FHIR y el aprendizaje automático (ML)

Hoy en día, la sanidad gira en torno a los datos. Se generan continuamente distintos tipos de datos médicos sobre cada uno de nosotros. Parte de ellos los crean médicos y enfermeros, pero los dispositivos médicos y los wearables producen una cantidad mucho mayor. Además de los datos que tradicionalmente recopilaban los sistemas EHR (Electronic Health Record), estamos asistiendo a la aparición de terabytes de datos genómicos que, con el auge de la medicina de precisión, han comenzado a complementar las historias clínicas de los pacientes. El volumen de datos médicos no deja de crecer y cada vez resulta más difícil para las personas comprender y extraer conclusiones significativas de esos datos sin la ayuda de sistemas automatizados.

Comience a utilizar el servidor FHIR de Aidbox para el almacenamiento de datos, integraciones, análisis sanitarios y mucho más, o contrate a nuestro equipo para dar soporte a sus necesidades de desarrollo de software.

Por eso el aprendizaje automático se está volviendo indispensable. El aumento de la capacidad de procesamiento y almacenamiento de los ordenadores ha habilitado numerosos casos de uso en los que los sistemas automatizados ayudan a los profesionales clínicos a realizar su trabajo de forma más rápida y eficaz. El aprendizaje automático ya no es una tecnología nueva: muchas organizaciones sanitarias lo han integrado en sus flujos de trabajo. El caso de uso más habitual es el procesamiento de imágenes médicas, aunque el procesamiento de señales y la genómica también han empezado a ganar protagonismo. Asimismo, están surgiendo otros casos de uso: por ejemplo, los registros de auditoría se analizan con aprendizaje automático para detectar intrusiones y comportamientos inusuales por parte del personal sanitario. El aprendizaje automático también se emplea para identificar a pacientes con mayor riesgo de reingreso hospitalario, así como a aquellos con mayor probabilidad de no acudir a una cita o de no cumplir con la medicación prescrita. Las aplicaciones son ilimitadas. Para conocer las aplicaciones más innovadoras del aprendizaje automático en sanidad, puede consultar mlforhc.org y mucmd.org, donde están disponibles las grabaciones de todas las ponencias del congreso anual «Machine Learning in Healthcare» desde 2011 hasta la actualidad.

¿Cómo funciona el aprendizaje automático y dónde entra en juego FHIR?

Un flujo de trabajo típico de aprendizaje automático comienza con el uso de datos existentes para entrenar un modelo y, a continuación, aplica ese modelo para realizar predicciones sobre nuevos conjuntos de datos: Como puede apreciarse, los datos son el elemento clave a lo largo de todo el proceso, desde el entrenamiento del modelo hasta la obtención de conclusiones y la realización de predicciones. Aquí es donde entra en juego FHIR. FHIR se ha convertido en el estándar de facto para acceder a los datos en el ámbito sanitario. Obtener los datos de un paciente concreto para realizar predicciones no puede ser más sencillo que a través de las APIs de FHIR. Además, FHIR sigue ampliando sus capacidades. El modelo de datos estable (y extensible) descrito por la especificación FHIR permite implementar un repositorio clínico de datos FHIR (CDR) orientado a la minería de datos y el análisis. Varias empresas han comenzado a ofrecer soluciones tecnológicas para serializar grandes volúmenes de datos de forma eficiente y representarlos de manera que permita ejecutar análisis sobre ellos.

En 2014 creamos un almacén de código abierto para recursos FHIR llamado FHIRbase que permite ejecutar consultas SQL sobre datos FHIR. Existen bibliotecas para FHIR que dan soporte a implementaciones en Python, el lenguaje más popular entre los científicos de datos que desarrollan soluciones de aprendizaje automático. También hay bibliotecas de código abierto para otras tecnologías; por ejemplo, R on FHIR está ganando adeptos en la comunidad.

En marzo de 2018, Google publicó una implementación mediante búferes de protocolo del estándar FHIR, compatible con Java, C++, C#, Go y Python. Los búferes de protocolo de código abierto son un mecanismo para serializar datos estructurados —similar a XML, pero más compacto, rápido y sencillo—. El usuario define una sola vez cómo estructurar los datos y, a continuación, utiliza el código fuente generado para escribir y leer datos en distintos flujos. El protocolo es adecuado tanto para el acceso programático como para las consultas a bases de datos. Uno de los ejemplos muestra cómo cargar datos FHIR en BigQuery de Google Cloud y dejarlos disponibles para su consulta. BigQuery puede gestionar enormes volúmenes de datos en un entorno cloud altamente paralelo, lo que abre la posibilidad de trabajar con grandes datos médicos en Google Cloud y aprovechar otros servicios de Google, como el aprendizaje automático (ML).

FHIR y el aprendizaje automático tienen un futuro prometedor en el sector sanitario y veremos cómo convergen en los próximos años. Si desea contribuir al debate o ampliar sus conocimientos sobre el tema, únase a la conversación en el chat de la comunidad FHIR en https://chat.fhir.org.

Véase también: SQL on FHIR: ¿Qué es una ViewDefinition?.