¿Cómo se redefine la industria de la salud por Hadoop y Big Data?

 

¿Cómo se redefine la industria de la salud por Hadoop y Big Data?

En un intento por ofrecer las mejores soluciones de atención médica, todos los principales segmentos de la industria de la salud, desde la TI de la atención médica, los pagadores, los proveedores y las empresas farmacéuticas están bajo una mayor presión para mejorar la calidad de la atención al paciente y ofrecer los mejores servicios de atención médica a un menor costo.

Cada una de estas organizaciones está accediendo y encontrando valor en un conjunto cada vez mayor de datos de pacientes. La diversidad de estos datos, que incluyen las notas de la EMR, la correspondencia médica, la producción de prendas de vestir para la salud, la investigación biomédica, los datos de reclamaciones, los datos móviles y las conversaciones en los medios sociales, implican que éstos se generan a partir de múltiples fuentes de datos en silos. En la industria de la salud, alrededor del 80 por ciento de los datos de salud no están estructurados, lo que dificulta a las organizaciones el acceso y la integración con otras fuentes de datos. La capacidad de integrar de forma segura esta riqueza de datos y aplicar el análisis predictivo aumentaría la eficiencia de la atención, reduciría las reclamaciones fraudulentas, descubriría terapias más eficaces y mejoraría la capacitación de los médicos.

Hadoop y Salud

La distribución de MapR con Hadoop reúne el alto volumen de datos sanitarios estructurados y no estructurados en un depósito central que puede desplegar el hardware y los componentes de red existentes. Múltiples grupos en organizaciones de salud pueden acceder y almacenar estos datos dentro de una arquitectura segura habilitada por Hadoop que cumple con la HIPAA. Los médicos y los cuidadores tienen acceso a datos completos sobre los pacientes y las investigaciones médicas, lo que les ayuda a diagnosticar enfermedades en sus primeras etapas, asignando así terapias basadas en la composición genética del paciente y ajustando las dosis de los medicamentos para reducir al mínimo los efectos secundarios a fin de mejorar la atención médica.

La industria de la salud trabaja en los registros electrónicos de salud (EHR), un documento muy poco estructurado que plantea un desafío único a las organizaciones de salud, ya que muchos EHR permiten la entrada de texto libre para notas clínicas y otros campos de recopilación de datos narrativos. Estos datos deben ser extraídos, procesados y normalizados para su análisis. El enfoque distribuido de Hadoop a los datos puede ser de ayuda. Hadoop trabaja para almacenar y analizar los datos usando principalmente el Sistema Distribuido Hadoop (HDFS) y MapReduce.

Las organizaciones de atención de la salud siguen buscando formas más eficaces de tratar a los pacientes, lo que puede lograrse reuniendo y analizando la mayor cantidad de datos posible. Las organizaciones que reúnen datos tanto sobre los pacientes como sobre los empleados pueden ver más fácilmente dónde hay que hacer mejoras y dónde se pueden reducir los esfuerzos ineficaces. Hadoop ha ayudado a las organizaciones de atención de la salud de manera multifacética en una serie de aplicaciones. Hemos discutido algunos ejemplos y casos de uso sobre cómo Hadoop puede ayudar en la asistencia sanitaria.

Detección de fraude

Los pagadores deben ser capaces de detectar el fraude basándose en el análisis de las anomalías en los datos de facturación, los datos de referencia de procedimiento o los registros de los pacientes. Los pagadores pueden analizar los datos para detectar anomalías como la sobreutilización de los servicios de un hospital en períodos de tiempo cortos, pacientes que reciben servicios de atención de la salud de diferentes hospitales al mismo tiempo, o recetas idénticas para el mismo paciente surtidas en múltiples lugares. MapR utiliza la detección de anomalías para detectar estos incidentes en tiempo real y avisar a los proveedores para que los investiguen antes de que se realice el pago.

Monitoreo de pacientes

Los proveedores de atención médica quieren proporcionar una atención más proactiva a sus pacientes mediante el monitoreo constante de los signos vitales de los pacientes. Los datos de estos monitores pueden utilizarse en tiempo real para alertar a los proveedores de atención médica sobre los cambios en el estado de un paciente. MapR puede ayudar a recopilar estos datos y a transmitirlos en tiempo real, lo que puede ayudar a detectar los cambios. La mejora de los algoritmos que se ejecutan contra conjuntos más grandes de datos puede aumentar la probabilidad de saber cuándo un paciente en particular podría tener una emergencia, lo que ayuda a los proveedores a planificar intervenciones eficaces.

Tratamiento personalizado

El tratamiento personalizado ayuda a ofrecer soluciones de atención de salud personalizadas a los usuarios. La medicación o la dosis pueden ser cambiadas en función de cómo esté funcionando la medicación. Este análisis puede adaptarse a las necesidades específicas de cada paciente. MapR proporciona acceso en tiempo real, tanto a nivel de resumen como de detalle, de manera que las decisiones de tratamiento pueden ajustarse oportunamente.

Diagnóstico asistido

Los investigadores clínicos pueden acceder a amplios conjuntos de conocimientos a través de múltiples fuentes de datos para ayudar a la precisión del diagnóstico de las condiciones de los pacientes. Reunir conjuntos de datos individuales en un gran depósito de datos y aplicar algoritmos para la elaboración de modelos predictivos proporciona una visión más precisa mediante la identificación de matices en las subpoblaciones. Estos matices pueden ser tan raros que no se ven en pequeñas muestras de investigación, pero con la capacidad de aplicar algoritmos a estos conjuntos de datos individuales, los matices pueden ahora ser claramente detectables.

Cuestiones de arquitectura de datos en la atención sanitaria

La atención sanitaria del pasado estuvo plagada de infraestructuras de datos incapaces de manejar el volumen, la velocidad y la variedad de datos necesarios para derivar profundos conocimientos clínicos, financieros y operativos de la industria.

Tradicionalmente, los datos han sido el resultado de procesos comerciales independientes, que invariablemente llevaron a los silos de datos. Esto retrasó los datos críticos de los pacientes y los obligó a ser reactivos si se detectaban e informaban. Los datos significativos se quedaban en una cola de lotes durante la noche esperando a ser cargados en el almacén de datos de la empresa (EDW), donde las aplicaciones analíticas clave podían ofrecer conocimientos inteligentes.

Leave a Comment!