• Home
  • Química
  • Astronomía
  • Energía
  • Naturaleza
  • Biología
  • Física
  • Electrónica
  •  science >> Ciencia >  >> Otro
    El sorprendente poder de los datos pequeños:más información no es necesariamente mejor en la atención médica o en los negocios.

    Crédito:CC0 Public Domain

    Las afecciones crónicas como las enfermedades cardíacas y la diabetes han ido en aumento durante décadas. Actualmente, son la principal causa de muerte y discapacidad en los EE. UU. Y una de las razones por las que los costos de atención médica están fuera de control.

    Por lo tanto, identificar a las personas en riesgo de padecer enfermedades crónicas antes de que se enfermen tiene mucho sentido. Por lo menos, La intervención temprana a menudo puede ralentizar el ritmo de la enfermedad y mejorar la calidad de vida de los pacientes y, al hacerlo, potencialmente ahorrar miles de millones de dólares en costos médicos.

    Es por eso que muchos empleadores, alrededor del 50%, según un informe de RAND, patrocina programas de bienestar incentivados para sus trabajadores. Junto con descuentos en el gimnasio, Por lo general, estos programas incluyen una evaluación de riesgos para la salud en forma de pruebas de laboratorio que se utilizan para calcular los factores de riesgo de enfermedades comunes de cada persona. A los que están en riesgo se les ofrece atención preventiva y supervisión adicionales.

    Desafortunadamente, los beneficios esperados no siempre se materializan, dice Mohsen Bayati, un profesor asociado de operaciones, información, y tecnología en Stanford Graduate School of Business. Varios estudios han encontrado que estos programas pueden terminar costando más dinero del que ahorran. Una probable razón él dice, es que las evaluaciones de riesgo en sí mismas no son tan precisas.

    "Si identifica erróneamente a alguien como de alto riesgo (un supuesto 'falso positivo'), paga por servicios innecesarios, "Dice Bayati." Y si echas de menos a alguien que realmente está en riesgo, un falso negativo, entonces aún recibirás esas enormes facturas médicas en el futuro ".

    Una solución, él dice, sería ejecutar un panel de pruebas más elaborado. Pero eso también aumentaría el costo. "Las pruebas de laboratorio son caras. Las empresas están haciendo esto para muchos empleados, por lo que miran un conjunto bastante pequeño de biomarcadores estándar. Y luego la capacidad de detección no es muy fuerte ".

    En lugar de, Bayati dice:la clave para que estos programas preventivos funcionen es mejorar la selección de biomarcadores. ¿Pero cómo haces eso? Para decirlo de manera más rigurosa:¿Cómo se elige un conjunto mínimo de marcadores que maximice el poder de diagnóstico sobre una variedad de enfermedades?

    Ese es el rompecabezas que Bayati abordó en un artículo reciente, del que fue coautor con dos colegas de Stanford:Sonia Bhaskar, Doctor., un ex asistente de investigación de Stanford que ahora trabaja como científico de datos en Netflix, y Andrea Montanari, profesor de estadística e ingeniería eléctrica. Usando algo de jujitsu técnico del campo del aprendizaje automático, desarrollaron un método que se puede utilizar para cualquier grupo de enfermedades objetivo o nivel de presupuesto del programa.

    Cuando lo probaron en registros médicos durante unos 75, 000 pacientes, descubrieron que podía predecir un grupo de nueve enfermedades graves con una precisión inesperada. "Estabamos sorprendidos, ", Dice Bayati. En comparación con una evaluación hipotética de Cadillac-care sin límite en el número de biomarcadores, el suyo costaría mucho menos, pero tienen casi el mismo nivel de poder predictivo.

    Y tal vez haya una lección general aquí, en esta era de Big Data. "Tienes que preguntarte, "Musita Bayati." En todas las industrias, las empresas están invirtiendo recursos para recopilar cada vez más datos. Estamos poniendo sensores en todo solo porque podemos, y francamente, no es del todo necesario o útil ".

    Demasiada información

    Tradicionalmente, Las evaluaciones de riesgos para la salud se han diseñado identificando los mejores marcadores para cada enfermedad de forma aislada y agregándolos a una lista. "Los hospitales se están volviendo más sofisticados en la forma en que identifican los biomarcadores, con estadísticas avanzadas y ahora IA, "Dice Bayati." Pero todo se ha hecho con una enfermedad a la vez ".

    Potencialmente, podría construir un panel de prueba eficaz de esta manera, él dice, pero requeriría demasiados biomarcadores. Entonces, en la práctica, se hacen concesiones y la precisión disminuye. En lugar de, Bayati y sus colegas agregaron un segundo paso al análisis:"Dijimos, comencemos con esa lista completa y luego veamos si podemos simplificarla de una mejor manera para minimizar la pérdida de poder de diagnóstico ".

    Para hacer eso, se basaron en algunas técnicas de estadísticas de alta dimensión que se utilizan en el aprendizaje automático. "La pregunta fundamental es, si tienes demasiada información, ¿Cómo se puede reducir al conjunto de información más pequeño y útil? ¿Cómo se reducen las dimensiones del conjunto de datos? "

    Las matemáticas están involucradas pero básicamente la clave para resolver ese problema de "TMI" es optimizar conjuntamente la selección de biomarcadores. En lugar de buscar los mejores para cada enfermedad por separado, decidir primero cuántos biomarcadores desea (los investigadores se fijaron en 30) y luego maximizar el poder predictivo, sobre todas las combinaciones posibles, para todo el conjunto de enfermedades a la vez.

    El modelo funciona porque muchos biomarcadores señalan más de una enfermedad. Glucosa en sangre alta por ejemplo, puede ser un signo de diabetes, pero también enfermedad renal, enfermedad del higado, o enfermedad cardíaca. Los niveles anormales de fosfatasa alcalina están asociados con enfermedades cardíacas, enfermedad del higado, y cáncer. "Si su proceso de selección no tiene en cuenta estas superposiciones, estás tirando información, "Dice Bayati.

    Sin límite de objetivos

    El poder del método que describen Bayati y sus colegas es que se puede utilizar para perseguir múltiples objetivos a la vez. ¿Qué es más importante en las evaluaciones de riesgos para la salud:la precisión o el costo? Ambos, por supuesto. ¿Queremos predecir el Alzheimer o la enfermedad arterial? Si.

    "No hay límite para el número de goles, "Dice Bayati." Podrías enumerar 20, 30, 100 objetivos que desea optimizar. Y luego puede reducir la información que necesita recopilar, porque en algún momento, agregar objetivos no requiere datos adicionales ".

    Si ayuda a cumplir la promesa de los programas de bienestar corporativos, eso es muy importante para el cuidado de la salud. Pero este enfoque también se puede utilizar para mejorar una variedad de operaciones comerciales y de políticas públicas. ¿Qué es crucial? Bayati dice:es tener claros los objetivos. Las computadoras pueden hacer el análisis, pero los humanos tienen que decirles qué optimizar.

    Y ese es un paso él piensa, las empresas pasan por alto con demasiada frecuencia. "A veces parece que las empresas se apresuran a acumular datos y luego hacen preguntas. Pero más información no es necesariamente mejor. Lo que importa es saber qué mirar. Nuestro documento es un paso en esa dirección".


    © Ciencia https://es.scienceaq.com