Operating Room of the Future (FOR) Digital Healthcare Transformation in the Age of Artificial Intelligence
El Quirófano del Futuro (FOR), que es una infraestructura de investigación y una clínica universitaria integrada desarrollada a partir de una colaboración multidisciplinaria entre el Hospital St. Olav de Noruega y la Universidad Noruega de Ciencia y Tecnología (NTNU) e iniciativas clave relacionadas. a la tecnología de IA. El objetivo principal de estos proyectos es ayudar a los profesionales médicos a combinar su experiencia con una novedosa tecnología de inteligencia artificial para mejorar su desempeño laboral. En las siguientes secciones, presentamos nociones importantes sobre la transformación digital en la atención médica con un enfoque en la tecnología de inteligencia artificial. Luego, discutimos las estrategias y políticas desarrolladas en la UE y Noruega como parte de la transformación digital.
La transformación digital (DT) tuvo y sigue teniendo un profundo impacto en la forma en que creamos nuestra realidad social [ 10 ]. La palabra digital está omnipresente en las actividades cotidianas y está transformando la forma en que operan las organizaciones en la nueva realidad virtual [ 11 , 12 ]. Nos referimos a la transformación digital como «un proceso que tiene como objetivo mejorar una entidad provocando cambios significativos en sus propiedades a través de combinaciones de tecnologías de información, informática, comunicación y conectividad» [ 13 ]. Recientemente, DT ha desplazado su influencia de los meros aspectos técnicos de la creación de una herramienta virtual hacia la interacción entre humanos y dispositivos electrónicos, lo que requiere atención e investigación específicas para poder explotar sus oportunidades y ser conscientes de sus desafíos [1 ] . Dada la cantidad sin precedentes de tecnologías digitales e información omnipresente, las organizaciones deben comprender la forma en que se han desarrollado dichas tecnologías, la forma en que se implementan en las organizaciones y con qué consecuencias para la gestión [ 14 ].
Varios ejemplos muestran cómo las tecnologías digitales están transformando múltiples industrias. Por ejemplo, las telecomunicaciones se centraron en plataformas de sistemas operativos como Android e iOS y en el desarrollo de aplicaciones móviles para ganar valor y mantener su propia posición en el mercado [ 15 , 16 ]. Otro ejemplo se refiere a dinámicas dentro de la industria de viajes que tomaron otro camino con la llegada de plataformas digitales peer-to-peer como Airbnb, TripAdvisor, Booking.com y otras, que trasladaron el poder de control de los proveedores hacia los clientes finales. durante el proceso previo y posterior a la adquisición [ 11 , 17 ]. De hecho, la evaluación de los clientes adquirió no sólo impactos sociales sino también económicos en muchas empresas de diversos sectores, actuando como un boca a boca electrónico siempre disponible en línea [ 18 ]. Por lo tanto, las plataformas digitales están cambiando la forma en que las personas interactúan [ 19 ], y las nuevas plataformas de pago están reconfigurando los métodos de pago haciéndolos disponibles en cualquier momento y lugar. Otro ejemplo se refiere a la industria de la salud, que por definición es una industria intensiva en conocimiento e información y está avanzando al brindar información médica disponible a través de registros médicos electrónicos [ 20 , 21 ], aplicaciones de salud móviles [ 22 ] y más en general con plataformas de intercambio de información sanitaria (HIE) [ 20 , 23 ].
La implementación de tecnologías digitales en la atención sanitaria ofrece nuevas oportunidades para mejorar la calidad de los servicios sanitarios y reducir los costes mediante el procesamiento de datos y el intercambio inteligente de información [ 10 , 20 , 24 ]. Las tecnologías digitales son particularmente beneficiosas para mejorar los procesos internos y externos de los centros de salud y para gestionar una gran cantidad de información médica [ 25 , 26 ]. Por lo tanto, la generación, almacenamiento y procesamiento de información digital es el elemento vital de la transformación digital. Esto permite explotar diferentes ventajas de la distribución intra e interorganizacional de recursos limitados con una perspectiva centrada en el paciente [ 27 ], para facilitar las interacciones entre múltiples actores de la atención médica y optimizar los procesos internos [ 10 , 23 ].
La transformación digital en salud no involucra sólo a unos pocos países, sino que tiene una magnitud internacional o mejor dicho global. Por ejemplo, la Unión Europea desarrolló una iniciativa de innovación en salud y atención digitales en el contexto de la Estrategia del Mercado Único Digital 2021-2027.Nota1 para mejorar la interoperabilidad de los sistemas sanitarios, su calidad y acceso en todos los países europeos. Estrategia de salud de Nueva Zelanda 2017-2027Nota2 definió los cuatro componentes centrales que guiarán las inversiones digitales estratégicas para los próximos años. Estrategia australiana de salud digitalNota3 describió siete prioridades estratégicas para fomentar un sistema centrado en el paciente y brindar opciones, control y transparencia. La política a nivel global proporciona inversiones financieras para fomentar la transformación digital en la atención sanitaria. Entre las iniciativas globales, los registros sanitarios electrónicos (EHR) y, más en general, el desarrollo de plataformas sanitarias desempeñaron un papel estratégico [ 28 ]. Su objetivo principal es almacenar información médica digital a lo largo del tiempo y compartirla con actores sanitarios autorizados [ 29 ]. Se implementan como vehículos para mejorar la comunicación entre actores y aumentar la coordinación con altos niveles de confiabilidad. Su implementación es valiosa también para fines administrativos y transacciones de pacientes, ya que contienen información personal de los pacientes y están disponibles en el tiempo y el espacio [ 30 ]. EHR tiene la posibilidad de combinar datos clínicos y financieros para contener los costos y mejorar la calidad de la atención, lo que también cuenta con el respaldo de iniciativas políticas para apoyar la transformación digital de la atención médica.
3 Tecnología de inteligencia artificial como parte de la transformación digital en la atención sanitaria
Están surgiendo nuevas iniciativas bajo el paraguas de la transformación digital en la atención médica, como la inteligencia artificial (IA) y el análisis médico, para desarrollar conocimientos mejores y más profundos más allá de las capacidades de los expertos humanos mediante la entrega de conocimientos granulares y microdirigidos [ 31 ]. La IA se utiliza ampliamente para limpiar y analizar datos estructurados y no estructurados de múltiples fuentes. Dado que los analistas de datos dedican la mayor parte de su tiempo a limpiar y organizar datos, la IA se ha utilizado ampliamente para acelerar este proceso y, al mismo tiempo, ahorrar tiempo y hacerlo más eficiente [ 32 ]. La IA puede generar conocimientos de forma autónoma para tomar acciones basadas en información extraída de conjuntos de datos para alcanzar un conjunto de objetivos. Nos referimos a la IA como «la capacidad de un sistema para identificar, interpretar, hacer inferencias y aprender de los datos para lograr objetivos organizacionales y sociales predeterminados» [ 33 ].
De acuerdo con esta definición, la inteligencia artificial se ha utilizado cada vez más para analizar grandes cantidades de información médica recopilada a través de dispositivos digitalizados de múltiples fuentes en unidades de atención médica para ofrecer beneficios operativos, organizativos, administrativos y estratégicos de infraestructura de TI [ 34 , 35 ] y para permitir el cambio hacia una atención basada en valores sobre el volumen [ 36 ], mientras que el término «análisis médico» se refiere al análisis descriptivo e interpretativo de datos digitalizados con métodos estadísticos avanzados, minería de datos y aprendizaje automático para la resolución de problemas y algorítmicos (apoyando o conducción) toma de decisiones [ 37 ]. Los análisis tienen el potencial de dar sentido a la información creada por personas definidas también como «generadores de datos ambulantes» [ 38 ]. Son prometedores por su capacidad para recopilar no solo datos estructurados sino también no estructurados para identificar conexiones y patrones en vastos conjuntos de datos [ 39 ], rastrear y perfilar comportamientos detallados de los pacientes [ 40 ] y hacer predicciones basadas en algoritmos [ 41] . ].
Estudios anteriores investigaron este fenómeno centrándose en su dualidad inherente. Por un lado, los análisis avanzados han sido eficaces para aumentar la competitividad de las empresas [ 42 ], haciendo mejores predicciones y decisiones más informadas [ 43 ]. Por otro lado, han sido criticados por violación de la privacidad, ya que distorsionan la relación de poder sobre la información personal [ 44 ], explotan a individuos con fines de recopilación de datos [ 45 ], comparten información con otras organizaciones más allá de los propósitos de los consentimientos otorgados por los individuos [ 46 ], y restringir sus opciones a través de algoritmos para elaborar perfiles de individuos [ 47 ]. A pesar de los beneficios prometedores, la agregación y el uso de la información extraída de grandes conjuntos de datos desafían las normas sociales y éticas aceptadas [ 40 ]. Específicamente, las preocupaciones éticas surgen de la sensibilidad de los datos y de las oportunidades ilimitadas y desconocidas que pueden surgir de patrones y conexiones identificados en vastos conjuntos de datos, que podrían limitar u oscurecer totalmente estos beneficios prometidos [ 48 ].
Las preocupaciones éticas se volvieron aún más generalizadas porque los procesos sociales, las transacciones comerciales y las decisiones gubernamentales se delegan cada vez más a análisis avanzados como algoritmos, aprendizaje automático, aprendizaje profundo y análisis de big data [ 49 ]. La promesa de dar sentido a la información recopilada en grandes conjuntos de datos también va acompañada de la discriminación contra grupos desfavorecidos, la incertidumbre sobre cómo y por qué se han logrado decisiones basadas en algoritmos (explicabilidad), qué reglas se han aplicado y a qué información específica en el sistema. Los conjuntos de datos como análisis tienen la capacidad de modificar parámetros y reglas operativas. Por lo tanto, surgieron más desafíos y preocupaciones éticas con la complejidad de los análisis y su interacción con los resultados de otros [ 49 ]. Los autores desarrollaron un mapa para un diagnóstico riguroso de las preocupaciones éticas que surgieron con algoritmos. Discutieron tres tipos epistémicos de preocupaciones éticas que se refieren a la calidad de la evidencia proporcionada por los algoritmos y dos tipos normativos de preocupaciones éticas, que se refieren a la “justicia” de las acciones tomadas con base en los resultados de los algoritmos y sus efectos. Este marco se utilizó para realizar una síntesis de la literatura anterior y proporcionar una agenda de investigación para futuros estudios para desarrollar una IA responsable para la salud digital [ 50 ].
Además, la tecnología de IA a menudo proporciona resultados significativamente diferentes de los elaborados por los expertos, el llamado problema de opacidad de la IA [ 51 ]. En estas circunstancias, cuando los expertos intentan comparar el razonamiento detrás de sus resultados con la lógica y los procedimientos seguidos por los algoritmos, resulta difícil o casi imposible no sólo para los expertos sino también para los desarrolladores de algoritmos debido al problema de la caja negra. Un estudio reciente destacó la cuestión de entrenar y evaluar algoritmos solo en aspectos de conocimiento, mientras que los expertos utilizan prácticas ricas en conocimiento en su trabajo diario [ 9 ]. Aunque se captura digitalmente más información que puede contribuir a tomar decisiones más informadas y basadas en evidencia, al mismo tiempo, los algoritmos pueden reducir la transparencia de los resultados, ya que proporcionan resultados de caja negra. Por un lado, la IA conlleva la promesa de una mayor objetividad y justicia al mitigar los prejuicios humanos. Por otro lado, la IA plantea importantes desafíos éticos relacionados con la calidad de la evidencia proporcionada que puede no ser concluyente, inescrutable o equivocada, lo que lleva a resultados injustos y efectos transformadores inesperados [ 50 ]. Por ejemplo, la introducción de algoritmos de contratación en las organizaciones da forma a la noción de equidad de diferentes maneras, confirmándola y cuestionándola en diferentes fases de implementación [ 4 ].
Los análisis médicos se caracterizan por características únicas, como la capacidad de agregar, procesar y analizar enormes volúmenes de información médica para transformarla en información procesable [ 52 ]. Para materializar esta característica en el contexto de la atención sanitaria, es necesaria una comprensión profunda de la gestión del ciclo de vida de la información (ILM). Entre las diversas definiciones de capacidad analítica, nuestro estudio adopta la perspectiva ofrecida por Wang y Hajli [ 52 ], que la definieron como «la capacidad de adquirir, almacenar, procesar y analizar grandes cantidades de datos de salud en diversas formas y entregar información significativa». a los usuarios, lo que les permite descubrir valores e ideas de negocio de manera oportuna” (p. 290). En consecuencia, la analítica se utiliza cada vez más en el proceso de creación de conocimiento mediante la recopilación, elaboración y visualización de información valiosa para la toma de decisiones [ 51 ]. Hay varias categorías de análisis médicos [ 35 , 52 ] en la atención sanitaria (Tabla 1 ).
Tabla 1 Capacidades de inteligencia artificial (adaptado de Wang et al. [ 35 ] y Wang & Hajli [ 52 ])
| Capacidades de análisis | Explicación | Referencias | |
|---|---|---|---|
| Wang y Hajli [ 52 ] | Capacidad descriptiva | La capacidad descriptiva describe datos recopilados en formularios digitales, resume datos históricos e identifica patrones y significados. Esto es útil para comprender los comportamientos pasados de los pacientes en función de los datos recopilados en las bases de datos de HCE. Proporciona funciones de optimización, escalabilidad y procesamiento paralelo de alta velocidad para responder a la pregunta: ¿qué pasó en el pasado? | Cohen y cols. [ 53 ]; Galetsi y Katsaliaki [ 34 ]; Garattini et al. [ 54 ]; Gray y Thorpe [ 55 ]; Maher et al. [ 56 ]; Mittelstadt et al. [ 57 ]; Morley et al. [ 58 ] |
| Capacidad predictiva | La capacidad predictiva es el proceso de utilizar un conjunto de herramientas estadísticas sofisticadas para desarrollar modelos y estimaciones para pronosticar el futuro de una variable específica, basándose en la estimación de probabilidad. Ayuda a identificar causalidades, patrones y relaciones ocultas entre las variables objetivo para predicciones futuras. Utiliza técnicas como reglas de negocio, algoritmos, aprendizaje automático y procedimientos de modelado computacional para proporcionar respuestas potenciales a la pregunta: ¿qué ocurrirá en el futuro? | Cohen y cols. [ 53 ]; Floridi et al. [ 48 ]; Galetsi y Katsaliaki [ 34 ]; Henriksen y Bechmann [ 41 ]; Mittelstadt [ 59 ]; Mittelstadt et al. [ 57 ]; Mittelstadt y Floridi [ 40 ]; Morley et al. [ 58 ]; Wang y cols. [ 35 ] | |
| Capacidad prescriptiva | La capacidad prescriptiva permite a los usuarios mejorar automáticamente la precisión de la predicción al incorporar nuevos conjuntos de datos para desarrollar decisiones más exhaustivas con respecto a los diagnósticos y tratamientos. Con una combinación de datos de pacientes estructurados y no estructurados y reglas comerciales, ofrece posibles soluciones óptimas o posibles cursos de acción para ayudar a los usuarios a responder a la pregunta: ¿qué hacer en el futuro? | Galetsi y Katsaliaki [ 34 ]; Mittelstadt et al. [ 57 ] | |
| Wang y cols. [ 35 ] | Capacidad analítica de patrones de atención. | La capacidad analítica procesa registros sanitarios masivos (datos estructurados recopilados dentro de las unidades de atención sanitaria) para identificar patrones de atención y descubrir asociaciones. Permite a las organizaciones de atención médica procesar en paralelo grandes volúmenes de datos, manipular datos en tiempo real o casi en tiempo real y capturar todos los datos visuales o registros médicos de todos los pacientes. | Cohen y cols. [ 53 ]; Galetsi y Katsaliaki [ 34 ]; Garattini et al. [ 54 ]; Gray y Thorpe [ 55 ]; Henriksen y Bechmann [ 41 ]; Mittelstadt y Floridi [ 40 ]; Morley et al. [ 58 ]; Wang y cols. [ 35 ] |
| Capacidad analítica de datos no estructurados | La capacidad analítica de datos no estructurados procesa datos masivos de atención médica (datos no estructurados y semiestructurados recopilados en múltiples unidades de atención médica, por lo que no encajan en modelos de datos predefinidos) para identificar patrones de atención desapercibidos. Estos datos se almacenan desde múltiples fuentes en múltiples formatos en tiempo real (por ejemplo, EHR basados en XML, imágenes clínicas, expedientes médicos, resultados de laboratorio). Estos datos se almacenan en bases de datos NoSQL y se hacen visualmente accesibles para facilitar la toma de decisiones. | Varlamov et al. [ 60 ]; Wang y cols. [ 35 ] | |
| Capacidad de apoyo a la toma de decisiones | La capacidad de soporte de decisiones produce informes sobre los servicios de atención médica diarios para ayudar a las decisiones y acciones de los gerentes. Comparte información y conocimientos, como informes históricos, resúmenes ejecutivos, consultas de desglose, análisis estadísticos y comparaciones de series temporales. Proporciona una visión integral para la medicina basada en evidencia, para detectar advertencias avanzadas para la vigilancia de enfermedades y para desarrollar una atención personalizada al paciente. | Astromskė et al. [ 61 ]; Galetsi y Katsaliaki [ 34 ]; Gray y Thorpe [ 55 ]; Henriksen y Bechmann [ 41 ]; Kaplan [ 62 ]; Martín [ 63 ]; Mittelstadt [ 59 ]; Mittelstadt et al. [ 49 ]; Morley et al. [ 58 ]; Wang y cols. [ 35 ]; lana [ 64 ] | |
| Trazabilidad | La trazabilidad rastrea los datos de salida de los componentes de TI del sistema en todas las unidades de servicio de la organización. Ejemplos de datos relacionados con la atención médica son datos de costos, datos clínicos, datos de I+D farmacéuticos, comportamiento del paciente y datos de sentimiento de pagadores, servicios de atención médica, compañías farmacéuticas, consumidores y partes interesadas ajenas a la atención médica. Facilita el seguimiento de la relación entre las necesidades de los pacientes y las posibles soluciones mediante el seguimiento de los conjuntos de datos proporcionados por los distintos servicios o dispositivos sanitarios. | Galetsi y Katsaliaki [ 34 ]; Morley et al. [ 32 , 58 ]; Wang y cols. [ 35 ] |
La capacidad descriptiva se refiere al resumen de datos históricos en formatos digitales, donde un procesamiento paralelo de alta velocidad ayuda a comprender mejor lo que sucedió en el pasado. Aunque la capacidad utilizada para sintetizar rápidamente grandes cantidades de datos de salud para comparar intervenciones médicas en entornos de atención permite a los actores de la atención mejorar la calidad de los servicios de atención al brindar atención centrada en el paciente, pocos estudios analizan el análisis descriptivo [ 55 ]. Una revisión reciente destacó la importancia de recopilar y analizar datos con métodos analíticos para describir situaciones específicas de pacientes específicos, para comprender lo que les sucedió a través de la categorización del conocimiento a partir de vastos conjuntos de datos [ 34 ]. Las técnicas de elaboración de perfiles y clasificación de individuos en grupos en función de cualquier característica determinada para respaldar intervenciones realistas de salud pública son técnicas ampliamente utilizadas para hacer recomendaciones procesables e interpretables [ 54 ]. A partir de la categorización de esta información, se calculan pequeños patrones o correlaciones, que crearon grupos de grupos según su comportamiento, preferencias y otras características [ 53 , 56 ].
La capacidad predictiva se basa en un conjunto de herramientas estadísticas sofisticadas para desarrollar modelos y estimaciones para pronosticar el futuro de una variable específica, lo que ayuda a comprender lo que sucederá en el futuro. El uso de análisis avanzados para predecir patrones futuros de comportamiento de atención fue la capacidad más popular en la atención médica porque las predicciones en la atención médica parecen considerarse más valiosas que la explicación, ya que los resultados de los algoritmos se miden en vidas [ 34 , 39 , 65 , 66 ]. Por ejemplo, un algoritmo puede calcular las preferencias y objetivos terapéuticos individuales de los pacientes, la dotación de personal del hospital (incluida la experiencia y el desempeño de los miembros del personal), las limitaciones de recursos y las condiciones externas, como si otros hospitales están desviando a los pacientes al departamento de emergencias en el caso de una emergencia. desastre [ 53 ]. Los algoritmos que hacen predicciones y sugieren decisiones basadas en probabilidades se consideraron una aplicación ideal porque el algoritmo controlado por IA predice la trayectoria de admisión significativamente mejor que los médicos, que tienen una tasa de error promedio de alrededor del 30% [41 ] . También se utilizaron intensamente para hacer recomendaciones de tratamiento para mejorar los resultados de salud generales en una población. Sin embargo, estas recomendaciones pueden entrar en conflicto con las obligaciones éticas de los médicos de actuar en el mejor interés de cada paciente [ 53 ].
La capacidad prescriptiva permite a los usuarios mejorar automáticamente la precisión de la predicción al incorporar nuevos conjuntos de datos para desarrollar decisiones más exhaustivas con respecto a los diagnósticos y tratamientos. A continuación, Wang et al. [ 35 ] identificaron categorías adicionales, que son más avanzadas y sofisticadas. La capacidad analítica procesa registros sanitarios masivos (datos estructurados recopilados dentro de las unidades de atención sanitaria) para identificar patrones de atención y descubrir asociaciones. Permite a las organizaciones de atención médica procesar en paralelo grandes volúmenes de datos, manipular datos en tiempo real o casi en tiempo real y capturar todos los datos visuales o registros médicos de todos los pacientes. La capacidad analítica de datos no estructurados procesa datos masivos de atención médica (datos no estructurados y semiestructurados recopilados en múltiples unidades de atención médica, por lo que no encajan en modelos de datos predefinidos) para identificar patrones de atención desapercibidos.
La capacidad de toma de decisiones comparte información y conocimientos, como informes históricos, resúmenes ejecutivos, consultas de desglose, análisis estadísticos y comparaciones de series temporales. Proporciona una visión integral de la medicina basada en evidencia, para detectar advertencias avanzadas para la vigilancia de enfermedades y para desarrollar una atención personalizada al paciente. Los sistemas de inteligencia artificial se usaban comúnmente para recopilar datos estructurados y no estructurados para ayudar automáticamente a la toma de decisiones médicas basadas en las recomendaciones realizadas mediante el reconocimiento de patrones [ 3 , 32 , 53 , 59 ]. Uno de los principales beneficios se refería a la posibilidad de comparar datos de múltiples fuentes e identificar posibles soluciones visibles en forma de árboles. La IA se utilizó intensivamente para crear un conocimiento más profundo e identificar las lógicas subyacentes al modelado predictivo de IA [ 54 ]. Los nuevos conocimientos extraídos de datos relacionados con la salud fueron extremadamente útiles para detectar una enfermedad y decidir el tratamiento a seguir [ 67 ]. Por tanto, el proceso de toma de decisiones se delegó parcialmente a la analítica avanzada. Esta delegación se ha traducido también en el diseño de algoritmos al inscribir a los desarrolladores en la visión de quién será responsable de los errores a través del grado de integración social y reflexión permitido en el uso [ 68 ]. La capacidad de toma de decisiones se combina con la «capacidad de presentación de informes» para organizar los datos recopilados de manera fácilmente comprensible, como describir la información contenida en los conjuntos de datos para fines específicos [ 34 ].
La capacidad de vigilancia ofrece la oportunidad de investigar y monitorear acciones pasadas con base en la información recopilada indirectamente, como la hora, el actor de atención que realizó esa acción, las notas tomadas en bases de datos y la información consultada en base a cuentas específicas y otros. Por ejemplo, los pacientes ahora tienen la posibilidad de poseer información de salud en cualquier momento y tomar decisiones en la vida cotidiana relacionadas con la atención médica, la prevención de enfermedades y la promoción de la salud [ 69 ]. Aunque no poseen la experiencia para que el médico interprete la información recibida de las visitas médicas anteriores y no pueden realizar un autodiagnóstico, el paciente está capacitado para conocer la información recopilada, lo que requiere una mayor participación del paciente y también cierta alfabetización digital y sanitaria. . Los pacientes ya no son considerados receptores pasivos de los servicios sanitarios. Este aspecto ya estaba inscrito en el diseño de análisis para una mayor transparencia para poder realizar esas acciones [ 58 , 67 ] como lo reconocen también los responsables políticos [ 64 ]. A partir de estos datos indirectos, también fue posible comprender la suposición de las acciones realizadas, lo que podría ayudar a la trazabilidad.
La capacidad de corregir errores ofrece la oportunidad de ajustar los resultados erróneos de los algoritmos que contribuyeron a una decisión mayor [ 68 ]. Los resultados de los análisis avanzados eran propensos a errores, como se analizará en la siguiente sección. Por tanto, dicha capacidad será extremadamente beneficiosa para corregir los resultados proporcionados por los algoritmos. Aumentará la conciencia sobre los posibles errores creados por los sistemas de IA, que estarán entrenados para detectar dichos errores para corregirlos o tenerlos en cuenta a la hora de tomar la decisión. Por lo tanto, los diseñadores necesitarán desarrollar la capacidad de cuestionar los resultados proporcionados por las herramientas de IA, y esto se puede lograr analizando el proceso seguido por la IA y extrayendo información significativa para futuras reflexiones. Por último, la trazabilidad rastrea los datos de salida de los componentes de TI del sistema en todas las unidades de servicio de la organización. Ejemplos de datos relacionados con la atención médica son datos de costos, datos clínicos, datos de I+D farmacéuticos, comportamiento del paciente y datos de sentimiento de pagadores, servicios de atención médica, compañías farmacéuticas, consumidores y partes interesadas ajenas a la atención médica.
La inteligencia artificial y el análisis médico tienen el potencial de generar múltiples beneficios, pero al mismo tiempo, van acompañados de importantes desafíos éticos [ 50 , 70 ] ya que los «generadores de datos ambulantes» (individuos) a menudo desconocen cómo se utilizan sus datos. , para qué fines y por quién [ 37 ]. Por lo tanto, el uso cada vez mayor de big data que contiene información personal y sensible y la creciente dependencia de algoritmos para dar sentido a estos datos e identificar patrones de comportamiento plantean preocupaciones sobre la equidad, la responsabilidad y los derechos humanos [ 70 ]. Los académicos desviaron su atención de los medios tecnológicos hacia el contenido (información) creado por estas tecnologías, que se compone de diferentes dimensiones morales. La información se utiliza cada vez más como evidencia para tomar decisiones y elegir, cuyos resultados exigen enfoques éticos para abordar la creación, el intercambio, el almacenamiento, el uso y la protección de la información. Sin embargo, la ética se refiere primero a la recopilación, agregación, uso y análisis de grandes conjuntos de datos y luego a la información, creando así un cambio semántico [ 40 ].
4 Transformación de la atención sanitaria digital en Europa y Noruega
Para apreciar la transformación digital en la atención médica, es útil comprender iniciativas más amplias desarrolladas por la Unión Europea (UE) y Noruega que están comprometidas con políticas y acciones para brindar servicios digitales de alta calidad. El objetivo final es empoderar a los ciudadanos para construir una sociedad más saludable y ofrecer servicios de salud centrados en los ciudadanos. La máxima aspiración es ayudar a los ciudadanos a cuidar su salud y prevenir futuras enfermedades. De hecho, una de las soluciones más deseables para reducir los costos de atención es prevenir cualquier tipo de enfermedad. Esto significa educar a los ciudadanos para que desarrollen estilos de vida saludables y eviten malos comportamientos en el presente, que podrían conducir a posibles enfermedades en el futuro. Si el objetivo de empoderar a los ciudadanos para la prevención no logra los resultados deseados, los ciudadanos recibirán servicios de salud innovadores para responder a su demanda de salud siguiendo un enfoque centrado en el ciudadano .
La Unión Europea se centra en tres prioridades.Nota4 El primero es proporcionar a los ciudadanos un acceso seguro a datos personales de salud a través de las fronteras de la UE; el segundo se refiere a la implementación de la medicina personalizada a través de una infraestructura de datos europea compartida, mientras que el tercero se centra en aumentar el empoderamiento de los ciudadanos para alentar a las personas a cuidar su salud y estimular las interacciones entre los pacientes y los proveedores de atención. El objetivo es volverse más resilientes, accesibles y eficaces a la hora de ofrecer una atención de calidad a los ciudadanos europeos.Nota5 La implementación de nuevas tecnologías tiene como objetivo fomentar cambios organizacionales en diferentes departamentos y actividades laborales alternativas. Las herramientas digitales se crean, distribuyen y utilizan conjuntamente involucrando directamente a los usuarios finales y fomentando conscientemente un entorno altamente colaborativo. De hecho, la contribución de los pacientes y de otros actores activos representa la piedra angular de un ecosistema sanitario digital interactivo. Un estado continuo de evolución y una contribución constante de los usuarios finales crean cambios inesperados que pueden permitir nuevos patrones de comunicación e interacción.
La transformación digital de la atención sanitaria puede fomentar la transición hacia nuevos modelos de atención centrados en las necesidades de los pacientes. La contribución de los pacientes representa una piedra angular para la creación de servicios útiles y utilizables para las actividades cotidianas y, al mismo tiempo, acaba enriqueciendo la construcción de un nuevo ecosistema digital sanitario. La innovación radica en la integración de diferentes necesidades de todas las categorías involucradas en un espacio abierto para el diálogo, la escucha, la cocreación y la negociación de propuestas de soluciones innovadoras comunes [ 30 ]. El objetivo es ofrecer servicios de salud digitales personalizados y dar acceso a información médica desmaterializada, gestionar información médica personal, monitorear el proceso de atención médica continua personal, estar al tanto del proceso de atención médica, comprender cómo funciona el sistema de salud (transparencia). , y ser responsable de la gestión de los datos médicos personales (empoderamiento y sensibilización del paciente).
El sistema de atención centrado en el paciente puede verse como una asociación entre cuidadores y destinatarios de la atención para diagnosticar y prescribir un tratamiento adecuado. Seis aspectos son fundamentales para definir este concepto, que son la toma de decisiones compartida, el apoyo psicosocial, el acceso a la información, el acceso a la atención, la coordinación de la atención y la autogestión [ 71 ]. Con el uso de las nuevas tecnologías digitales emerge un nuevo paradigma sanitario, que transforma la prestación de servicios sanitarios para acercarlos al paciente guiado por las siguientes estrategias. (1) La eficiencia tiene como objetivo reducir los costes sanitarios evitando intervenciones diagnósticas innecesarias y aumentando la comunicación entre las instituciones sanitarias y el paciente. Al mismo tiempo, se compromete a garantizar la calidad de los servicios de salud mediante comparaciones entre diferentes proveedores para mejorar la calidad entregada (2). Fomentar el empoderamiento de los pacientes (3) haciendo accesibles los datos personales, la historia clínica, el diagnóstico y el tratamiento a través de plataformas digitales y haciendo más responsable el proceso de información asistencial. Aumentar la calidad de la relación médico-paciente para facilitar la toma de decisiones compartida es una consecuencia directa del empoderamiento del paciente [ 27 ]. La transformación digital del sector sanitario aumenta la probabilidad de mantener y mejorar aún más estas estrategias. La calidad de la atención sanitaria no es sólo una preocupación médica, sino también el proceso para alcanzar resultados de atención excepcionales, que es una de las principales prioridades del sistema sanitario noruego.
Noruega es uno de los países más innovadores y tecnológicos y está constantemente comprometido con la transformación del sistema de salud y bienestar con nuevas herramientas, servicios o tecnologías. Las iniciativas clave se refieren al desarrollo de registros médicos electrónicos (EHR), recetas electrónicas y algoritmos. Ellingsen y Monteiro [ 72 ] proporcionaron una perspectiva cronológica de la EHR de la siguiente manera. A mediados de la década de 1980, un grupo de técnicos de laboratorio de un hospital central destacaron la necesidad de crear un sistema que respaldara los procesos de trabajo internos compartiendo los archivos necesarios para realizar las tareas diarias. Durante los siguientes 10 años, este grupo y otros hospitales continuaron desarrollando una red de computadoras y otras características importantes como escribir documentos clínicos de cada paciente y compartirlos con la red. En 1997 se creó una sociedad anónima para seguir la implementación del nuevo sistema en hospitales más pequeños. Aumentó el número de usuarios y hospitales que se adhirieron a esta iniciativa, se han contratado más empleados y nuevos desafíos minaron la coordinación interna. En 2002, el sistema de salud noruego creó autoridades sanitarias regionales, que se encargaban de gestionar la adquisición de nuevos sistemas en los hospitales mediante licitaciones públicas. Esto desencadenó nuevas necesidades para distintos tipos de usuarios a nivel regional, las cuales eran difíciles de satisfacer. Dichos cambios llevaron a rediseñar el proceso del software de HCE y a redefinir el contenido de la HCE de forma dinámica. Para trabajar en nuevas actividades se utilizó un enfoque de gestión de proyectos, que se utilizó cada vez más en los años siguientes.
El proceso de transformación del sistema sanitario continuó durante el año 2000 con el plan eNorway,Nota6 , que permitió a los pacientes comunicarse con sus médicos y el hospital a través de plataformas digitales como el historial médico electrónico (EHR). Esto dio a los ciudadanos la libertad de elegir al médico de familia en línea, recibir resultados médicos del hospital en línea y tener acceso a sus propios datos médicos con referencias y registros médicos en cualquier momento. El plan eNorway ofrecía soluciones de telemedicina mediante la implementación de banda ancha en hospitales y servicios primarios de salud. Fue un servicio esencial durante la pandemia de COVID-19. El sistema público de salud brinda consultas de telesalud desde la década de 1990; por lo tanto, podría confiar en la experiencia previa para mejorar aún más esta tecnología y compartir imágenes médicas de alta calidad para ayudar a realizar diagnósticos.
A partir de 2022, Noruega planea implementar un nuevo EHR unificado, llamado EPIC, el programa regional de Plataforma de Salud [ 73 ]. El nuevo sistema se adquirió mediante un proceso de licitación y con el fin de unificar los distintos sistemas de registros de pacientes que se utilizan actualmente en las organizaciones de atención médica. El objetivo es reducir la fragmentación de la información y facilitar la coordinación intersectorial. EPIC se implementará primero en el municipio de Trondheim y luego en otros municipios del centro de Noruega. Es importante señalar que los consultorios de los médicos de cabecera son un negocio privado y tienen la posibilidad de decidir si implementarlo o no.
Las recetas electrónicas son otra iniciativa clave de la transformación digital en el sector sanitario en Noruega, que comenzó a adoptarse ampliamente a partir de 2011 [ 74 ]. Las recetas digitales tienen como objetivo apoyar a los médicos generales en la actividad de recetar medicamentos a sus pacientes o realizar visitas médicas a hospitales u otras organizaciones sanitarias. Los primeros borradores de las recetas se desarrollaron desde la década de 1990; sin embargo, los resultados fueron desalentadores. Sólo en 2011 un despliegue a gran escala logró resultados positivos. Hasta 2013, las recetas electrónicas se implementaron en los consultorios y farmacias de los médicos generales (GP) de todos los municipios.Nota7
El sistema sanitario noruego ha sido un modelo para otros países del mundo y está desarrollando nuevos modelos de atención sanitaria basados en datos digitales y tecnologías avanzadas para avanzar hacia un enfoque más preventivo presentado en The Nordic Health 2030.Nota8 En consonancia con esto, Noruega desarrolló una estrategia nacional para la inteligencia artificial con el fin de crear una buena base para que la IA mejore la capacidad de innovación en múltiples sectores, como el de la salud.Nota9 Otra forma de desencadenar la transformación de la atención sanitaria digital en Noruega es mediante la construcción de quirófanos que utilicen las tecnologías más avanzadas para respaldar el trabajo médico en tiempos críticos. En la siguiente sección presentamos el caso del Quirófano del Futuro (FOR) en Trondheim, Noruega.
5 ¿Cuál es el quirófano del futuro?
El Quirófano del Futuro (FOR) es una infraestructura de investigación y una clínica universitaria integrada desarrollada a partir de una colaboración multidisciplinaria entre el Hospital St. Olav de Noruega,Nota10 la Universidad Noruega de Ciencia y Tecnología (NTNU),Nota11 y el instituto de investigación independiente y sin fines de lucro SINTEF.Nota12 Las tres entidades desarrollaron las bases de la infraestructura en términos de propuestas de financiamiento, contenido científico, logística y otros entre 2003 y 2005. Del 2006 al 2012 se han desarrollado dos quirófanos para cirugía laparoscópica y enfermedades vasculares cercanos al quirófano existente.
Se equipó una sala de conferencias interactiva con transmisión HD para observar los procedimientos operativos y comunicarse directamente a través de canales dedicados de audio y video. Desde 2013 hasta la actualidad se han desarrollado nuevos quirófanos dentro de disciplinas quirúrgicas como neurocirugía, gastrointestinal, otorrinolaringología (ENT), ortopedia y ginecología (Fig. 1 ). FOR es ahora un departamento dependiente del director de investigación y desarrollo del hospital St. Olav y del Departamento de Circulación e Imágenes Médicas de la Facultad de Medicina de NTNU.
Diversas partes interesadas, como médicos, candidatos a doctorado, tecnólogos, científicos y la industria, llevan a cabo investigaciones de vanguardia en estos seis quirófanos. Son «laboratorios» únicos para desarrollar, probar e implementar nuevas tecnologías y nuevas modalidades de tratamiento con un enfoque en el tratamiento de pacientes y la tecnología médica mínimamente invasivos guiados por imágenes [ 75 ]. Este campo de investigación y desarrollo investiga la mayoría de los equipos médicos modernos, como la inteligencia artificial (IA), el aprendizaje automático (ML), el aprendizaje profundo (DL), las redes neuronales y la integración de herramientas de visualización avanzadas, brazos robóticos y otros. Los seis quirófanos FOR se han convertido en una importante plataforma de investigación clínica para terapias mínimamente invasivas y para el desarrollo de tecnología médica. El objetivo general es mejorar la atención al paciente, desarrollar una logística más eficiente y una mejor arquitectura de los departamentos operativos. El Consejo de Investigación de Noruega apoyó financieramente el desarrollo de FOR; forma parte de la infraestructura de investigación nacional NorMIT (centro noruego de terapias guiadas por imágenes mínimamente invasivas y tecnologías médicas)Nota13 y coopera con el Centro de Intervención del Hospital Nacional de Oslo.
Cada vez son más los proyectos de investigación que se llevan a cabo en el Quirófano del Futuro (FOR) en varios campos. Apoyo a la toma de decisiones en el diagnóstico del cáncer de pulmón.Nota14 es un proyecto en curso que integra e implementa nuevas herramientas para el análisis de imágenes y el apoyo a la toma de decisiones en la atención al paciente con cáncer de pulmón. Un equipo multidisciplinario (MDT) está desarrollando una tecnología digital para respaldar la evaluación y el tratamiento del paciente [ 76 ]. La inteligencia artificial (aprendizaje automático) se utiliza para analizar la TC y la PET-CT del paciente para encontrar anatomía y patología (tumor) normales. Se utiliza especialmente para la detección y segmentación automática de estructuras anatómicas mediastínicas y ganglios linfáticos potencialmente malignos para un diagnóstico preciso del cáncer de pulmón.
En línea con el diagnóstico del cáncer, FOR desarrolló recientemente el proyecto titulado IDEAR: Mejora del diagnóstico del cáncer en endoscopia flexible utilizando inteligencia artificial y robótica médica en colaboración con la Universidad de Craiova (Rumanía).Nota15 Este proyecto está desarrollando un prototipo avanzado de software médico y plataforma robótica para mejorar el diagnóstico del cáncer en endoscopia flexible utilizando inteligencia artificial y robótica médica. Los investigadores están creando una plataforma para permitir la visualización concomitante de los objetivos anatómicos, la anatomía vecina y la imagen de CT/MRI. El proyecto permite realizar tanto el diagnóstico como el tratamiento durante el mismo procedimiento utilizando un avanzado sistema robótico inteligente e instrumentos personalizados con doble seguimiento electromagnético-óptico.
Las redes neuronales convolucionales profundas (CNN) se utilizan cada vez más para el análisis digital de imágenes histopatológicas. Un equipo de investigación está desarrollando e implementando una plataforma de código abierto para la investigación basada en el aprendizaje profundo y el apoyo a las decisiones en patología digital [ 77 ].
FastPathology es una nueva plataforma que utiliza el marco FAST y C++ para minimizar el uso de memoria para leer y procesar imágenes de microscopía de portaobjetos completos (WSI). Esto ofrece una visualización y procesamiento eficiente de WSI en una sola aplicación, incluida la inferencia de CNN con visualización de los resultados en tiempo real.
6. Conclusiones
Este capítulo del libro digitalización de empresas noruegas 2023, presenta iniciativas clave de transformación digital en el sector de la salud en la era de la inteligencia artificial, donde la línea entre la realidad virtual y la física es bastante delgada. Comenzamos con una visión general de la transformación digital en la atención sanitaria. Luego, discutimos el surgimiento de nuevas tecnologías como la inteligencia artificial (IA) y el análisis médico como parte de la transformación digital. En esta sección, destacamos las principales capacidades que diferencian estas tecnologías de las anteriores y cómo contribuyen a “desencadenar cambios significativos en las propiedades de las entidades a través de combinaciones de tecnologías de información, informática, comunicación y conectividad” [ 13 ]. D
espués de presentar dos ejemplos específicos de transformación de la salud digital en Europa y Noruega, concluimos con Operating Room for the Future (FOR), una destacada infraestructura de investigación y una clínica universitaria integrada, que está desarrollando tecnología de inteligencia artificial para respaldar tareas médicas en campos de salud específicos. como neumología, patología digital, cardiología y otros.
Debido a la omnipresencia digital de las nuevas tecnologías, es fundamental comprender los mecanismos de los procesos organizacionales, las plataformas multilaterales, las aplicaciones de atención médica y las redes sociales, ya que tienen el potencial de conducir hacia un diseño, gestión e implementación efectivos de la información de salud digital. sistemas. Además, creemos que la materialización de esta oportunidad depende del compromiso de los actores involucrados en este proceso. Es importante investigar temas en la intersección del trabajo, la tecnología y los sistemas de información y para una audiencia académica más amplia, como la medicina, la informática y la sociología del trabajo.
Este enfoque contribuirá a la comprensión del desarrollo de la tecnología de IA en el lugar de trabajo y a la literatura sobre la creación de conocimiento [ 14 , 78 , 79 ]. A continuación, existe la necesidad de investigar los desafíos que enfrentan los médicos con la introducción de la IA, como cuestionar qué vale la pena saber, qué acciones son importantes para adquirir nuevos conocimientos y quién tiene la autoridad para tomar decisiones. Esto proporcionará nuevos conocimientos sobre cómo y por qué la IA está reconfigurando los límites laborales de los profesionales de la salud y con importantes consecuencias para sus jurisdicciones, habilidades, estatus y visibilidad. Por último, es importante resaltar las formas en que se utilizan las herramientas de IA en el trabajo médico, prestando igual atención a las acciones realizadas por los médicos y sus interacciones sociales, así como a las máquinas que forman parte del lugar de trabajo médico [ 11 , 80 ].
La transformación digital del sector de la salud está impulsada por múltiples mecanismos, como la transformación de la demanda de servicios de salud de la población, los cambios en la relación entre pacientes y proveedores de atención, el uso generalizado de tecnologías digitales y la aparición de nuevas tecnologías que difieren significativamente respecto a los anteriores.
La digitalización de las rutas de atención, la mayor interoperabilidad entre actores, la comunicación organizacional, las herramientas y las organizaciones ofrecen nuevos modelos de gestión del conocimiento, que pueden ser beneficiosos para el desempeño individual y la eficiencia organizacional, pero también plantean varias preocupaciones relacionadas con la privacidad, la seguridad y la responsabilidad.
Un entorno dinámico y digital de un ecosistema compuesto por intereses a menudo contradictorios requiere una mejor comprensión de la lógica y las oportunidades de una plétora de herramientas virtuales para adaptarlas a las necesidades cotidianas.
La actividad de hacer coincidir las soluciones digitales con necesidades específicas y dependientes del contexto compone el rompecabezas de la gestión de los Sistemas de Información de Salud en los tiempos actuales. Los principales objetivos se refieren a incrementar la calidad de la prestación de servicios, empoderando al ciudadano-paciente que fomente un ecosistema centrado en el paciente.
