En el último siglo una de las principales campos que ha llamado la atención es la ciencia de datos, anteriormente la principal preocupación era la falta de información, sin embargo, en nuestro presente, cada día se almacenan grandes cantidades de datos en todo el mundo, por lo que la pregunta ahora es como recolectarla y analizarla de la mejor manera. Actualmente, la ciencia de datos se aplica en distintas áreas desde negocios hasta campos de salud, particularmente en el campo de la Salud Mental se encuentra en una etapa más temprana que en otras áreas, esto debido a la complejidad de la salud y la enfermedad mental.
¿Qué puede hacer la ciencia de datos para la investigación en salud
mental? Figura adaptada de MQ: Transforming Mental Health.
En el presente artículo, se busca brindar un panorama sobre las aplicaciones actuales y potenciales de la ciencia de datos en la investigación de salud mental de acuerdo a la investigación de Russ y cols [1]. La clasificación de UK Clinical Research Collaboration señala entre las aplicaciones en salud mental a: la investigación de apoyo, etiología, detección y diagnóstico, desarrollo y evaluación del tratamiento, manejo de enfermedad e investigación sobre servicios de salud.
Investigación
En este campo, la ciencia de datos apoya al desarrollo de investigaciones que buscan determinar las bases para explicar la causa, el desarrollo, la detección, el tratamiento y el manejo de enfermedades, afecciones y problemas de salud mental.
Etiología
Se busca identificar los determinantes involucrados en la causa, riesgo o desarrollo de enfermedad, condiciones y mala salud.
Cada uno de los trastornos mentales tiene una etiología compleja, lo que se busca en este campo es proporcionar información causal y ayudar a refinar las definiciones fenotípicas actuales, para ello, los recursos de datos genéticos podrían combinarse con datos longitudinales más detallados sobre el medio ambiente. Para realizar ello, el gran reto es lograr una mejor caracterización de cohortes a gran escala utilizando un muestreo repetido participante-activo, así como el enlace de datos longitudinales.
Detección, diagnóstico y Prevención
Se focaliza en el descubrimiento, desarrollo y evaluación de marcadores diagnósticos, pronósticos y predictivos. En este campo, un algoritmo que utiliza campos codificados y texto libre en los registros médicos electrónicos podría ser capaz de predecir la depresión hasta seis meses antes de la aparición de un diagnóstico codificado, lo que representaría una oportunidad para la detección automática. En un modelo ideal se necesitaría utilizar evaluaciones clínicas longitudinales y contexto social, junto con datos fisiológicos, genéticos y de imágenes. También se ha analizado fuera del contexto clínico, por ejemplo en la detección de riesgo de suicidio especialmente en personas jóvenes, a través de publicaciones en redes sociales como twitter.
Evaluación del tratamiento
Se busca evaluar las intervenciones terapéuticas en entornos clínicos, comunitarios o aplicados. La evaluación del tratamiento de salud mental utilizando datos ha mostrados resultados interesantes sobre la efectividad de un tipo de tratamiento en una población en específico y ante enfermedades específicas. Todo ello gracias a las redes de investigación de práctica, están contribuyen a cerrar la brecha entre la prestación de servicios y la investigación, y promueven la recopilación de datos de atención médica de calidad a escala de una manera que sea aceptable para pacientes, médicos e investigadores. Entre ellos tenemos al Child Outcomes Research Consortium, Northern Improving Access to Psychological Therapies (IAPT) y la US Mental Health Research Network.
Manejo de enfermedades
Se focaliza en la investigación sobre las necesidades de atención individual y el manejo de enfermedades, afecciones o problemas de salud. En salud mental, se han logrado avances en el autoinforme asistido por tecnología y la detección automática. Las aplicaciones para teléfonos inteligentes hacen posible la evaluación remota de los síntomas dirigida por el paciente u otras medidas autoinformadas. A través de técnicas de ciencia de datos, algunas aplicaciones pueden proporcionar una plataforma para evaluaciones y recomendaciones inteligentes adaptadas al paciente individual.
Además, las tecnologías emergentes de sensores portátiles ofrecen supervisión en tiempo real a través de datos recopilados de forma continua sin intervención alguna de los pacientes. Por ejemplo, las trazas de GPS pueden evaluar la cantidad de tiempo que se pasa al aire libre, los acelerómetros proporcionan una indicación de la actividad física y la detección de otros dispositivos Bluetooth puede estimar los contactos sociales de una persona.
Servicios de salud
Investigación sobre la provisión y prestación de servicios de atención sanitaria y social, políticas de salud y estudios de diseño, mediciones y metodologías de investigación.
Aplicaciones en el contexto peruano
En la revisión de Serrato [2] señalan que respecto a soluciones Cloud en el sector salud, con Healthcare As A Service (HaaS) los sistemas de salud como servicio resultan viables para el almacenamiento y tratamiento de datos en la nube, ya que permite mejorar la consulta de información en tiempo real y demostrar su efectividad en el sector sanitario, sin embargo es necesario desarrollar regulaciones sobre el manejo de datos e información de los pacientes y tener una infraestructura de TI adecuada; y resaltan que de hacerse permitiría ahorros en costos y brindar servicios de TI más efectivos, escalables e interoperables.
Entre las ventajas que exponen se encuentra:
Casos de emergencia: En caso de emergencia, un usuario podría iniciar sesión en la nube y utilizar la opción de datos de emergencia. Escribir la causa e informar y de forma instantánea observar el hospital cercano con el médico disponible en ese momento.
Beneficios para pacientes y médicos
- Fácil de manejar para todos
- Accesibilidad desde cualquier lugar
- Almacenamiento y gestión de datos
Manera efectiva de ahorrar dinero
- Reducción del costo
- Eco Friendly
Referencias
[1] T. C. Russ, E. Woelbert, K. Davis, J. Hafferty, and Z. Ibrahim, “How data science can advance mental health research.” Oct. 2018, Accessed: Mar. 05, 2021. [Online]. Available: https://www.nature.com/articles/s41562-018-0470-9.
[2] J. Serrato López and R. Pérez Pacheco Rojas, “Modelo tecnológico para el proceso de recopilación de información de historia clínica del paciente para el servicio de consulta externa.” Repositorio academico.upc.edu.pe., 2021, Accessed: May 08, 2021. [Online]. Available: https://repositorioacademico.upc.edu.pe/handle/10757/625504.
