BIG DATA

Nuestro modelo

Conoce más Conoce más La Cardio Crea Conoce más La Cardio Crea

La Cardio Crea

Conoce más Conoce más La Cardio Crea Conoce más La Cardio Crea

Herramientas de innovación

Conoce más Conoce más La Cardio Crea Conoce más La Cardio Crea

Nuestros Movilizadores

Conoce más Conoce más La Cardio Crea Conoce más La Cardio Crea

Nos encontramos inmersos en la Cuarta Revolución Industrial, una revolución marcada principalmente por la disrupción tecnológica; este fenómeno, entre otras cosas, emerge gracias al desarrollo del Marketing Digital, la Inteligencia Artificial y el Internet de las Cosas (1). En la era de la digitalización y globalización, los datos toman mayor relevancia, ya que nos permite tomar decisiones más objetivas, diseñar estrategias y generar los cambios que se requieran para brindar una mejor atención; permitiéndonos buscar soluciones a problemas de salud que antes se creían imposibles (2,3,4). Una de sus grandes ventajas es que se podría tomar toda la población para proporcionar una imagen más real en vez de extrapolar los datos obtenidos de una muestra para hacer inferencias sobre una población. Analizar los datos reales de un gran número de personas es un cambio radical en la historia que cada vez más toma mayor relevancia en nuestra vida diaria (5,6,7).

El análisis de Big Data por aprendizaje automático ofrece ventajas considerables para la asimilación y evaluación de grandes cantidades de datos complejos de atención médica. Una de las grandes ventajas del aprendizaje automático es la capacidad de analizar diversos tipos de datos (por ejemplo, datos demográficos, hallazgos de laboratorio, datos de imágenes y notas de texto libre de los clínicos) e incorporarlos en las predicciones de riesgo, diagnóstico, pronóstico y tratamientos adecuados (8,9).   En esencia, el análisis predictivo busca descubrir patrones y capturar las relaciones en los datos que pueden respaldar de manera efectiva diversas áreas en salud logrando optimizar múltiples procesos, desde mejorar la experiencia del paciente hasta crear modelos complejos de machine learning para diagnosticar enfermedades y condiciones clínicas.

Sin embargo, la aplicación de técnicas de Big Data en el sector salud todavía tiene que afrontar algunos retos tecnológicos causados por los avances de los mecanismos de almacenamiento y gestión de datos, computación en la nube y por los resultados derivados del IoT (Internet de las cosas) que permite adquirir, almacenar y procesar datos de todo tipo (sensores, clínica, comportamiento, genómica, proteómica, imagen, texto). Algunos de estos retos son las necesidades de integración de información, las necesidades de documentar de manera digital sin que se requiera un esfuerzo extra a los profesionales de la salud entre otras (7), resulta relevante generar búsqueda de mecanismos que optimicen e implementen estrategias, aplicaciones, datos, productos, tecnologías y arquitectura técnicas, enfocados a la administración y creación de conocimiento sobre el medio a través del análisis de los datos existentes en la organización ya que la toma de decisiones basada en el análisis de datos, contribuye en el desarrollo y alcance de objetivos de manera más oportuna entregando una medicina con mayor precisión y calidad para nuestros pacientes.

Referencias:

  1. Bustamante Alonso NB, Guillén Alonso ST. Un acercamiento al Big Data y su utilización en comunicación. Mediaciones Soc. 2017;16:115–34.
  2. Sousa MJ, Pesqueira AM, Lemos C, Sousa M, Rocha Á. Decision-Making based on Big Data Analytics for People Management in Healthcare Organizations. J Med Syst. 2019;43(9):1–10.
  3. Benke K, Benke G. Artificial intelligence and big data in public health. Int J Environ Res Public Health. 2018;15(12).
  4. Dong J, Wu H, Zhou D, Li K, Zhang Y, Ji H, et al. Application of Big Data and Artificial Intelligence in COVID-19 Prevention, Diagnosis, Treatment and Management Decisions in China. J Med Syst [Internet]. 2021;45(9):1–11. Available from: https://doi.org/10.1007/s10916-021-01757-0
  5. Caliebe A, Leverkus F, Antes G, Krawczak M. Does big data require a methodological change in medical research? BMC Med Res Methodol. 2019;19(1):1–5.
  6. Martins TGDS, Costa ALF de A, Martins TGDS. Big Data use in medical research. Einstein (Sao Paulo). 2018;16(3):eED4087.
  7. Menasalvas E, Gonzalo Martín C, Rodríguez González A. Big Data en salud: retos y oportunidades. Econ Ind. 2017;(405):87–97.
  8. Pirracchio R, Cohen MJ, Malenica I, Cohen J, Chambaz A, Cannesson M, et al. Big data and targeted machine learning in action to assist medical decision in the ICU. Anaesth Crit Care Pain Med [Internet]. 2019;38(4):377–84. Available from: https://doi.org/10.1016/j.accpm.2018.09.008
  9. Cobb AN, Benjamin AJ, Huang ES, Kuo PC. Big data: More than big data sets. Surg (United States) [Internet]. 2018;164(4):640–2. Available from: https://doi.org/10.1016/j.surg.2018.06.022