Para cambiar esto, la start-up Etiometry, cuya sede está en Boston (EE.UU.), está construyendo un sistema de apoyo para las decisiones clínicas capaz de interpretar grandes volúmenes de datos sobre los pacientes en tiempo real y proporcionar a los médicos una instantánea de la información sobre la que pueden actuar.
A los fundadores de Etiometry, algunos de ellos antiguos ingenieros de navegación aeroespacial, les inspiró lo que vieron como una falta de control de sistemas o analíticas de los datos de los pacientes y una falta aún mayor de herramientas que ayuden a los médicos a tomar decisiones. "Tienes un montón de datos generados en la UCI, pero no tienes una tecnología capaz de hacer nada con ellos", afirma Dimitar Baronov, vicepresidente y director tecnológico de Etiometry. "Lo único que tienes es experiencia y formación humanas", comenta. Los sistemas de análisis podrían ayudar a los médicos a interpretar los datos, ayudándoles en última instancia a tomar mejores decisiones, intervenir a tiempo y pillar efectos adversos antes de que sucedan, según el director ejecutivo de la empresa, Evan Butler.
Las herramientas de apoyo a las decisiones clínicas guían el proceso diagnóstico y el de tratamiento al introducir datos sobre los pacientes en modelos predictivos construidos con resultados previos de otros pacientes. Las ideas que hay detrás de estas herramientas no son nuevas, durante décadas los investigadores han intentado introducir herramientas de computación en el hospital capaces de ayudar a los médicos con decisiones relacionadas con el diagnóstico y el tratamiento de las enfermedades. Grandes empresas como Siemens y Philips ofrecen productos que avisan a los médicos de los síntomas tempranos de un fallo en la salud del paciente, y las organizaciones de investigación como el Laboratorio Draper están desarrollando programas parecidos de apoyo a las decisiones en tiempo real.
Pero la complejidad de la biología humana y la lenta adopción de los historiales clínicos informatizados por parte de los hospitales han retrasado la tecnología. Existe una gran variabilidad entre pacientes, afirma Dean Sittig, investigador de sistemas de información clínica en el Centro de Ciencias de la Salud de la Universidad de Texas en Houston (EE.UU.), como por ejemplo que el pulso normal de una persona podría ser casi mortal para otra. Es más, la perspectiva de un ordenador es limitada. "Un ordenador suele observar un pequeño aspecto del problema de un paciente, pero no tiene el contexto", afirma Sittig. "Un médico experto puede comprender el panorama general de lo que sucede con un paciente".
Otro desafío ha sido el predominio del almacenamiento de datos en formato papel, lo que ha limitado la cantidad de datos disponibles para los investigadores que usan el aprendizaje automático para construir mejores modelos de atención sanitaria. "habitualmente, la mayoría de los hospitales guardan los datos de las máquinas de la UCI durante unas 72 horas y luego los desechan", explica Butler. "En los últimos años, lo que ha ayudado a nuestra tecnología es que otras empresas están entrando en los hospitales y guardando todos los datos".
Usar estas grandes colecciones de datos para mejorar el modelado predictivo es una idea potente, afirma Peter Szolovits, director del Grupo de Toma de Decisiones Clínicas en el Laboratorio de Ciencia Computacional e Inteligencia Artificial del Instituto de Tecnología de Massachusetts. "Si los modelos son lo suficientemente precisos, se podrían usar para decidir entre distintos tratamientos para un paciente". Este tipo de modelos, entrenados con datos de pacientes reales, podrían informar a los médicos de los resultados previstos para cada opción de tratamiento y el grado de incertidumbre asociado con cada previsión.
La tecnología de Etiometry presenta esta información mediante una interfaz de usuario sencilla que permite a los médicos ver rápidamente qué pacientes de la UCI están en situación de riesgo de sufrir efectos adversos y después observar con más atención a cualquier paciente que esté en riesgo, revisando una lista detallada de los efectos posibles y la probabilidad de que sucedan. El equipo afirma que su marco es capaz de interpretar todos los datos de pacientes que se generan en una UCI, desde los datos instantáneos, como las pulsaciones, a los datos recogidos a lo largo de múltiples horas, como los análisis de sangre.
La empresa se ha centrado en UCIs pediátricas, usando el aprendizaje automático para crear algoritmos partiendo de datos retrospectivos recibidos del Hospital Infantil de Boston (EE.UU.), el Hospital Infantil de Toronto (Canada) y de otros centros. Planean empezar a hacer pruebas con datos en tiempo real el próximo año.