A través de la informatización de los procesos relacionados con la salud de las personas (autogestión, promoción, prevención, asistencia, investigación, docencia) obtenemos unas mejoras operativas, en eficiencia, y unos datos (socioeconómicos y demográficos, epidemiológicos y de salud pública, valores y preferencias, hábitos y conductas, clínicos, moleculares). El objetivo de la aplicación de las tecnologías descritas en el capítulo 2.3.4 (DS, ML, AI, Big Data) debe ser por tanto mejorar los resultados en salud a través de los datos generados, produciendo un “retorno de inversión” del proceso de informatización.
Para ello es necesario establecer las aplicaciones concretas, los “casos de uso”, a través de los cuales la aplicación de las tecnologías de análisis de datos podrá devolvernos un beneficio cuantificable en la salud de las personas. Si bien hay mucha literatura al respecto, en general se tiende a indicar aplicaciones genéricas (Murdoch and Detsky, 2013) (USAID, 2019), y es difícil encontrar aplicaciones específicas en patologías concretas. En el ámbito del cáncer, la introducción del concepto rapid-learning health care implica realizar, de forma rutinaria e iterativa, la obtención de datos de forma planificada y estratégica, el análisis de los datos, la generación de evidencia a través de datos retrospectivos y prospectivos, la implementación del nuevo conocimiento generado en la práctica asistencial, la evaluación de los resultados obtenidos y la generación de nuevas hipótesis para investigación (Abernethy et al., 2010). En los últimos años, distintas iniciativas han establecido posibles aplicaciones concretas, como Cancer LinQ de ASCO (Sledge, Miller and Hauser, 2013) (Sledge et al., 2013) o la iniciativa Cancer Moonshot, que en su informe del grupo de trabajo de octubre de 2016 (Biden, 2016) establece múltiples medidas relacionadas con las tecnologías descritas.
Para la definición sistemática de aplicaciones de interés en el ámbito oncológico hemos repasado las distintas fases del proceso asistencial y sus principales procesos de trabajo descritos en el capítulo 2.1.2, realizando una búsqueda bibliográfica. De esta forma, identificamos las siguientes aplicaciones en el ámbito del cáncer de las distintas tecnologías de análisis de datos:
Prevención y detección temprana
· Identificación de poblaciones en riesgo (hereditario, social, ocupacional, por hábitos, entorno o dieta) (Ming et al., 2019) y poblaciones sin medidas preventivas aplicadas.
· Información específica dirigida a personas en riesgo para que tomen un papel activo y modifiquen factores de riesgo o decidan acudir a una revisión médica (Coletta et al., 2019).
52
· Desarrollo de un sistema de vigilancia de aspectos clínicos (reportados por el paciente, registrados en Atención Primaria o en visitas a los hospitales) que puedan sugerir que el paciente que ya pertenece a población en riesgo tiene un riesgo alto de estar desarrollando la enfermedad (Healy, Thirumurthi and You, 2019).
· Desarrollo de un sistema para la evaluación frecuente en el domicilio o en centros de salud de biomarcadores del cáncer en fases tempranas en pacientes de alto riesgo mediante técnicas de biopsia líquida. Existen publicaciones relativas a dispositivos PCR portátiles (Ahrberg et al., 2016), e incluso pueden ser adquiridos a través de internet (por ejemplo, en compañías como Biomeme: http://biomeme.com).
· Diagnóstico de sospecha de la patología en base al sistema de vigilancia y los biomarcadores obtenidos. Compañías como Quantgene (http://www.quantgene.com/) o Grail (https://grail.com/) ya están trabajando en esta línea. Recientemente la FDA ha aprobado incluso la primera herramienta diagnóstica basada en AI que no requiere del concurso humano para el diagnóstico de retinopatía diabética (FDA, 2018b) .
Diagnóstico, tratamiento y seguimiento
Soporte al facultativo en la atención a un paciente individual:
· Medicina Personalizada y de Precisión: Soporte a toma de decisiones para la elección del mejor tratamiento en cada momento para cada paciente, comparando los datos del paciente con guías existentes y con estándares de atención sanitaria (Sledge, Miller and Hauser, 2013). Para ello, puede ser necesaria la obtención de variables de la HCE mediante tecnologías de procesado de lenguaje natural (Becker et al., 2019). Recientemente se han presentado nuevos datos acerca de la utilidad en esta aplicación de la herramienta IBM Watson for Oncology (Somashekhar et al., 2017) (Somashekhar et al., 2018) que, si bien son prometedores, han generado un fuerte escepticismo (Gyawali, 2018).
· Predicción de resultados del tratamiento para el paciente: respuesta, progresión, recaída, supervivencia, toxicidad y detección temprana de estos eventos (Rutherford et al., 2019).
Soporte al facultativo en la atención al conjunto de la población a su cargo:
· Monitorización remota de los pacientes, generando alertas ante la detección de tendencias en los datos analizados (como constantes vitales) potencialmente peligrosas para el paciente (USAID, 2019).
· Obtención y análisis de los datos registrados por los pacientes (PROs), obtenidos mediante dispositivos conectados (IoT) y mediante otras fuentes de información, para identificar situaciones que pueden resultar en un pobre resultado clínico (p. ej.: indicación incorrecta, baja adherencia, efectos adversos, interacción con otros fármacos, formación inadecuada, sedentarismo, etc.) (LeBlanc and Abernethy, 2017).
· Intervención remota sobre los pacientes según su riesgo, la información de monitorización domiciliaria y sus necesidades personalizadas de acuerdo a su perfil (Mooney et al., 2017).
Soporte a pacientes individuales:
· Asistentes basados en AI para la resolución de dudas del paciente y la autogestión de síntomas (USAID, 2019), derivando al paciente al servicio atendido por humanos en segundo nivel sólo en caso necesario. Actualmente ya hay experiencias para ofrecer soluciones online que permitan a los pacientes resolver dudas (por ejemplo, sobre sus síntomas), tales como la app móvil OncoApp (www.oncoapp.es), desarrollada en el HUPHM. Sin embargo, todavía no se ha extendido la posibilidad de disponer de un asistente dotado de AI que pudiera asesorar al paciente y derivarle al humano cuándo no pudiera ofrecerle una respuesta válida. En este sentido, el diseño de los chatbots (aplicaciones software capaces de mantener una conversación con el paciente) está dando pasos de gigante para disponer de un comportamiento y aspecto similar al humano. Compañías como Soul Machines (https://www.soulmachines.com/) disponen de avatares ultra realistas, y son varias las compañías que están teniendo un fuerte desarrollo en este campo de los chatbots, como puede verse en la siguiente figura (Sennaar, 2019):
54
Figura 9 – Comparación de Start-ups en el campo de los chatbots basados en AI en el ámbito sanitario.
Soporte a la investigación y a la gestión:
· Estructuración automática o semiautomática del texto libre contenido en la HCE a través de tecnologías de procesado del lenguaje natural, por ejemplo para la identificación de casos de cáncer de mama en el ámbito de la investigación clínica (Xie et al., 2017).
· Predicción y planificación de necesidades de recursos asistenciales a través del análisis de los datos previamente recabados de actividad asistencial (USAID, 2019).
· Descripción de la asistencia sanitaria efectivamente prestada a los pacientes en función de sus características clínicas, y caracterización de su coste, para informar decisiones clínicas y de gestión (Skinner et al., 2018) (Reeve et al., 2018) (Knust et al., 2017).
· Soporte para la implementación de paradigmas como la asistencia sanitaria basada en el valor (VBHC, ver capítulo 2.2.2) a través de la medición de los resultados clínicos de los pacientes y del coste efectivamente incurrido en su asistencia sanitaria.
· Conocimiento exacto de la base de pacientes (número y características) que permitan una mayor fiabilidad y credibilidad en el proceso de captación de Ensayos Clínicos con la industria farmacéutica (USAID, 2019).
· Realización masiva de ensayos clínicos N = 1 (N-of-1 trials), integrando la información de miles de pacientes (Schork, 2015).
· Identificación de predictores moleculares y clínicos de eventos de interés (diagnóstico, respuesta, recaída, toxicidad, fallecimiento) (Project IASIS, 2019).