Salud
Avances tecnológicos que revolucionan el sector y mejoran la vida de las personas a través de los datos.
Hacia una medicina P4
La asistencia sanitaria está evolucionando de una atención reactiva a la enfermedad a una atención predictiva, preventiva, personalizada y participativa. Este nuevo enfoque pone el acento en la evolución hacia una medicina basada en información personalizada, obtenida de los datos disponibles no sólo en la historia clínica, sino también de los posibles efectos del genoma, epigenoma, microbioma y salud actual en los tratamientos propuestos.
Con seguridad será una medicina que proporcionará una experiencia sanitaria única para cada persona al tratar las causas y no los síntomas y así evitando la incidencia de enfermedades crónicas, que representa cerca del 75% de los costes sanitarios en cualquier país desarrollado.
Nuestro trabajo
en la Salud:
Evolución de pacientes basado en el análisis de grafos. Nuestros modelos tratan de evitar los casos de pacientes agudos empeoren en sus sucesivas consultas mediante el uso de inteligencia artificial y perfilado por gravedad y tratamiento.
Scalian Spain en colaboración con uno de los principales proveedores de salud de Europa ha implementado un modelo de Deep Learning que es capaz de identificar en cuestión de segundos hasta 10 patologías en las radiografías de tórax. El modelo tiene una precisión de mas del 80% y permite hacer diagnósticos ultrarrápido de sospecha de neumonía y otras 9 patologías que se pueden detectar comúnmente en las placas de tórax.
Estos hallazgos automatizados ayudan a los médicos a interpretar las radiografías con mayor precisión y diagnosticar de forma mucho más rápida, lo que permite empezar antes el tratamiento, que es vital para los pacientes gravemente enfermos con enfermedades como la neumonía.
Hemos desarrollado un modelo Deep Learning que es capaz de encontrar las siguientes enfermedades oculares en imagen de ojo: degeneración macular, queratocono, retinopatía diabética
Hemos desarrollado un modelo de Deep Learning que permite clasificar lesiones benignas o cánceres de piel malignos alcanzando la precisión equivalente a la de los profesionales en dermatología.
Para ello hemos utilizado una técnica de transfer learning con la que preentrenamos una red neuronal profunda de reconocimiento general de objetos y después la validamos con un conjunto de datos de 100.000 imágenes de lesiones de piel de las cuales unas 1.500 eran enfermedades cutáneas graves. Este modelo es capaz de identificar con más del 99% de precisión los melanomas y carcinomas en una foto realizada con un móvil.Disponemos de un modelo preentrenado para la clasificación del cáncer de mama. Entrenamos el modelo con un conjunto de datos en los que hay varios casos de tumores. Los tumores pueden ser benignos (no cancerosos) o malignos (cancerosos).
Para el entrenamiento de nuestro modelo hemos contado con un conjunto de datos de cáncer de mama que consta de 10.000 muestras de tumores, de las cuales el 60% son tumores benignos (no cancerosos) y 40% son tumores malignos (cancerosos). El resultado es que nuestro modelo es capaz de predecir tanto los tumores malignos como benignos con una precisión de un 90% y una sensibilidad del 70%¿Sabias qué?
usan asistentes al diagnóstico
radiología, farmacia y patología genéricas
con un bots en los próximos años
Con el fin de acelerar los procesos, brindar una mayor precisión diagnóstica, reduciendo tiempos y abriendo caminos a un mejor sistema sanitario en general.
En el sector salud hay un creciente interés por los beneficios que la IA puede aportar al cuidado de la salud.
Sin embargo aún hay muchos mitos y realidades para la aplicación de la IA. Mas allá del bombo y platillo mediático que suscita la IA en salud hay muchas preguntas que necesitan respuesta.
- ¿Qué se supone que debe solucionar la IA en la atención médica?
- ¿Cómo y dónde tendrá impacto la IA?
- ¿Es aceptable que un algoritmo haga una interpretación clínica de los datos?
- ¿Cómo influirá la IA en los procesos de salud?
- ¿Cómo de aceptable es que la IA proporcione recomendaciones o predicciones para médicos y pacientes?
- ¿Cómo garantizar la fiabilidad de la IA en procesos automáticos críticos?
- ¿Ayudará la IA verdaderamente a la contención y la reducción de costes en los procesos de salud?
Dar respuesta a estas preguntas es clave para tomar decisiones de inversión o investigación en materia de IA.
Esta es nuestra experiencia en la aplicación aprendizaje automático para toma de decisiones basadas en modelos predictivos, prescriptivos y preventivos:
Gracias a los datos médicos almacenados la IA facilita el triaje ayudando a derivar a los pacientes hacia el especialista que mejor resolverá su problema
Combinando la tecnología con los historiales médicos podemos crear máquinas inteligentes que hagan propuestas diagnósticas que sean mucho más eficientes consiguiendo discernir entre enfermedades y riesgos permitiendo atender mejor a los paciente y reduciendo los tiempos.
Formada por una serie de algoritmos lógicos suficientemente entrenados basados en prubas diagnosticas por imagen , la IA es capaz de tomar decisiones para casos concretos a partir de normas generales. Como fue el caso con la Covid-19, donde nuestros equipos ayudaron en la detección de casos reduciendo las esperas y facilitando el alto nivel de presión de los sanitarios.
Gracias a la recopilación de datos y su tratamiento somos capaces de predecir si el paciente tendrá una recaída y anticiparnos a su readmisión.
En la mayoría de los casos los pacientes tienen enfermedades ya conocidas para las que se conoce el tratamiento e incluso las evoluciones. Gracias a la IA y a los historiales médicos es posible identificar el tratamiento más adecuado basado en resultados reales.
En materia de detección de enfermedades crónicas se ha conseguido un avance indudable para los pacientes, facilitando al sistema sanitario su diagnostico y mejor manejo. Con la AI, a través de desarrollos de nuevas tecnologías específicas conseguimos solucionar, o al menos ayudamos, a resolver esta problemática sanitaria.
Cada vez es más difícil obtener fármacos eficaces y rentabilizar las inversiones en investigación usando el método tradicional.
Gracias a la IA podemos hallar soluciones basadas en datos de estudios pasados prediciendo e comportamiento del mismo sobre el cuerpo y la enfermedad. Un avance que sin duda minimiza los riesgos, reduce las inversiones y aumenta tanto los beneficios para los pacientes como los ingresos.
Los procesos a través de la Inteligencia Artificial tienen una especial relevancia porque permite procesar y analizar datos médicos con los que mejorar la gestión sanitaria. Además, facilita la realización de diagnósticos y pueden incluso llegar a mejorar los problemas de salud de los pacientes acortando los tiempos, ordenando las pruebas medicas necesarias y hallando soluciones mucho más beneficiosas para el paciente.
CliniTerm: hacia un modelo
de fuente única de la verdad.
CliniTerm® es una solución que permite almacenar, gestionar y distribuir un conjunto amplio de terminologías (SNOMED, LOINC), clasificaciones (CIE, CIAP, ..) y diccionarios clínicos locales. Su función dentro de la infraestructura organizativa es de dar soporte a la gestión de datos maestros como “fuente de la verdad”, que almacena desde los metadatos hasta contenidos maestros de cualquier tipo, con una gestión basada en el ciclo completo del dato desde la edición hasta la publicación de todo tipo de contenidos tanto de datos de referencia como de identificación .
Algunas de las principales características son: soporte para SNOMED CT, LOINC, CIE-10-ES entre otros; un algoritmo de búsqueda avanzado que permite búsqueda semántica para que los usuarios puedan encontrar fácilmente el contenido codificado.
Ofrecemos una visión completa y fiable de los datos de referencia, con el objetivo de facilitar el registro e intercambio de datos sanitarios de forma estandarizada, sistematizada e interoperable.
CliniCoder: Reinventando la forma de codificar mediante colaboración, eficiencia operativa y control de calidad
CliniCoder® es una herramienta Web para los departamentos de codificación de los Hospitales. Ayuda a los codificadores en el proceso de codificación clínica con CIE-10-ES y CIE-9-MC y CIE-0 mediante distintas herramientas de búsqueda y navegación, alertando sobre la aplicación de normativa de codificación.
Permite a los codificadores gestionar su trabajo diario de forma colaborativa (flujos de trabajo) y registra información sobre la trazabilidad de accesos y versiones de codificación de los episodios.
Permite realizar procesos de codificación masiva y automática mediante procesos batch. Se integra con agrupadores de 3M (AP y APR) para agrupación de la casuística clínica. Se integra con los principales sistemas HIS/HCE mediante HL7 recibiendo el alta de episodios (datos de cabecera e informes) y enviando mediante HL7 el resultado de la codificación en formato RAE-CMBD.
Adicionalmente puede generando un RAE-CMBD que se puede exportar directamente a las principales herramientas analíticas del CMBD del mercado.
