García-Gómez, Eds. Springer New York, 2015, pp. 79–88.

Deja un comentario

Comentario (requerido)

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

Nombre (requerido)
Correo electrónico (requerido)

Uso de cookies

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información.

ACEPTAR