La medicina y la salud pública están experimentando cambios profundos. La pandemia por el COVID-19 ha resaltado a necesidad crítica de que todos los países fortalezcan sus sistemas de información y, en específico, el proceso de gestión de los datos de salud. Los datos oportunos, creíbles, fiables y procesables son claves para garantizar que las decisiones políticas se basen en la mejora de calidad de vida de las personas (Azzopardi-Muscat y col, 2020). Sin embargo, la pandemia por el COVID-19 también ha puesto en evidencia, aún más, una serie de problemas relacionados con los sistemas de información en salud y la gestión de los datos.
Las principales barreras resultan de la falta de estandarización de los datos de salud, como definiciones, cálculos y formatos de los datos; retrasos en la recepción de datos; falta de integración e interoperabilidad entre los diferentes sistemas de datos e información relacionados a salud; y la falta de recursos humanos capacitados para gestionar y utilizar estos datos (Azzopardi-Muscat y col, 2020).
En realidad, todos estos problemas han coexistido durante décadas, pero solo ahora han impactado simultáneamente a todos los países y provocado una crisis mundial (Azzopardi-Muscat y col., 2020).
Hoy en día la salud digital, y las tecnologías vinculadas a la gestión de los datos vienen desempeñando un papel sin precedentes. En ese marco, existe una mayor demanda para aumentar la formación y las habilidades de los profesionales sanitarios en ciencia de datos y el uso eficiente de las tecnologías de la información y la comunicación (TIC) (Gallagher, 2015).
A pesar de las oportunidades de análisis de datos en el proceso de atención sanitaria, que pueden mejorar su efectividad y eficiencia, esta es un área que requiere un desarrollo continuo de habilidades debido a los rápidos cambios de métodos y fuentes de datos disponibles.
El uso de big data a nivel poblacional, recopilados a través de las diversas actividades que ocurren en un sistema de salud, puede permitir crear modelos que puedan predecir enfermedades, promover mejores medidas preventivas y desarrollar una atención más personalizada para los pacientes (Raghupathi y Raghupathi, 2014).
En el marco de la pandemia por el COVID-19, la combinación de datos desagregados, y de diversos conjuntos de datos (incluyendo datos demográficos, socioeconómicos, genéticos, antecedentes sociales y familiares, estilos de vida, y del medioambiente), y basados en soluciones de big data, pueden ayudar a revelar patrones y permitir una focalización precisa y priorización de decisiones y medidas de políticas sanitarias.
Nos enfrentamos a un ecosistema de datos digitalizados que requiere nuevas soluciones y habilidades para abordar adecuadamente los eventos del día a día que requieren decisiones informadas. Todas las personas deben comprender los beneficios y riesgos de compartir sus datos, y por ello son críticos los temas relacionados con la ética, la privacidad, confidencialidad y la seguridad de los datos. Además, la respuesta al COVID-19 requiere acceso y actualización oportuna de los repositorios de datos abiertos vinculados a salud (Curioso y Carrasco-Escobar, 2020).
Respondiendo a esta necesidad, la Universidad Continental (UC), a través de la Escuela de Posgrado, comenzó en enero del 2021 el Programa de Capacitación en Inteligencia de Datos para Preparación ante Pandemias y Epidemias, gracias al financiamiento recibido de parte del Fondo Nacional de Desarrollo Científico, Tecnológico y de Innovación Tecnológica (FONDECYT), una iniciativa del Consejo Nacional de Ciencia, Tecnología e Innovación Tecnológica (CONCYTEC), al ser considerada una de las propuestas educativas ganadoras de su convocatoria sobre programas de formación que den respuesta a la COVID-19.
El Programa de Capacitación en Inteligencia de Datos para Preparación ante Pandemias y Epidemias de la UC ofrece un plan de estudios que combina asignaturas e incluye talleres en el que participará una plana docente integrada por destacados especialistas nacionales e internacionales.
El programa está organizado en los siguientes módulos:
Módulo I: Conceptos básicos de epidemiología y salud pública.
Módulo II: Gestión y modelamiento de datos en salud: modelos dinámicos.
Módulo III: Sistema de información en salud.
Módulo IV: Inteligencia y visualización de datos en salud.
Módulo V: Aplicaciones de inteligencia artificial en salud. Machine Learning: identificación de patrones numéricos, textos e imágenes.
El programa se complementa con talleres prácticos relacionados a modelos epidemiológicos y machine learning con fines epidemiológicos.
En conclusión, los datos son una herramienta de vital importancia para abordar eficazmente esta pandemia, y resulta fundamental hoy más que nunca fortalecer las capacidades del recurso humano en salud con el objetivo de aportar significativamente a la mejora de los sistemas de datos y de información en salud para garantizar que todas las decisiones se basen en datos y, así, estemos mejor preparados para futuras epidemias o pandemias.
Si quieres conocer más sobre nuestros webinars, te invitamos a visitar nuestro repositorio, donde podrás acceder a todos los contenidos producidos por la Escuela de Posgrado.
- Azzopardi-Muscat, N, Kluge, H.H.P., Asma, S., Novillo-Ortiz, D. A call to strengthen data in response to COVID-19 and beyond, Journal of the American Medical Informatics Association, ocaa308. doi: 10.1093/jamia/ocaa308. Disponible en: https://academic.oup.com/jamia/advance-article/doi/10.1093/jamia/ocaa308/6020261
- Curioso, W.H. and Carrasco-Escobar, G., 2020. Collaboration in times of COVID-19: the urgent need for open-data sharing in Latin America. BMJ Health Care Informatics, 27(1):e100159. doi: 10.1136/bmjhci-2020-100159. Disponible en: https://informatics.bmj.com/content/27/1/e100159.long
- Gallagher, D., 2015. The Talent Dividend: Interactive Infographic. MIT Sloan Management. Disponible en: https://sloanreview.mit.edu/article/the-talent-dividend-interactive-infographic/
- Raghupathi, W. and Raghupathi, V., 2014. Big data analytics in healthcare: promise and potential. Health information science and systems, 2(1), p.3. Disponible en: https://link.springer.com/article/10.1186/2047-2501-2-3