AI para vigilancia epidemiológica
Aparte de los beneficios directos hacia los pacientes y los profesionales, los sistemas como Heural, que buscan utilizar el potencial de los datos médicos podrían ser utilizados para estudiar de forma efectiva focos de enfermedades infecciosas y podrían ser utilizados para identificar pacientes en riesgo debido a sus características individuales y ubicación geográfica.
Recientemente investigadores de la Universidad Carnegie Mellon y el Departamento de Salud e Higiene Mental de la Ciudad de Nueva York (NYC DOHMH) han desarrollado un sistema automatizado de aprendizaje automático diseñado para detectar enfermedades infecciosas emergentes o nuevas para un determinado territorio.
Los sistemas existentes para vigilancia de enfermedades infecciosas son buenos para detectar brotes de enfermedades que ya conocemos y que estamos buscando activamente, como la gripe o el COVID. Pero, ¿qué sucede cuando surge algo nuevo?
Para cerrar esta brecha de vigilancia, los investigadores diseñaron un sistema que permitiría a los funcionarios de salud pública responder de manera más rápida y efectiva a las amenazas emergentes inusuales o novedosas. Para desarrollar el sistema, conocido como exploración semántica multidimensional (MUSES), el equipo de investigación se basó en un enfoque de vigilancia "presindrómico", que aprovecha los datos comunicados digitalmente sobre las condiciones del paciente.
Los sistemas de vigilancia actuales, por el contrario, se basan en clasificar los datos de casos según los síndromes de enfermedades existentes. Al no clasificar automáticamente los casos de esta manera, un sistema “presindrómico” puede respaldar la detección rápida de enfermedades o afecciones emergentes que las autoridades de salud pública desconocen.
Para crear el sistema, los investigadores utilizaron datos anónimos de quejas principales de las visitas al departamento de emergencias del hospital. Estas quejas generalmente son proporcionadas por el paciente en sus propias palabras y registradas por una enfermera de triaje o un médico clínico. Este paso podría ser realizado de forma prácticamente automática por la funcionalidades integradas de Heural, ya que permite enviar cuestionarios personalizados a sus usuarios.
Luego, el sistema utiliza estas quejas para identificar tendencias y patrones en las palabras o frases utilizadas por los pacientes, lo que permite la detección potencial de un grupo de casos localizado. El sistema también puede incorporar comentarios de profesionales de la salud pública para ayudar a distinguir entre grupos relevantes e irrelevantes, reducir los falsos positivos y brindar apoyo a las decisiones a los departamentos de salud y hospitales.
MUSES ofrece importantes avances de vigilancia a las instituciones de salud pública y hospitales porque elimina la necesidad de categorías de síndromes predefinidas, identifica grupos de casos utilizando estadísticas de escaneo multidimensional para permitir la detección de amenazas emergentes que pueden afectar ciertos espacios áreas o grupos de pacientes, y utiliza un enfoque de "profesional en el circuito" para centrarse en patrones relevantes y proporcionar información procesable.
Recientemente también se han propuesto otros enfoques para la vigilancia de la salud pública que aprovechan la inteligencia artificial (IA).
El año pasado, los investigadores dieron a conocer un sistema de alerta temprana que utiliza análisis predictivos para optimizar la vigilancia de enfermedades infecciosas a raíz de la pandemia de COVID-19. El sistema fue diseñado para proporcionar un sistema de alerta temprana rentable para permitir una respuesta rápida a los brotes y prevenir una mayor propagación de la influenza en lugares sin vigilancia existente. Se basa en flujos de datos de varios otros lugares, que están informados por el movimiento humano.
Todo este marco de vigilancia podría ser realizado mediante las herramientas que brindamos en Heural, pudiendo notificar de forma automática a las autoridades de nuevos focos mediante el estudio de las relaciones entre los datos cargados por los profesionales, pacientes y los datos geográficos. Todo sin necesidad de vulnerar la privacidad de los pacientes, ya que pueden lograrse anonimizaciones de ubicaciones geográficas que permiten ver con suficiente definición como para identificar clusters de síntomas, sin ser lo suficientemente especificas como para poder identificar de que paciente provienen.
Heural® - From medical complexity to healthcare simplicity