¿Qué pueden decirnos los macrodatos sobre la predictibilidad de las enfermedades? Un nuevo estudio de investigadores del MIT, publicado en la revista Scientific Reports , profundiza en esta cuestión analizando datos anónimos de más de 500.000 pacientes. Entre sus hallazgos figura que nuestros historiales médicos electrónicos contienen datos que son predecibles hasta en un 90 por ciento, aunque este nivel de predictibilidad solo puede alcanzarse en teoría. Sin embargo, puede orientar a quienes diseñan algoritmos y a los profesionales sobre lo que es posible en principio. Los coautores del artículo son Carlo Ratti, director del Senseable City Laboratory del MIT, y dos antiguos investigadores de informática del laboratorio, Dominik Dahlem (autor principal) y Diego Maniloff. Los datos procedían de General Electric, que colaboró con Senseable City en un proyecto de 2011 para representar visualmente datos de atención médica. MIT News habló con Ratti sobre el nuevo estudio.
P. ¿Cuál es el hallazgo central del nuevo estudio?
R. Los resultados son bastante interesantes: este es uno de los primeros análisis de grandes cantidades de datos obtenidos mediante el uso de historiales médicos electrónicos, y estos datos acaban de estar disponibles. Se trata de una gran cantidad de datos que obtuvimos de General Electric. Intentamos analizar si, cuando uno va al médico, tiene cierto historial [médico] y quizá está consultando por un problema [médico], ese historial previo tiene algún poder predictivo respecto de dicho problema. Lo analizamos desde un punto de vista puramente informático, y resulta que sí hay poder predictivo.
P. En el artículo, afirman que «barajar los historiales individuales de enfermedades solo reduce marginalmente los límites de predictibilidad». Es decir, ciertas enfermedades se correlacionan entre sí en gran medida al margen del orden en que ocurren, ¿es así?
R. Se podría reorganizar en el tiempo [el historial de un paciente] para ver cómo cambia la predictibilidad. Y descubrimos que se puede predecir incluso si se baraja el orden. En cierto sentido, esto indica que hay una serie de enfermedades que ocurren juntas. … No necesariamente se desarrollan en un orden estricto; se trata más bien de un conjunto de elementos que aparecen juntos.
En el plano individual, esto permite comparar el historial médico con el de otras personas y proporcionar información adicional al médico. Los médicos pueden obtener aportes adicionales de este análisis del historial médico. Por supuesto, esto es lo que los médicos ya hacen: examinan el pasado para entender cuál podría ser el problema. Pero es un método matemático que los orienta y les aporta más [de lo] que podrían obtener al revisar [el historial médico de un paciente].
P. Su laboratorio se centra en aplicar datos a cuestiones urbanas. Entonces, ¿cómo surgió este proyecto de investigación sobre atención médica?
R. Nos centramos en estudiar cómo la información está cambiando nuestro conocimiento de las ciudades. Y la información de los historiales médicos es un tipo de información muy importante que podemos utilizar. La pregunta surgió así: ¿podemos analizar estas secuencias temporales e intentar entender —desde el mero punto de vista de la teoría de la información— si realmente podemos predecir qué viene después?
Eso es algo que hemos empezado a hacer con los datos: analizarlos en el espacio y, sí, podemos observar diferencias entre distintas regiones. Y realmente uno empieza a entender esa interacción entre el individuo y el entorno que nos rodea, y a cuantificarla… y eso acaba dejando una huella en los historiales médicos. En cierto sentido, analizar los historiales médicos y el entorno en determinadas regiones adquiere mucha importancia.
Los autores recibieron financiación parcial de General Electric, la AT&T Foundation, la National Science Foundation, el National Defense Science and Engineering Fellowship Program y Audi Volkswagen.
Este artículo se publica en colaboración con MIT News. La publicación no implica que el Foro Económico Mundial respalde estas opiniones.
Para mantenerse al día con la Agenda, suscríbase a nuestro boletín semanal.
Autor: Peter Dizikes es colaborador de MIT News.
Imagen: La enfermera titulada Rebecca Moak posa para una foto en el centro de traumatología del University of Mississippi Medical Center, en Jackson, Mississippi, el 4 de octubre de 2013. REUTERS/Jonathan Bachman.
