Algoritmos para cuidar de nuestra salud

¿Qué es un algoritmo? Mucha gente ve en la palabra “algoritmo” un término misterioso que esconde complicadas ecuaciones matemáticas solo al alcance de unos pocos expertos. En realidad, este término viene a significar únicamente “conjunto de instrucciones para resolver un problema”.

Constantemente usamos algoritmos en casi cualquier aspecto de la vida cotidiana. Por ejemplo, una receta de cocina es un algoritmo. Con la llegada del “Big Data” algunas personas piensan en los algoritmos como recetas mágicas que extraerán toda la información contenida en esos datos.  En realidad, esto no es una novedad. Aplicar algoritmos para extraer información de los datos se lleva haciendo desde que se recopilan datos.

Algoritmos y salud

En el análisis de datos de salud los algoritmos se pueden aplicar a conjuntos de datos de muchos individuos (lo que llamamos análisis estadístico de datos). Se utiliza para, por ejemplo, buscar rangos de valores “saludables” de las variables fisiológicas. Pero también se pueden aplicar a individuos concretos para diagnosticar si tienen valores patológicos de esas variables, para decidir sobre tratamientos o para pronosticar su evolución. A menudo se combinan algoritmos a ambos niveles. Pongamos un ejemplo sencillo de cómo el sistema de salud usa algoritmos para controlar la presión arterial de un paciente.

En primer lugar los epidemiólogos toman una muestra grande de personas sanas, les miden la presión arterial y aplican un algoritmo para establecer los rangos de presión dentro de los cuales se encuentran la “mayoría” (usualmente el 95%) de las personas sanas. Después siguen a la muestra de personas durante varios años registrando todos sus eventos de salud (infartos, ictus, diabetes…). Con estos datos y otras variables como la edad, el sexo, etc. hacen modelos estadísticos para entender cómo afectan los niveles de presión a la probabilidad de tener uno de esos eventos. Estos modelos son en definitiva algoritmos que se conocen como “modelos de estimación de riesgo cardiovascular”.

Cuando un médico ve a un nuevo paciente y le mide la presión arterial aplica un algoritmo de diagnóstico.  Decidirá si esa presión es patológica cuando se salga de los rangos de normalidad establecidos por el algoritmo de los epidemiólogos. Además, el médico puede aplicar el algoritmo de estimación de riesgo cardiovascular para determinar si el paciente tiene una alta probabilidad de tener un problema de salud debido a su presión arterial. Si el riesgo estimado es alto, el médico usará algoritmos de tratamiento y manejo del paciente que vienen en las guías de práctica clínica.

Inconvenientes

Esta estrategia tiene un problema importante. Y es que no se tiene en cuenta la singularidad de cada individuo. Se asume que todos los individuos en su estado sano deben tener su presión en el mismo rango de normalidad.  Pero en realidad para algunos individuos su zona óptima podría ser por debajo del rango normal establecido. Podría darse el caso paradójico de que se hiciera más mal que bien medicando a estos pacientes para meter su presión arterial en el rango normal. De hecho, si el rango normal de la presión se ha definido precisamente para contener al 95% de los individuos sanos, es de esperar que el 5% de los individuos sanos tengan su presión fuera de este rango y sean diagnosticados erróneamente. Y quizás innecesariamente tratados.

A pesar de sus inconvenientes, actualmente esta es la estrategia seguida en la mayoría de guías clínicas. Es lo mejor que podemos hacer con los datos que disponemos hasta ahora… Y aquí viene la pregunta clave ¿Cómo afecta el Big Data a los algoritmos de análisis de datos? ¿Podemos mejorar las estrategias de diagnóstico, pronóstico y tratamiento usando Big Data?

Algoritmos personalizados

Un sistema de Big Data que recogiera datos de cada individuo continuamente de forma rutinaria, nos permitiría personalizar los rangos de referencia de niveles saludables para cada paciente. En lugar de utilizar el mismo rango derivado de la población para todos los pacientes, se podrían estimar un rango para cada individuo con sus propios datos del pasado cuando se encuentra sano.  Así cada individuo se convierte en la referencia de sí mismo y podemos detectar cuando se aparta de su propia normalidad. Esto sería un algoritmo de diagnóstico personalizado.

Otra posibilidad interesante es la estratificación de los modelos de estimación de riesgo. Actualmente los modelos utilizan muchos individuos con pocas mediciones cada uno, pero con el Big Data podríamos crear modelos específicos para subgrupos reducidos de individuos muy similares entre sí ya que tendríamos suficientes mediciones.

En definitiva, el Big Data nos permite cambiar el foco de los algoritmos y pasar de utilizar a la población general como referencia única del estado de salud, a usar al propio paciente o a un subgrupo de pacientes muy similares. Esta es la vía hacia la medicina y los cuidados de salud personalizados donde se evalúa la situación de un individuo comparándole consigo mismo en otras situaciones en lugar de con la media general de otros individuos.