DIABETIMSS: Novedoso estudio usa aprendizaje automático para mejorar el tratamiento de diabetes en México.

Te presentamos un estudio que aplica herramientas de aprendizaje automático (machine learning) a datos de salud de pacientes con diabetes tipo 2. Esta combinación innovadora de métodos y datos puede aportar mejor evidencia para mejorar la atención de la diabetes tipo 2 (DM2) y apoyar el esfuerzo de lograr una cobertura de salud universal con calidad. Entérate más en este post. 

¿Qué significa realmente la Cobertura Universal de Salud?

Avanzar hacia la cobertura universal de salud es un compromiso que han asumido todos los países de la región de América Latina y el Caribe. La Cobertura Universal de Salud se logra cuando todas las personas que lo requieren tienen acceso a los servicios de salud de calidad en forma equitativa sin que el uso de estos implique gastos excesivos y genere dificultades económicas. La cobertura universal promueve el bienestar general de la población, la equidad y el crecimiento económico de los países.

¿Cómo llegar a la Cobertura Universal de Salud?

Las estrategias para llegar a la cobertura universal se han enfocado en lograr una cobertura “nominal ”, es decir, incrementar el número de personas a quienes se les facilita acudir a los servicios de salud y ser atendidas, ya sea afiliándolas a seguros de salud, construyendo centros asistenciales o aumentando el personal de salud disponible Sin embargo, si no se trabaja en paralelo hacia una cobertura “efectiva”,  en la que el incremento en el acceso se acompañe de  mejoras simultáneas en la calidad del cuidado, el progreso hacia mejorar la salud poblacional será muy limitado.

El desafío: la calidad de los servicios

Las deficiencias en la calidad de los servicios de salud tanto a nivel global como en ALC han sido ampliamente documentadas y han motivado un llamado a dirigir el foco de las políticas de salud hacia el mejoramiento de la calidad. La comisión Lancet considera que investigar cuales intervenciones sirven y cuales no es un paso indispensable para lograr la transformación de los sistemas de salud hacia sistemas de alta calidad.  No obstante, la comisión misma reconoce que esto no será fácil, por las grandes limitaciones que existen en cuando a disponibilidad de datos y recursos monetarios y técnicos para generar esta evidencia.

La posibilidad que abren los datos y la inteligencia artificial

A pesar de las limitaciones dos tendencias en la región se combinan para superar estos retos. Una es la creciente disponibilidad de datos de salud que pueden ser analizados con herramientas digitales. La segunda tendencia se trata del desarrollo y uso de metodologías estadísticas predictivas. Una de ellas, el aprendizaje automático, permiten analizar la información en una forma similar a si se hiciera un experimento en un grupo de personas, dando una idea de cómo hubieran sido los resultados si se realizara una intervención específica.

Un ejemplo concreto: el análisis de Diabetes tipo 2 en México

Este análisis combinó herramientas de aprendizaje automático y datos de salud provenientes de registros administrativos para evaluar el desempeño del programa para la atención de DM2 del Instituto Mexicano de la Seguridad Social (IMSS), llamado DIABETIMSS.

Conocer la efectividad de este programa es de suma importancia en el contexto de México, ya que la DM2 es un problema de salud pública en ese país, siendo el IMSS la institución que brinda atención a aproximadamente 3.8 millones de pacientes adultos con esta enfermedad.

El estudio utilizó datos clínicos de registros disponibles entre los años 2012 y 2016 para más de 78.000 pacientes con DM2. El mismo aplicó métodos de aprendizaje automático para comparar el control glucémico de los pacientes atendidos por DIABETIMMS con el de pacientes atendidos por un programa convencional. El análisis encontró que en promedio, el control glucémico de los pacientes atendidos por DIABETIMMS fue 5% mejor. Estos resultados proveen información que podría ser la base para que los tomadores de decisiones analicen el costo beneficio de expandir el programa.

Si bien el estudio es un piloto, la novedosa combinación de métodos y datos sugiere que este tipo de estudios es valioso para evaluar programas y tratamientos en sistemas e instituciones de salud. Las herramientas digitales en salud tienen la potencialidad de mejorar las investigaciones y tratamientos con un costo generalmente bajo, utilizando datos clínicos y de procesos recolectados rutinariamente.

 ¿Conoces otros usos de aprendizaje automático en salud? Cuéntanos en los comentarios ó menciónanos en @BIDgente