Uno de los sectores que han experimentado una mayor revolución en este 2020 es el sanitario, en muchos casos a la fuerza. Su avance y mejora en muchos casos ha sido posible gracias a la tecnología. Especialmente al Big Data, el análisis procedente de los datos, la Inteligencia Artificial y el machine learning. También a los servicios que empresas como AWS han desarrollado para el sector. Como HealthLake, presentado en el evento AWS re:Invent 2020, que ponía punto y final a una larga serie de eventos tecnológicos celebrados de manera virtual por la situación. De todo ello hemos hablado con Taha Kass-Hout, Director de Machine Learning y Reponsable Médico de AWS.
[MCPRO] ¿Qué pueden conseguir las organizaciones y entidades dedicadas a la salud si consiguen mejor información de los datos?
[Taha Kass-Hout] Muchos hospitales están consiguiendo avanzar en la gestión de la salud de sus pacientes y la población que tratan gracias a los datos. Hay áreas en las que han conseguido una mayor eficiencia. Por ejemplo, el año pasado algunos de nuestros clientes fueron capaces de utilizar machine learning en AWS en particular para transcribir datos médicos y nuestra solución de servicios gestionados de extremo a extremo SageMaker para desarrollar, entrenar y desplegar modelos de machine learning con sus datos. Pudieron utilizarlos para reducir conflictos en la programación de su sala de operaciones, aumentando su eficiencia en más de un 30%. Esto se tradujo en una mejor programación de las operaciones, con una mejor programación y priorización para pacientes y cirujanos.
También en una mejor gestión de la suspensión de operaciones, y a identificar antes las que no se llevan a cabo en el último momento, así como fallos que pueden llevar a su suspensión porque por ejemplo se descubre que la sangre con la que se cuenta no es la del tipo correcto para el paciente.
Puede haber situaciones en las que no se cuenta con todos los datos sobre un paciente, o en las que toda su información está en distintas secciones o incluso en distintos hospitales. Entonces, el médico no puede disponer de ella en su sistema, y tiene que solicitarla y buscarla de forma bastante manual hasta recoger todos los datos. Esto se puede solucionar mediante la aplicación de machine learning a todos estos datos desestructurados, estructurarlos y desarrollar reglas para trabajar con ellos e identificar elementos importantes con rapidez. Así, además, se reduce el nivel de agotamiento de enfermeras y médicos que tienen que gestionar estos temas, al mismo tiempo que la tasa de error. Por tanto, la aplicación de modelos de machine learning mejora la eficiencia en los hospitales.
Conoce más aquí
