Los modelos de análisis predictivo están ayudando a determinar el mejor curso de los tratamientos contra el cáncer.
Cuando la Dra. Debra Patt estaba comenzando su carrera profesional, la oncóloga usaría para el analisis su capacitación médica, además de papel, un bolígrafo y una calculadora, para determinar el mejor curso de tratamiento al escribir las órdenes de quimioterapia.
Ahora, ingresa detalles como la altura y el peso de los pacientes y las características de sus diferentes tipos de cáncer en un registro electrónico. Despus utiliza herramientas de análisis para procesar esa información y guiar sus próximos pasos con precisión basada en datos.
En un artículo publicado en mayo de 2019 en el ASCO Educational Book , Patt y cinco colegas de la industria examinan los desafíos y las capacidades de la analítica predictiva en oncología. Citando un “inmenso potencial” para mejorar la estratificación del riesgo, los escritores identifican tres funciones principales:
Gestión de la salud de la población: se pueden aplicar algoritmos predictivos para identificar pacientes con cáncer de alto riesgo con una mayor probabilidad de reingreso después de la cirugía o la quimioterapia. Dichos datos pueden impulsar una atención preventiva crucial al tiempo que reducen los costos y la tensión en un paciente. El equipo de Patt, por ejemplo, revisa las lecturas detalladas durante las reuniones de personal.
Radiómica: el campo del análisis de textura asistido por computadora utiliza datos cuantitativos de escaneos para estudiar las características del tumor. Recientemente, las computadoras examinaron las diferencias en las lesiones de 125 pacientes con cáncer de pulmón tratados con quimioterapia con platino en la Clínica Cleveland. Los patrones podrían ayudar a predecir qué futuros pacientes podrían beneficiarse.
Patología: las lecturas de biopsia inexactas pueden conducir a un tratamiento excesivo o inapropiado.
Los algoritmos de inteligencia artificial ofrecen una visión profunda de las lecturas de biopsias: Google afirma que su herramienta de IA tiene una precisión del 99 por ciento en la detección de cáncer de seno metastásico, y les da a los oncólogos más tiempo para concentrarse en otros aspectos de la atención.
Le puede interesar: La SCCOT publica Webinar sobre tecnología 3D en la Ortopedia
Los usos futuros de la analítica predictiva, las notas en papel, podrían implicar una amplia gama de habilidades, incluida una toma de decisiones más rutinaria en el punto de atención y la aplicación de modelos de aprendizaje automático a paneles de secuenciación de próxima generación que, de lo contrario, son demasiado costosos como una administración ciega enfoque de detección para una población entera.
Tales beneficios no solo son atractivos para los practicantes. Según una investigación realizada en 2019 por el Centro de Soluciones de Salud de Deloitte, el 84% de los 56 ejecutivos del sistema de salud encuestados dijeron que el análisis será importante para sus estrategias organizacionales en los próximos años.
Del mismo modo, una encuesta realizada en marzo de 2019 por la Society of Actuaries encontró que el 89% por ciento de los ejecutivos de atención médica planean usar análisis predictivos en los próximos cinco años, un 4 por ciento más que en 2018.
Cómo las analíticas mejoran la experiencia de tratamiento para pacientes con cáncer
Los análisis predictivos no solo pueden ayudar a guiar un curso de tratamiento contra el cáncer, sino que también pueden optimizar los flujos de trabajo para aumentar la eficiencia del personal y mejorar la experiencia del paciente.
El centro de infusión de oncología de Wake Forest Baptist Health en Carolina del Norte utiliza herramientas de análisis para anticipar los tiempos de utilización máximos y ajustar la programación en consecuencia.
Desafíos de la analítica predictiva en oncología
La práctica del análisis predictivo aún no está muy extendida, especialmente entre los oncólogos.
En comparación con los avances analíticos para abordar la insuficiencia cardíaca, el asma pediátrica y otras afecciones, el uso de los oncólogos permanece “en el medio del paquete”, dice Patt, quien cita una serie de obstáculos que deben abordarse.
Entre ellos: las leyes HIPAA, que según ella impiden “compartir datos de manera óptima”.
Patt también cita el potencial de datos incompletos del paciente y herramientas de EHR que carecen de la funcionalidad de soporte de decisión clínica.
Patt considera que las herramientas son valiosas para todas las especialidades, incluso si los costos iniciales parecen desalentadores.
“A veces, estas inversiones en infraestructura de datos que son críticas para mejorar la prestación de atención pueden retrasarse debido al desafío de demostrar el retorno de la inversión “, dice, y agrega que la eficiencia resultante y la reducción de errores pueden satisfacer esas preocupaciones.