Gestió Proactiva de la Informació Clínica.

Aplicacions Sanitàries del BIG DATA

Tutora: Juliana Ribera Catarina

Alumne: Josep Vidal Alaball

XIV    Edicio  Mestratge  en  Direccio  d’Institucions  Sanitaries

EXEMPLES DE BIG DATA 1. SALUT PÚBLICA Fracàs del Google amb la grip el 2009. Google Flu Trends (GFT). Només utilitzaven dades provinents de les xarxes socials, sense creuar-les amb altres dades. Això va provocar sobre estimacions importants (el doble dels resultats reals). Google va fer al menys 2 errors:

1. Només utilitzar data de les xarxes socials. Molt volum, però poca varietat (no van seguir les 3 V de Garner)

2. Assumir que correlació és igual a relació causal Google is a great source of data for Google. Twitter is a great source of data for Twitter. Facebook is a great source of data for Facebook. For everyone else, they’re just additional sources of data of varying value depending on what’s being studied. Correlation doesn’t mean causation, Twitter is still a very small sample of the U.S. population and a bunch of paranoid parents researching flu vaccines don’t portend an epidemic. Ara creuen les dades amb dades dels Centers for for Disease Control and Prevention durant la temporada gripal. Han millorat les prediccions, però encara podrien creuar dades de d’altres procedències per millorar.

Detecció precoç de brots de Dengue i Malària IBM amb les Universitats de Califòrnia i la John Hopkins volen controlar els brots de malària i dengue mitjançant l’aplicació de patrons de la malaltia, models analítics de població, informàtica i models matemàtics que prevenguin l’aparició del brots. Però a més a més de preveure l’aparició de brots de la malaltia, utilitzen grans bases de dades per veure com els canvis en la temperatura, les pluges o inclús l’acidesa del sól afecten la població dels insectes que provoquen aquestes malalties. Malària i Dengue. Si que utilitzen les 3 V de Garner (volum, velocitat i varietat) Per fer tot això IBM ha creat un Spatio Temporal Epidemiological Modeler (STEM) que és obert a tota la comunitat científica perquè l’utilitzi i hi introdueixi millores (open source). Malalties importants: Dengue present a 100 països (incloent zones dels EUA). Malària mata 1 milió de persones cada any.

2. Detecció del risc de READMISSIONS hospitalàries Hospital Mount Sinai (NYC) ha apostat per el Big Data fitxant al cap científic de Facebook. Entre altres projectes utilitzen dades clíniques per calcular el risc de readmissió abans de 90 dies. Segons el risc els pacients poden rebre diferent tractament i diferents controls, a més d’avisar a l’atenció primària dels riscos. Parlar amb deteniment de l’experiència de Carolina (US). Han implantat sistema per reduir admissions de pacients amb MPOC abans de que marxin de l’hospital utilitzant anàlisi predictiu. Posar vídeo: https://www.youtube.com/watch?v=4pigrayQygg#action=share Amb anàlisi predictiu es calcula el risc de readmissió als 30 dies i es classifiquen als pacients en 4 grups: molt alt, alt, mitja i baix risc. Els professionals revisen les variables que fan que els pacients estiguin en un grup de risc alt. Per exemple si han detectat que alguns malalts amb valors determinats d’hemoglobina tenen mes risc de patir complicacions, esperen a que l’anèmia estigui solucionada abans de donar-els-hi l’alta. Creuen que el model funciona en el 80% dels casos. La gran avantatge es que podem personalitzar a la gent a que volem tractar (amb la imatge de les persones i el %) Actualment esta implantat en 30 hospital de Carolina i 30.000 pacients han estat tingut el seu risc valorat. Diuen que han reduït les readmissions del 21% al 14%.

LIMITACIONS-PERILLS DEL BIG DATA

1. Consideracions legals. La història clínica del pacient pertany al mateix pacient. Les entitats sanitàries en tenen la custòdia però no la propietat. Podem cedir o vendre una propietat que no és nostra? Kaiser als USA demana permís als seus pacients per utilitzar les dades i el 94% donen permís. Quants de vosaltres cediríeu les vostres dades si us les demanessin?

2. Ètica. És ètic vendre les dades personals? a empreses terceres? Polèmica del VISC+

3. Confidencialitat. Dades anonimitzades, però a base d’anar creuant milions de dades

d’aquí a uns anys potser es podria arribar a saber a qui pertanyen.

4. Repercussions a la consulta. El fet de saber que les dades poden ser venudes, no pot condicionar la sinceritat dels pacients en temes que considerin delicats? I no ens pot condicionar als professionals sobre què escrivim a la història?

5. Inequitat. No tothom tindrà accés a les dades.

6. Formació. Manca de gent formada.

7. Revolució. Pèrdua llocs de treball (segona revolució industrial)

BIBLIOGRAFIA 1. 6 Big Data Analytics Use Cases for Healthcare IT [Internet]. CIO. 2013 [cited 2014 Oct 27]. Available from: http://www.cio.com/article/2386531/healthcare/healthcare-6-big-data-analytics-use-cases-for-healthcare-it.html 2. Raghupathi W, Raghupathi V. Big data analytics in healthcare: promise and potential. Health Inf Sci Syst. 2014 Feb 7;2(1):3. 3. Feldman B. Big Data in Healthcare Hype and Hope [Internet]. 2012. Available from: http://www.west-info.eu/files/big-data-in-healthcare.pdf 4. Hay SI, George DB, Moyes CL, Brownstein JS. Big Data Opportunities for Global Infectious Disease Surveillance. PLoS Med. 2013 Apr 2;10(4):e1001413. 5. Vimarlund V, Wass S. Big data, smart homes and ambient assisted living. Yearb Med Inform. 2014;9(1):143–9. 6. Humphries C. Big Medicine Takes a Dose of Big Data [Internet]. MIT Technology Review. 2013 [cited 2014 Oct 27]. Available from: http://www.technologyreview.com/news/518916/a-hospital-takes-its-own-big-data-medicine/ 7. Finding real value in big data for public health -- ScienceDaily [Internet]. Available from: http://www.sciencedaily.com/releases/2014/07/140702122432.htm 8. Harvard Medical School [Internet]. 2013 [cited 2014 Nov 3]. Available from: http://www-01.ibm.com/common/ssi/cgi-bin/ssialias?subtype=AB&infotype=PM&appname=SWGE_IM_ZN_USEN&htmlfid=IMC14685USEN&attachment=IMC14685USEN.PDF 9. How cellphones can predict where Ebola strikes next [Internet]. [cited 2014 Oct 29]. Available from: http://www.usatoday.com/story/news/world/2014/10/24/ebola-cell-phones/17830221/ 10. IBM big data platform - Bringing big data to the Enterprise [Internet]. 2014 [cited 2014 Oct 29]. Available from: http://www-01.ibm.com/software/data/bigdata/ 11. IBM uses big data to predict outbreaks of dengue fever and malaria [Internet]. VentureBeat. [cited 2014 Nov 4]. Available from: http://venturebeat.com/2013/09/29/ibm-uses-big-data-to-predict-outbreaks-of-dengue-fever-and-malaria/ 12. “IBM big data platform for healthcare.” Solutions Brief. [Internet]. 2012. Available from: http://public.dhe.ibm.com/common/ssi/ecm/en/ims14398usen/IMS14398USEN.PDF 13. In The Hospital Of The Future, Big Data Is One Of Your Doctors [Internet]. Co.Exist. [cited 2014 Nov 4]. Available from: http://www.fastcoexist.com/3022050/futurist-forum/in-the-hospital-of-the-future-big-data-is-one-of-your-doctors

14. Harris D. In the name of accuracy, Google retools its Flu Trends model [Internet]. 2014 [cited 2014 Nov 2]. Available from: https://gigaom.com/2014/10/31/in-the-name-of-accuracy-google-retools-its-flu-trends-model/ 15. jStart: “How Big Data Analytics Reduced Medicaid Re-admissions.” A jStart Case Study [Internet]. IBM; 2012. Available from: http://www-01.ibm.com/software/ebusiness/jstart/portfolio/uncMedicaidCaseStudy.pdf 16. Made in IBM Labs: Scientists Turn Data into Disease Detective to Predict Dengue Fever and Malaria Outbreaks [Internet]. 2013 [cited 2014 Oct 29]. Available from: http://www-03.ibm.com/press/uk/en/pressrelease/42103.wss 17. Predixion Readmission InsightTM QuickStart Program [Internet]. 2014 [cited 2014 Nov 10]. Available from: https://www.youtube.com/watch?v=YciNdlXdofU&feature=youtube_gdata_player 18. ¿Qué tiene que ver la venta de tus datos médicos con el tratado internacional TTIP? [Internet]. [cited 2014 Oct 29]. Available from: http://www.kaosenlared.net/component/k2/98760-%C2%BFqu%C3%A9-tiene-que-ver-la-venta-de-tus-datos-m%C3%A9dicos-con-el-tratado-internacional-ttip 19. Harris D. Repeat after me: “Google is not a proxy for big data” [Internet]. 2014 [cited 2014 Nov 2]. Available from: https://gigaom.com/2014/03/13/repeat-after-me-google-is-not-a-proxy-for-big-data/ 20. Six cases where big data can reduce healthcare costs -- ScienceDaily. 2014. 21. STEM ModelGenerator [Internet]. 2013 [cited 2014 Nov 4]. Available from: http://www.youtube.com/watch?v=MtQlS7g7Qnw&feature=youtube_gdata_player 22. Tomás JFA de. TED: Kenneth Cukier: Big data is better data [Internet]. Grupo de Nuevas Tecnologías de la SoMaMFyC. [cited 2014 Oct 27]. Available from: http://nuevastecsomamfyc.wordpress.com/2014/10/27/ted-kenneth-cukier-big-data-is-better-data/ 23. Lazer D, Kennedy R, King G, Vespignani A. The Parable of Google Flu: Traps in Big Data Analysis. Science. 2014 Mar 14;343(6176):1203–5. 24. The Role of Big Data in Healthcare: A Conversation [Internet]. 2014 [cited 2014 Oct 27]. Available from: https://www.youtube.com/watch?v=ZbZIeImZdiU&feature=youtube_gdata_player 25. Vecchione A. Using prediction to solve readmissions [Internet]. HIEWatch. 09/17/21014 [cited 2014 Nov 10]. Available from: http://www.hiewatch.com/news/using-prediction-solve-readmissions

26. VISC+: Un projecte amb moltes ombres [Internet]. Ètica a l’atenció primària: pensem-hi! [cited 2014 Oct 28]. Available from: http://ecamfic.wordpress.com/2014/10/28/visc-un-projecte-amb-moltes-ombres/ 27. Webcast: “Bringing Predictive Analytics to the Point of Care” [Internet]. 2014 [cited 2014 Nov 10]. Available from: https://www.youtube.com/watch?v=Gf-pIlB4gDY&feature=youtube_gdata_player Josep Vidal i Alaball 17 novembre, 2014