La informática en salud pública y el médico perioperatorio: mirando hacia el futuro

Mudumbai, Seshadri C. MD, MS ^*,† ; Gabriel, Rodney A. MD, MAS ^‡ ; Howell, Stephen MD, MBA ^§ ; Tan, Jonathan M. MD, MPH, MBI, FASA ^‖,¶,# ; Freundlich, Robert E. MD, MS, FCCM, FASA ^** ; O’Reilly-Shah, Vikas N. MD ^†† ; Kendale, Samir MD ^‡‡ ; Poterack, Karl MD ^§§ ; Rothman, Brian S. MD ^**. 

Anesthesia & Analgesia 138(2):p 253-272, febrero de 2024.

El papel de la informática en la salud pública ha aumentado en las últimas décadas, y la pandemia de enfermedad por coronavirus de 2019 (COVID-19) ha subrayado la importancia crítica de datos agregados, multicéntricos, de alta calidad y casi en tiempo real para fundamentar las decisiones. por parte de los médicos, los sistemas hospitalarios y los gobiernos. Dado el impacto de la pandemia en los servicios perioperatorios y de cuidados críticos (p. ej., retrasos en procedimientos electivos; intercambio de información relacionada con intervenciones en pacientes críticos; gestión regional de camas en condiciones de crisis), los anestesiólogos deben reconocer y abogar por mejores marcos informáticos en sus centros locales. ambientes. La mayoría de los anestesiólogos reciben poca formación formal en informática de salud pública (PHI) durante la residencia clínica o mediante educación médica continua. La pandemia de COVID-19 demostró que esta brecha de conocimiento representa una oportunidad perdida para que nuestra especialidad participe en la atención clínica y la toma de decisiones de políticas relacionadas con la informática y orientadas a la salud pública. Este artículo describe brevemente los antecedentes de la PHI, su relevancia para la atención perioperatoria y concibe las intersecciones con la PHI que podrían evolucionar durante el próximo cuarto de siglo.

En agosto de 1854, Londres se encontraba en medio de un importante brote de cólera. Los principales médicos pensaban que el desperdicio y las condiciones de vida sucias de la población se filtraban al aire y de algún modo enfermaban a la gente. John Snow, médico londinense y uno de los padres fundadores de la salud pública y la anestesiología, estaba convencido de que algo más que el aire podría ser el responsable. El cólera es una enfermedad extremadamente virulenta que puede causar diarrea acuosa aguda grave, afecta tanto a niños como a adultos y puede matar en cuestión de horas si no se trata. Snow utilizó datos del registro de defunciones del gobierno y consultas casa por casa para mapear las residencias de las víctimas y determinar que todos los afectados tenían una única conexión común: todos habían recuperado agua de la bomba de agua local en Broad Street ( Figura 1 ).

Mapa de John Snow sobre los brotes de cólera en el Londres del siglo XIX, publicado originalmente en 1854 por CF Cheffins, Lith, Southhampton Buildings, Londres, Inglaterra. De Wikipedia. ¹ De dominio público y libre de derechos de autor.

Snow pudo recopilar datos y hacer inferencias sobre una epidemia de su época que mejoró la salud pública. Apoyó su hipótesis con un análisis estadístico detallado para mostrar la correlación entre la calidad de la fuente de agua y los casos de cólera. Los beneficios potenciales de este enfoque epidemiológico apenas están comenzando a llegar a la atención perioperatoria. Los anestesiólogos han logrado enormes avances para disminuir la mortalidad y morbilidad intraoperatoria causada por la anestesia misma y han trabajado continuamente para mejorar la seguridad del paciente en el período pre y postoperatorio. Sin embargo, el período perioperatorio puede ser una puerta de entrada importante para rastrear y afectar la salud pública o a nivel de la población, ya que los médicos consideran horizontes temporales más largos para los pacientes. Los posibles problemas de salud pública relacionados con los pacientes quirúrgicos y en estado crítico son diversos y pueden incluir la crisis de opioides y enfermedades crónicas como el trastorno por consumo de opioides; pandemias y enfermedades infecciosas como la enfermedad por coronavirus 2019 (COVID-19); emergencias, lesiones, problemas de salud ambiental y una serie de otras amenazas para la salud. ^2–4

Los médicos perioperatorios necesitarán analizar e interpretar las grandes cantidades de datos generados por las agencias de salud pública y desarrollar de manera eficiente y efectiva soluciones informáticas para problemas poblacionales. La informática de salud pública aprovecha conceptos de la ciencia de datos para capturar, gestionar y analizar datos existentes para mejorar los resultados de salud perioperatorios y a nivel poblacional ( Figuras 2 y 3 ). Es la “aplicación sistemática de la información, la informática y la tecnología a la práctica, la investigación y el aprendizaje de la salud pública (PH) y la recopilación de datos de salud pública” en los Estados Unidos. ⁵ Independientemente del problema de salud pública, los informáticos de salud pública suelen adoptar un enfoque estándar que aplica cuatro preguntas generales ( Tabla 1 ) ^6 , 7 :

Tabla 1.- Una aproximación informática a los problemas de salud pública

Paso de salud pública	Ejemplo perioperatorio
Vigilancia (¿Cuál es el problema?)	Disminución de las tasas de pruebas preoperatorias de rutina entre las poblaciones de alto riesgo. Características de la población determinadas por el acceso a múltiples fuentes de datos, incluidos censos, seguros y encuestas comunitarias.
Identificación de factores de riesgo (¿Cuál es la causa del problema?)	Nivel socioeconómico bajo con acceso limitado a un laboratorio de pruebas.
Intervención o evaluación (¿Qué intervención funciona para abordar el problema?)	Evaluar los recursos y la viabilidad de un laboratorio de pruebas móvil que pueda viajar a la residencia de los pacientes.
Implementación (¿Cómo podemos implementar la intervención?)	Prueba de un laboratorio móvil con seguimiento de las tasas de incidencia de las pruebas preoperatorias junto con acceso a los resultados del laboratorio.

Los informáticos de salud pública suelen adoptar un enfoque estándar que aplica cuatro preguntas generales. Se desarrolla un ejemplo relacionado con las pruebas perioperatorias a modo ilustrativo.

Intersección entre la informática de la salud pública y la anestesiología y los cuidados

1. Vigilancia: “¿Cuál es el problema?” Los sistemas de vigilancia se utilizan para monitorear eventos y comportamientos de salud pública e identificar el problema que ocurre en una población.
2. Identificación de factores de riesgo: «¿Cuál es la causa del problema?» ¿Existen factores que podrían hacer que ciertas poblaciones sean más susceptibles a las enfermedades (por ejemplo, algo en el medio ambiente o ciertos comportamientos que practica la gente)?
3. Intervención o Evaluación: “¿Qué intervención funciona para abordar el problema?” Se evalúan las intervenciones que han funcionado en el pasado para abordar un problema y se determina si una intervención propuesta tiene sentido para la población afectada.
4. Implementación: “¿Cómo podemos implementar la intervención? ¿Funcionará una intervención propuesta dados los recursos disponibles y lo que se sabe sobre la población afectada?”

Los pasos suelen ser iterativos y se basan en una variedad de fuentes informáticas ( Figura 4 ). Las fuentes de vigilancia dentro de los Estados Unidos incluyen el Sistema de Vigilancia de Factores de Riesgo del Comportamiento (BRFSS) y el Sistema de Vigilancia Electrónica para la Notificación Temprana de Epidemias Comunitarias (ESSENCE), que desempeñan funciones esenciales para rastrear tempranamente preocupaciones preocupantes de salud pública. ^8 , 9 El registro médico electrónico (EHR) sigue siendo una piedra angular para los pasos posteriores del proceso de Información Médica Protegida (PHI) que incluyen la identificación, evaluación e implementación de factores de riesgo. La Ley de Tecnología de la Información Sanitaria para la Salud Económica y Clínica (HITECH) impulsó la adopción casi universal de EHR certificados. ^10–13 Los datos de la HCE se utilizan habitualmente para agregar datos de diagnóstico y tratamiento a nivel de población (a nivel nacional, estatal y de condado). Históricamente, la agregación de datos de EHR se utiliza para facturación y reclamos, pero la Ley HITECH exigía que los sistemas de atención médica compartieran datos con agencias de salud pública. Aún es necesario determinar hasta qué punto esto tuvo éxito durante la pandemia de COVID, pero investigaciones recientes indican que persisten importantes brechas en datos y habilidades informáticas entre la fuerza laboral de salud pública en general. ¹⁴ Quizás la mayor oportunidad para que nuestras especialidades lideren e influyan en las políticas sea educar y apoyar a los informáticos con experiencia en el campo de la cirugía o los cuidados críticos, personas que son extremadamente raras en las agencias de salud pública en la actualidad. ¹⁵

El enfoque de la informática en salud pública.

El enfoque de la informática de salud pública implica identificar un problema e implementar una respuesta. Estos pasos se pueden subdividir en vigilancia, identificación de factores de riesgo, desarrollo de una intervención o evaluación e implementación de una intervención. Estos subpasos se relacionan perioperatoriamente con recursos de salud pública relevantes, estándares de datos, marcos de toma de decisiones y la participación del informático perioperatorio.

Durante la próxima década, la modernización de los sistemas de datos y las prácticas de tecnología de la información (TI) para mejorar la salud pública de EE. UU. son pasos críticos que requerirán el mismo esfuerzo y enfoque hercúleo, si no mayor, que HITECH fomentó en la digitalización de la prestación de atención en el pasado. década. La salud pública de los Estados Unidos está actualmente administrada por un complejo mosaico que incluye agencias federales que incluyen el Departamento de Salud y Servicios Humanos, el Servicio de Salud Pública de los Estados Unidos y los Centros para el Control de Enfermedades; departamentos de salud estatales, tribales, de condado y territoriales; y grandes sistemas de prestación de servicios de salud. La calidad del intercambio de datos entre estas diversas entidades suele ser lenta, jerárquica y obstaculizada por diferentes estándares de datos en diferentes áreas geográficas, si es que existe algún intercambio digital.

El Departamento de Salud y Servicios Humanos ha propuesto un marco para la próxima generación de sistemas informáticos de salud pública: Salud Pública 3.0. ^16–18 Salud Pública 3.0 tiene como objetivo promover la práctica de la salud pública y los resultados para las poblaciones con un enfoque en los Determinantes Sociales de la Salud (SDOH) y la modernización de datos. SDOH refleja los entornos y situaciones en los que las personas viven, trabajan y estudian y que pueden afectar una enorme variedad de resultados y riesgos para la salud. ^19–21 SDOH incluye numerosos factores que incluyen raza, situación económica, educación, vivienda y riesgos ambientales (es decir, contaminación) que pueden afectar los riesgos para la salud a nivel de la población. ^19–21 Las medidas SDOH incluyen códigos postales, ingresos, educación, acceso a atención médica, vivienda y nutrición. La incorporación de datos de SDOH en iniciativas de salud pública puede ayudar a adaptarse a las necesidades de la comunidad local y promover estrategias efectivas de prevención, tratamiento y gestión. Las iniciativas de modernización de datos comprenden mejoras del sistema de alerta temprana para datos vinculados en tiempo real sobre amenazas emergentes para la salud; identificación temprana de la solución a la pandemia; desarrollo de fuerza laboral calificada; y lo más importante, estándares de datos comunes a nivel nacional para el acceso y el intercambio de datos.

En esta revisión, los autores presentan sus puntos de vista sobre cómo la informática de la salud pública se cruzará con la práctica de la medicina perioperatoria, la anestesia y los cuidados críticos durante los próximos 25 años. Examinamos la relevancia de la informática de salud pública para los médicos perioperatorios, independientemente de su subespecialidad, a través de la lente de las epidemias de opioides y COVID-19. Proponemos además que el informático perioperatorio necesitará incorporar la informática de salud pública en sus prácticas y proporcionar datos oportunos, confiables, granulares (es decir, subcondados) y procesables de los pacientes de la unidad de cuidados intensivos (UCI) y quirúrgicos, con métricas claras, para documentar el éxito. en la práctica de la salud pública.

RELEVANCIA DE LA INFORMÁTICA EN SALUD PÚBLICA PARA LOS INFORMÁTICOS PERIOPERATORIOS

El actual crecimiento exponencial de los datos a nivel de población requiere que sigamos aprendiendo y mejorando nuestra capacidad de analizar datos para aplicar estos métodos a la salud de la población de manera significativa. Esto implicará la integración de técnicas avanzadas de ciencia de datos y modelos predictivos que utilicen fuentes de datos confiables. Los anestesiólogos y médicos de cuidados intensivos también necesitarán comprender mejor las metodologías detrás de la informática de salud pública e identificar fuentes de datos confiables. Nuestras epidemias actuales de opioides y COVID-19 han demostrado claramente sus impactos en la práctica de los anestesiólogos y médicos de cuidados intensivos y, a la inversa, cómo podemos impactarlos. ^22 , 23

La epidemia de opioides y los anestesiólogos

La epidemia de opioides en Estados Unidos se ha cobrado cientos de miles de vidas en las últimas dos décadas. ^24–27 Los opioides recetados perioperatorios son una puerta de entrada potencial al uso sostenido de opioides, y los anestesiólogos han desempeñado un papel importante para prevenir el uso posoperatorio prolongado de opioides, ⁴ disminuir las prescripciones de opioides, influir en las prácticas de prescripción de opioides de los cirujanos y limitar la transición al uso de opioides ilícitos. ²² Los opioides recetados, especialmente el uso crónico de opioides después de procedimientos quirúrgicos, pueden contribuir a esta epidemia con una incidencia de hasta el 3% de pacientes previamente ingenuos que continúan usando opioides meses después de la cirugía. ²⁸ Además, se ha estimado que la incidencia del uso persistente de opioides entre las artroplastias de cadera y rodilla está entre el 10% y el 40% después de la cirugía. ²⁹

Como profesionales perioperatorios, podemos asignar recursos para abordar una parte de la crisis de opioides. Un enfoque de medicina personalizada que ayude a prevenir y tratar el dolor posquirúrgico crónico sería beneficioso para reducir el uso de opioides y dirigir recursos limitados a los pacientes con mayor riesgo y que se beneficiarían más. El uso de grandes conjuntos de datos para modelos predictivos puede ser un enfoque valioso para optimizar un enfoque de asignación de recursos basado en la medicina de precisión. ³⁰ Varios estudios han descrito la implementación del aprendizaje automático para predecir el uso de opioides después del período agudo que sigue a la artroplastia articular. ^31–33 Los datos optimizados y los parámetros de aprendizaje automático son esenciales para mejorar la capacidad predictiva de estos modelos. Por ejemplo, el aprendizaje automático de tipo conjunto y las técnicas de sobremuestreo (para conjuntos de datos desequilibrados) condujeron a un mejor rendimiento de los modelos predictivos para el uso persistente de opioides después de una artroplastia de las articulaciones de las extremidades inferiores. ³³ En otro estudio de ~9000 pacientes que se sometieron a artroplastia total de rodilla, se utilizaron varios enfoques de aprendizaje automático, incluidas redes neuronales, para desarrollar modelos predictivos para identificar a los pacientes que podrían experimentar un uso prolongado de opioides en el posoperatorio. ³² Utilizando un modelo de regresión logística penalizado con red elástica, los autores desarrollaron un modelo predictivo para el uso persistente de opioides después de una artroplastia total de cadera. ³¹ Algunos predictores notables del uso persistente de opioides entre estos estudios incluyeron el uso preoperatorio de opioides, la depresión, la edad, la duración de la exposición a opioides y la duración de la estancia hospitalaria. ^31–33 Se han desarrollado otros modelos predictivos para los resultados posoperatorios de opioides para una variedad de poblaciones quirúrgicas, incluida la cirugía ambulatoria, ³⁴ reparación del ligamento cruzado anterior, ³⁴ artroscopia de rodilla y cadera, ^35–37 cirugía de columna, ^38 , 39 pacientes quirúrgicos con depresión, ⁴⁰ y pacientes pediátricos. ⁴¹

Ayuda informática en la atención de pacientes de COVID-19

Los sistemas de atención médica son entornos con recursos finitos, y la pandemia de COVID-19 requirió la implementación de un enfoque coordinado y basado en datos que rastrea las tendencias en las tasas de infección y la capacidad de camas hospitalarias para optimizar la atención al paciente. ⁴² En respuesta a los aumentos repentinos previstos de COVID-19, los anestesiólogos e intensivistas participaron en una respuesta política clave de los Centros de Servicios de Medicare y Medicaid (CMS) para retrasar las cirugías electivas y los procedimientos no esenciales. Estas políticas se desarrollaron utilizando datos recopilados por agencias de salud pública sobre el impacto potencial de COVID-19 en los recursos hospitalarios; y eso a su vez tuvo un profundo impacto en la programación de cirugías electivas y la atención en la UCI. ^43–47

Al principio de la pandemia de COVID-19, se desconocía gran parte de la patogénesis del virus. Los científicos de datos aprovecharon grandes cantidades de datos producidos por la investigación clínica mundial para desarrollar vías de atención médica guiadas científicamente para abordar los planes de crisis de atención médica. La Escala de Progresión Clínica de la Organización Mundial de la Salud es una puntuación de gravedad clínica ordinal de COVID-19 que puede usarse para estandarizar y comparar la progresión clínica y la carga hospitalaria en una institución de atención médica. ⁴⁸ En un estudio biinstitucional, los sistemas de atención médica automatizaron la adquisición de datos y la toma de decisiones clínicas para calcular la puntuación de gravedad de los pacientes con COVID-19. ⁴⁹ Diariamente, el sistema consultaba datos del EHR de la institución e incluía datos demográficos, duración de la estancia hospitalaria, ajustes vitales, ajustes del ventilador, utilización de oxígeno y uso de diálisis para producir una puntuación diaria. Se analizó un lapso de tiempo de 13.386 días-paciente y los autores demostraron una implementación exitosa de dicho sistema de puntuación en el 100% de los días de internación. ⁴⁹ Si bien el beneficio de mortalidad y morbilidad de estos sistemas aún está pendiente, esta iniciativa demuestra la capacidad de los médicos perioperatorios para estudiar las características clínicas de COVID-19 para contribuir con datos y reclutar pacientes para ensayos a través de plataformas informáticas. Reeves et al ⁵⁰ describen la implementación de un Centro de Comando de Incidencia que ayudó a identificar herramientas basadas en EHR para apoyar la atención clínica durante un aumento de COVID-19. En esta institución se desarrollaron varias herramientas que incluían la gestión de brotes para pacientes con COVID-19 (por ejemplo, clasificación, registro, mensajería segura, análisis de datos en tiempo real). La integración oportuna de los servicios de TI a la infraestructura de atención médica para respaldar la eficacia de la respuesta clínica relacionada con el COVID-19 y el uso de la telemedicina fueron prioridades iniciales al comienzo de la epidemia. ^51 , 52 La integración implicó el diseño y la implementación de procesos de detección rápida basados ​​en EHR, pruebas de laboratorio, apoyo a las decisiones clínicas, herramientas de generación de informes y tecnología orientada al paciente.

PAPEL DEL INFORMÁTICO PERIOPERATORIO EN LAS PRÁCTICAS DE SALUD PÚBLICA

Comenzando con el «Uso significativo» (MU), una serie de iniciativas respaldadas por CMS han incentivado a hospitales y profesionales a adoptar EHR con capacidades de informes de salud pública en los últimos años. ⁵³ Si bien MU se actualizó desde entonces, MU implicó la utilización de un sistema EHR verificado para mejorar la calidad, la seguridad, la eficiencia y reducir las disparidades de salud, mejorar la coordinación de la atención, mejorar la población y la salud pública, involucrar a los pacientes y sus familias en su propia atención médica. y garantizar que se mantuviera la privacidad y seguridad del paciente de acuerdo con la Regla de Privacidad de la Ley de Responsabilidad y Portabilidad del Seguro Médico (HIPAA). En 2011, se agregaron 3 requisitos a MU con relevancia directa para la pandemia de COVID-19: la capacidad de transmitir electrónicamente resultados de laboratorio, informes de vacunación y elementos clave de vigilancia de enfermedades. ¹² Estos requisitos se refinaron ligeramente con la transición de 2018 a “Promoción de la interoperabilidad”, que reemplazó a MU y requirió más evidencia de participación activa en el intercambio de datos. ⁵⁴

Como resultado de estos incentivos financieros, una gran proporción de anestesistas pueden utilizar el EHR para informar datos de manera relativamente fluida a las agencias de salud pública. ⁵⁵ Lamentablemente, estos mismos incentivos no se aplicaron a las agencias de salud pública que debían recibir estos datos. Estas agencias siguen sin contar con fondos suficientes y no pueden mantenerse al día con la afluencia de datos, lo que ha llevado a una falta de coordinación bien documentada a nivel nacional cuando se enfrentan desafíos de salud pública (por ejemplo, la pandemia de COVID-19). ^56 , 57

Se han propuesto intercambios regionales de información sanitaria (HIEs) para facilitar el intercambio de datos regionales y llenar gran parte de este vacío. Desde entonces, el entusiasmo inicial por las HIE regionales ha disminuido. En general, su adopción ha sido escasa y, de hecho, es posible que esté disminuyendo en los últimos años. ^{55 , 56 , 58 , 59} La disminución puede, en última instancia, aumentar la carga de los hospitales para informar a las agencias de informes de salud pública; Además, el impulso para las agencias de salud pública será desarrollar infraestructura informática adicional para procesar datos de manera eficiente de diversas fuentes ( Figura 5 ). ⁵⁶

Flujo de datos perioperatorios a través de agencias de informes de salud pública. Los datos perioperatorios se ingresarían y recopilarían en la HCE, el hospital los agregaría y los transmitiría según un modelo de datos estándar a las agencias de informes de salud pública federales y estatales. Los resultados del análisis y la orientación pueden llegar a los médicos y hospitales perioperatorios, pero también a los medios (es decir, los medios de difusión), directamente al público o a otros proveedores de primera línea. EHR indica registro médico electrónico.

El requisito de transmitir datos a registros de datos clínicos es un componente igualmente importante de la promoción de la interoperabilidad. La anestesiología y otras especialidades perioperatorias han liderado este campo y demuestran la utilidad de promover la interoperabilidad. Registros que incluyen el Grupo de Resultados Perioperatorios Multicéntricos (MPOG), ⁶⁰ el Registro Nacional de Resultados Clínicos de Anestesia, ⁶¹ el Registro de la Sociedad de Cirugía Torácica, ⁶² y el Proyecto de Mejora de la Calidad de la Cirugía Nacional del Colegio Americano de Cirugía (ACS-NSQIP) ⁶³ han ayudado a facilitar intercambio de datos para cumplir con los requisitos de promoción de la interoperabilidad. Los registros basados ​​en especialidades quirúrgicas en general demuestran el potencial de la colaboración informática con los médicos perioperatorios.

A medida que surjan nuevas crisis de salud pública imprevistas, anticiparíamos que los anestesiólogos y los informáticos perioperatorios continuarán brindando soluciones nuevas e innovadoras para aprovechar las herramientas integradas en la HCE y agregar y transmitir datos críticos de salud pública desde el espacio perioperatorio a las agencias de informes de salud pública. CMS continúa exigiendo a los hospitales que hagan más, y parece que los proveedores de EHR seguirán ofreciendo mayores capacidades de generación de informes para satisfacer la demanda y facilitar en gran medida una mayor adopción y difusión.

Las necesidades urgentes actualmente son mejoras por parte de las agencias de salud pública y una mejor coordinación entre los informáticos clínicos y los proveedores de EHR para facilitar mejor la transmisión, recepción, procesamiento y mejores estrategias de difusión de datos de salud pública.

Los proveedores de EHR necesitan incentivos que los motiven a colaborar con agencias locales, estatales y federales para garantizar que los datos se puedan utilizar de manera significativa para generar datos utilizables para guiar las políticas de salud pública. Proponemos un enfoque múltiple. En primer lugar, apoyo federal con fondos asignados específicamente a las agencias federales, estatales y locales de informes de salud pública para abordar las deficiencias y brechas críticas reveladas durante la pandemia de COVID-19 y las más recientes de viruela simica. En segundo lugar, los CMS deberían ofrecer incentivos que requieran evidencia de que los datos se envían exitosamente y se utilizan exitosamente por parte de las agencias de informes relevantes de manera sostenida. Este es el siguiente paso necesario más allá de los requisitos actuales de la Etapa 3 de Promoción de la Interoperabilidad porque la capacidad de simplemente transmitir datos a las agencias de informes de salud pública y la “participación activa” son inadecuadas. Finalmente, los médicos perioperatorios deben involucrar y orientar a las agencias de salud pública sobre la mejor manera de presentar y difundir los datos para garantizar la máxima relevancia y utilidad.

RECURSOS DE DATOS DE SALUD PÚBLICA DISPONIBLES PARA MÉDICOS E INFORMÁTICOS PERIOPERATORIOS

Hay varios recursos de salud pública disponibles para médicos e informáticos perioperatorios. Inicialmente, los médicos pueden comunicarse con agencias de salud pública locales, estatales y federales, la Agencia para la Investigación y la Calidad de la Atención Médica, o buscar orientación de sociedades dirigidas por médicos, como la Asociación Médica Estadounidense o la Asociación Estadounidense de Salud Pública. Estas organizaciones recopilan datos de forma rutinaria, desarrollan análisis y presentan directrices y opiniones predominantes sobre cuestiones relevantes de salud pública. Sin embargo, a medida que los datos de salud pública se vuelven cada vez más “Big Data” en términos de volumen, variedad y velocidad, los datos y modelos subyacentes deberán convertirse en parte integral de las prácticas en todos los niveles. ^dieciséis

Una de las fuentes más probables de información confiable para los médicos en ejercicio se facilitará a través de HIE. Ha habido algunos esfuerzos exitosos de HIE dirigidos por el gobierno y la sociedad. En el Reino Unido y los Países Bajos, se desarrollaron con éxito grandes bases de datos multicéntricas de cuidados intensivos para el seguimiento de la salud pública y señalaron un camino a seguir para su implementación en los Estados Unidos. ^64 , 65 Los objetivos subyacentes de estas bases de datos eran generar datos no identificados preservando al mismo tiempo la privacidad. Dos ejemplos actuales en los Estados Unidos de repositorios de datos perioperatorios son el MPOG, ⁶⁰ y el Registro Nacional de Resultados Clínicos de Anestesia. ⁶¹ Si bien el enfoque y la estructura previstos de estos se encuentran principalmente en la investigación y la mejora de la calidad, estos depósitos de datos podrían usarse para actividades de salud pública.

Una reestructuración decidida de los repositorios de datos, con miras a una rápida curación y análisis de nuevos flujos de datos entrantes, hará que estos recursos de salud pública sean eficaces. Ejemplos de recursos de salud pública automatizados en el espacio de las enfermedades infecciosas incluyen HealthMap, BioCaster y Semantic Processing and Integration of Distributed Electronic Resources for Epidemiology (EpiSPIDER), que combinan múltiples fuentes de datos (por ejemplo, procesamiento en lenguaje natural de datos de redes sociales) para proporcionar datos reales. datos temporales sobre enfermedades emergentes, en particular sin depender de la agregación de datos del HIE. ^66–68 Otro ejemplo es el rápido desarrollo local de paneles de control de enfermedades infecciosas similares durante la epidemia de COVID-19 en algunos estados que demostraron ser útiles para el seguimiento de enfermedades. ⁵⁹ Si bien algunas HIE han tenido éxito, su uso general se ha estancado o disminuido a medida que las organizaciones de atención médica enfrentan desafíos para recopilar y enviar datos y las organizaciones de salud pública enfrentan dificultades para agregar datos. ⁶⁹ Existen métodos para desarrollar canales de organizaciones de atención médica para compartir datos, pero estos a menudo están limitados por requisitos financieros y barreras tecnológicas que incluyen la interoperabilidad (es decir, la falta de estándares de datos), la facilidad para compartir datos y también abarcan barreras no tecnológicas como la membresía en la red. o designación de hospital público versus privado. ^70 , 71

Idealmente, con avances en la capacidad tecnológica, recursos adecuados para una transferencia fluida de datos y coordinación entre generadores y agregadores de datos, habrá una disponibilidad generalizada de datos de salud pública a través de HIE adecuadamente seleccionadas que se combinen con redes sociales, registros gubernamentales, datos meteorológicos, y otras fuentes de información. Una vez que estos datos estén disponibles, distintos equipos podrían realizar análisis de forma manual o autónoma para brindar orientación oportuna a los médicos en ejercicio.

Existen numerosos casos de uso relevantes para los médicos perioperatorios que se ocupan de la seguridad del paciente. Los registros estatales y nacionales de opioides son útiles a nivel de población para influir en las políticas mediante el análisis de patrones de práctica y la identificación de sobredosis relacionadas con opioides y también a nivel de paciente durante la evaluación preoperatoria para detectar posibles usos indebidos e influir en las prescripciones para el tratamiento del dolor ^72–74 Internet del estado de Nueva York El programa System for Tracking Over-Prescribing (I-STOP), por ejemplo, incluye un seguimiento de las recetas de opioides en tiempo real y ha contribuido a reducir la prescripción de opioides. ⁷⁵ Los registros públicos de armas pueden analizar las lesiones relacionadas con la violencia armada, lo que permite a los centros de trauma estimar el volumen potencial de pacientes. ⁷⁶ De manera similar, los HIE con datos perioperatorios que incluyen medicamentos preoperatorios, datos demográficos de los pacientes y parámetros intraoperatorios pueden analizarse de manera intermitente o continua en busca de patrones de práctica médica, reacciones adversas a medicamentos documentadas o prevalencia de nuevos medicamentos en una población. El conocimiento temprano de las tendencias puede ayudar a los médicos a desarrollar educación y políticas a medida que surgen problemas de salud pública. Por ejemplo, un área de influencia hospitalaria con un empeoramiento de la calidad del aire podría anticipar un aumento en las exacerbaciones de la enfermedad pulmonar que podrían predisponer a los pacientes a complicaciones pulmonares perioperatorias. ⁷⁷ Como otro ejemplo, un aumento en las reacciones adversas relacionadas con un nuevo medicamento perioperatorio puede ser el resultado de factores genéticos o encontrarse solo en poblaciones seleccionadas. Finalmente, las iniciativas de salud pública pueden ser fundamentales para abordar las disparidades en salud y centrarse en SDOH que incluyan alfabetización sanitaria y acceso a dietas saludables. ^21 , 78 En última instancia, los impulsores clave para cualquier iniciativa de salud pública exitosa serán el desarrollo de canales de datos para la gran cantidad de datos, protocolos de análisis para cada objetivo y la identificación de resultados relevantes por parte de los médicos en ejercicio. Este marco conceptual requiere una participación activa y continua de los médicos en la informática clínica y las políticas públicas.

LA IMPORTANCIA DE PHI EN PHI: PHI E INFORMÁTICA DE SALUD PÚBLICA

Estado pasado y actual de la PHI

La privacidad y la protección del individuo es una consideración central en la informática de salud pública. El avance de la salud pública y la informática de la salud pública se beneficiaría enormemente del acceso a más fuentes de información en todos los sistemas de salud y áreas donde se pueden almacenar datos críticos de los pacientes. Sin embargo, es posible que este mayor acceso a la información no se produzca a expensas de comprometer la privacidad, la seguridad y la confidencialidad de los pacientes individuales. La beneficencia y la autonomía son principios éticos centrales en la discusión sobre información de salud individual versus información de salud pública y son necesarios para comprender dónde ha estado la informática de salud pública y dónde puede estar su futuro para avanzar en la disciplina.

La privacidad de la información de salud desde una perspectiva informática se centra en la PHI. La PHI incluye toda la información de salud de identificación personal. La PHI puede incluir cualquier información que se transmita o almacene en cualquier formato de medios que “se relacione con la salud o condición física o mental pasada, presente o futura de un individuo, la prestación de atención médica a un individuo, o el pasado, presente o pago futuro por la prestación de atención médica para el individuo”, donde la información puede usarse para identificar posteriormente a un individuo. ⁷⁹ Actualmente, hay 18 identificadores que designan información como PHI ( Tabla 2 ). La información de salud se considera PHI cuando incluye uno o más de los identificadores individuales.

Tabla 2. – Lista de 18 identificadores individuales que hacen que la información de salud sea información de salud protegida

Identificadores individuales
Nombre	Números de beneficiarios del plan de salud
fechas	Números de certificado/licencia
Números telefónicos	Localizador uniforme de recursos web (URL)
Subdivisiones geográficas más pequeñas que el estado (por ejemplo, dirección, ciudad, condado, códigos postales y otros límites geográficos)	Identificadores de vehículos y números de serie, incluidas las placas de matrícula.
números de fax	Identificadores de dispositivos y números de serie
Números de seguridad social	direcciones de protocolo de internet
Correos electrónicos	Fotografías de rostro completo e imágenes comparables.
Números de registros médicos	Identificadores biométricos
Números de cuenta	Cualquier número o código de identificación único

Abreviatura: Localizador Uniforme de Recursos.

En los Estados Unidos, la privacidad del paciente, la seguridad de los datos de salud y la PHI están protegidas por el componente de privacidad del paciente de la HIPAA. Aprobada en 1996, HIPAA sigue siendo la ley más directa e importante que protege el derecho a la privacidad de todos los pacientes, aunque la privacidad del paciente no era el objetivo principal de la legislación HIPAA. ^80 , 81 Específicamente, la Regla de Privacidad de HIPAA se aplica a individuos y organizaciones que transmiten información de salud durante la práctica normal de atención médica. Por ejemplo, los proveedores de atención médica, los sistemas de salud y los planes de salud deben cumplir con la Regla de Privacidad. Las violaciones de HIPAA pueden tener ramificaciones tanto legales como financieras, además del grave abuso de confianza de los pacientes que se produce. Si bien es un beneficio para la protección del individuo, las regulaciones y las capacidades tecnológicas e informáticas históricamente limitadas para abordar el intercambio de datos efectivo y eficiente a menudo se han visto como un impedimento para la atención al paciente. ⁸²

HIPAA y la Regla de Privacidad brindan orientación sobre cómo se debe compartir la información de salud pública. En general, las necesidades de salud pública están exentas de las regulaciones de HIPAA. ⁸⁰ La Regla de Privacidad permite la divulgación de información de salud a las autoridades de salud pública sin la autorización del paciente cuando lo exige otra ley o cuando el propósito es prevenir o controlar una enfermedad. Un ejemplo reciente de esto es la vigilancia de enfermedades de salud pública de COVID-19 y la divulgación de resultados de pruebas. El intercambio de conocimientos e información sobre la carga de enfermedades infecciosas que incluye importantes factores individuales de PHI, como la ubicación, podría conducir a medidas de salud pública más efectivas. Por otro lado, las posibles violaciones de la privacidad individual y el riesgo de robo de información médica a medida que se comparten datos resaltan la importancia de los avances tecnológicos necesarios en la informática de la salud pública. La tensión y el equilibrio entre la privacidad de los pacientes individuales y la necesidad de proteger la salud pública seguirán siendo un tema de conversación durante los próximos años en la atención sanitaria y la seguridad de la información. ⁸³

Estado futuro de la PHI y la informática de salud pública

El futuro de la informática de la salud pública deberá incluir mejoras significativas en la forma en que se utiliza, transmite y almacena la PHI para maximizar el valor y el intercambio de datos sin comprometer la privacidad. Los métodos actuales para seleccionar qué variables de PHI son necesarias o excluidas de registros de salud pública y centros de datos más grandes son un proceso en gran medida manual y eliminan datos útiles que podrían aprovecharse si se pudieran garantizar las protecciones. La mejora de la protección de la PHI para garantizar la privacidad de las personas requerirá nuevos modelos de enmascaramiento de datos para permitir que los datos se compartan con fines de salud pública que se beneficiarán de un conjunto más grande y granularidad de datos para obtener conocimientos analíticos más profundos.

Una de las tecnologías más probables que se generalizará en el futuro de la informática de salud pública es la tokenización de datos. La tokenización de datos es un proceso que reemplaza los datos confidenciales con símbolos de identificación únicos que retienen toda la información esencial sin los posibles riesgos de seguridad. La tokenización se utiliza actualmente para ayudar a respaldar la seguridad de los datos de las transacciones de comercio electrónico y tarjetas de crédito. Su uso en el cuidado de la salud aún no está ampliamente adoptado. La tokenización asigna hashes y tokens a un grupo de campos identificadores para cifrar un archivo de datos que contiene PHI antes de compartirlo con otra organización y vincularlo a un conjunto de datos más grande. ⁸⁴ La vinculación de datos se produciría entonces comparando los hashes o tokens, que deben coincidir exactamente, entre los archivos vinculados. ⁸⁵ Mediante la sustitución de información de salud privada individual con entradas aleatorias como tokens, se puede lograr la capacidad de vincular datos individuales entre conjuntos de datos (es decir, datos de salud pública) para obtener mayores conocimientos analíticos y maximizar la privacidad y la identificación inversa de los pacientes.

La tokenización es diferente de los métodos de seguridad de datos de cifrado de datos que se utilizan ampliamente en la atención médica actualmente ( Figura 6 ). El cifrado es un proceso que transforma datos confidenciales en un formato ilegible utilizando un algoritmo único y específico, y se requiere una contraseña o «clave» para descifrar los datos. El cifrado puede ser revertido por personas no autorizadas cuando la clave se ve comprometida. Las ventajas de privacidad y seguridad de la tokenización se derivan de un algoritmo no tradicional para enmascarar los datos. ⁸⁷ Los datos confidenciales, la PHI, por ejemplo, se reemplazan con datos aleatorios. Un mapeo uno a uno entre los datos confidenciales de PHI y los datos aleatorios correspondientes restringe efectivamente el análisis de datos solo a personas con acceso al token que pueden revertir el proceso. Los tokens también se pueden destruir para que nunca haya una manera de revertir y reidentificar la información confidencial de los datos.

El futuro de la PHI y la informática de salud pública mediante la tokenización de datos. La figura ilustra un paradigma de intercambio de datos que los sistemas de atención médica pueden adoptar y que utiliza tokenización de datos para la seguridad de la PHI que comparte datos importantes e individuales de pacientes con sistemas informáticos de salud pública. En este ejemplo, los datos de registros médicos electrónicos individuales compartidos para una necesidad de salud pública específica pueden tener los campos de PHI relevantes, como nombre, fecha de nacimiento y dirección, reunidos y representados por un solo token. El nombre, la fecha de nacimiento y la dirección del paciente se pueden representar mediante un token aleatorio como «iEy4DDqpKk07bLDFM1b-qe9SbP1W3WQQNN». Los tokens pueden tener certificación HIPAA con un riesgo mínimo de reidentificación del paciente. Este método permite compartir más datos entre los sistemas de atención médica y las agencias de salud pública e incluye la capacidad de vincular datos individuales mientras se protege la privacidad y la identificación inversa. ⁸⁶ Un mayor acceso a esta información facilita análisis más específicos y acciones de salud pública más específicas y efectivas, si es necesario. EHR indica registro médico electrónico; HIPAA, Ley de Responsabilidad y Portabilidad del Seguro Médico; PHI, Información de salud protegida.

El marco del caos informativo. El marco del caos de la información para las experiencias de los ciudadanos con la información durante COVID-19 (adaptado de los ⁹⁰ componentes del marco de Beasley et al agregados o significativamente diferentes del marco de Beasley et al). COVID-19 indica enfermedad por coronavirus 2019.

Figura 8.:

RWE en el entorno perioperatorio. Los datos se recopilan una vez después del alta hospitalaria sobre el efecto potencial de la anestesia regional en la deambulación después de una artroplastia total de rodilla ambulatoria. ROM indica rango de movimiento; RWE, evidencia del mundo real.

Figura 9.:

Análisis FODA. Un análisis FODA es una herramienta utilizada para analizar aspectos internos de una organización o unidad. Un FODA a menudo se representa como una cuadrícula con 4 cuadrantes. TI indica Tecnología de la Información; FODA, Fortalezas, Debilidades, Oportunidades, Amenazas.

El futuro de la PHI en la informática de salud pública requerirá el descubrimiento de soluciones tecnológicas para mejorar la privacidad del individuo y aumentar el volumen y la granularidad de la información de salud relevante de manera oportuna para la salud pública. La tokenización y la cadena de bloques son tecnologías emergentes que se pueden aplicar a los datos de atención médica para este propósito específico. ⁸⁸ Es de vital importancia que los profesionales de la salud y aquellos que trabajan con PHI para la salud pública comprendan la aplicación adecuada de estas tecnologías.

PAPEL DE LOS MARCOS DE GESTIÓN DEL CONOCIMIENTO PARA LA TOMA DE DECISIONES

Así como John Snow desarrolló nuevas técnicas para mapear el brote de cólera de la década de 1850, los funcionarios de salud han adaptado la forma en que recopilan, analizan y piensan sobre los datos. Sin embargo, a diferencia de la década de 1850, los médicos y los informáticos de la salud pública de hoy están inundados de grandes volúmenes de datos y necesitarán nuevas habilidades para tomar decisiones rápidamente. Los marcos de gestión del pensamiento o del conocimiento no son avances recientes ni se limitan únicamente a la medicina, pero pueden ayudar en la toma de decisiones. Se presentan tres marcos útiles:

1. Datos-Información-Conocimiento-Sabiduría (DIKW): Russell L. Ackoff, un conocido científico de sistemas operativos, introdujo lo que ahora se conoce como jerarquía del conocimiento, o pirámide del conocimiento, en 1988. Esta jerarquía DIKW dio estructura a cómo manejamos conceptos en informatica. Los datos son símbolos que representan propiedades de objetos, eventos y sus entornos; son productos de la observación. La información se extrae de los datos mediante análisis y se ve en contexto.
2. Por tanto, la diferencia entre datos e información es funcional, no estructural. El conocimiento es saber hacer: es lo que hace posible la transformación de información en instrucciones. Dammann ⁸⁹ sugiere restar énfasis a la sabiduría en el marco e insertar evidencia entre información y conocimiento (DIEK, Datos, Información, Evidencia, Conocimiento). Este marco define los datos como símbolos sin procesar, que se convierten en información cuando se ven en contexto. La información alcanza el estatus de evidencia en comparación con los estándares relevantes. Finalmente, la evidencia se utiliza para probar hipótesis y se transforma en conocimiento mediante el éxito y el consenso (revisión por pares).
3. Caos informativo: la pandemia de COVID-19 cambió aún más la dinámica de la informática en salud pública. La urgencia de la situación, el gran volumen de múltiples fuentes de datos y la velocidad a la que llegan los datos requirieron nuevas estrategias en informática de salud pública. Monkman et al actualizaron el marco de caos de información ⁹⁰ de Beasley et al para comprender el contexto de las experiencias de las personas con la información durante la pandemia de COVID-19 ( Figura 7 ). Este marco adaptado se puede utilizar para caracterizar los desafíos asociados a la información observados durante este tiempo y el posible impacto del caos de la información en la cognición y los comportamientos de las personas.
4. Evidencia del mundo real (RWE): Todo anestesiólogo en ejercicio probablemente sintió el impacto de la pandemia de COVID-19 a medida que evolucionó a principios de 2020. La incógnita inicial, seguida de la sobrecarga de información, afectó profundamente la especialidad de la anestesia. Muchos probablemente pensaron que los anestesiólogos eran inmunes a las implicaciones de los problemas de salud pública, o al menos los pasaban por alto. Sin embargo, los anestesiólogos rápidamente se encontraron revisando grandes cantidades de información y experiencias anecdóticas de colegas de todo el mundo. La pandemia también nos presentó a muchos de nosotros el concepto y la realidad de RWE.
5. La Ley de Curas del Siglo XXI (Ley de Curas) fue diseñada para acelerar el desarrollo de productos médicos y llevó a la Administración de Alimentos y Medicamentos de EE. UU. (FDA) a crear un marco para evaluar el uso potencial de RWE. La FDA define RWE como «datos sobre el uso, o los posibles beneficios o riesgos, de un medicamento derivado de fuentes distintas a los ensayos clínicos tradicionales». Los datos del mundo real (RWD) son datos relacionados con el estado de salud del paciente o la prestación de atención médica recopilados de forma rutinaria de una variedad de fuentes. RWE es la evidencia clínica sobre el uso y los posibles beneficios o riesgos de un producto médico derivada del análisis de RWD. ⁹¹ Los informáticos conocen los beneficios de RWD y RWE desde hace algún tiempo, y es muy probable que todos los médicos pronto vean su impacto en sus carreras clínicas ( Figura 8 ). El comisionado de la FDA, Scott Gottlieb, afirma: «A medida que aumenta la amplitud y confiabilidad de RWE, también aumentan las oportunidades para que la FDA haga uso de esta información». ⁹¹
6. Análisis de fortalezas, debilidades, oportunidades y amenazas (FODA): a medida que surjan necesidades y oportunidades para nuevas políticas, tecnología e investigación dentro de la informática de salud pública, siempre habrá una necesidad de una estrategia de implementación sólida en PHI ( Figura 5 ). Al igual que los marcos de conocimiento anteriores, existen herramientas de evaluación de marcos estratégicos para ayudar con la evaluación de nuevas ideas desde múltiples perspectivas. El análisis FODA es una herramienta de estrategia empresarial común para evaluar cómo se compara una organización con su competencia ( Figura 9 ). El concepto de ajuste estratégico, un objetivo omnipresente buscado por todas las organizaciones, puede explicarse por qué tan bien encajan los factores relacionados internamente con los factores relacionados externamente. El FODA puede extenderse a las organizaciones informáticas de salud pública y a los informáticos perioperatorios a medida que implementan intervenciones. Un ejemplo relacionado con las debilidades en el contexto de una herramienta de salud digital es que muchos estándares de datos superpuestos obstaculizan la interoperabilidad e impiden la agregación de datos.

ESTÁNDARES DE DATOS Y PROCESOS DE AGREGACIÓN

Existen importantes desafíos técnicos inherentes al intercambio de datos entre organizaciones. Un desafío importante se relaciona con los requisitos de estandarización de datos, donde todas las partes deben aceptar usar el mismo lenguaje al describir un elemento (por ejemplo, historial del paciente, un signo vital, un elemento de examen físico, un medicamento, aspectos de un procedimiento, etc.). Las diferencias menores y mayores entre cómo se almacenan y representan los datos en los registros médicos electrónicos (EMR) de cada institución no son infrecuentes, ya sea que 2 instituciones hayan adoptado diferentes EMR o utilicen diferentes implementaciones del mismo EMR. Considere una comparación entre un hospital infantil independiente y un centro de traumatología multiespecializado que atiende principalmente a adultos. El hospital infantil puede capturar de forma rutinaria elementos de datos (p. ej., tipo de inducción anestésica) que no se registran en el centro de traumatología, y viceversa (p. ej., puntuación de Mallampati). Incluso si cada elemento de datos coincidiera exactamente 1:1 entre los 2 centros, prácticamente se garantiza que la representación subyacente será diferente.

Afortunadamente, existe un alto grado de madurez en el desarrollo de vocabulario estandarizado que representa conceptos médicos. Estos vocabularios incluyen representaciones de drogas y medicamentos (Código Nacional de Medicamentos [NDC]), observaciones clínicas y de laboratorio (Nombres y códigos de identificadores de observación lógica [LOINC]), condiciones de enfermedades (Clasificación Internacional de Enfermedades [ICD]), servicios y procedimientos médicos ( Terminología Procesal Actual [CPT]). La Nomenclatura Sistematizada de Medicina (SNOMED) es otro vocabulario capaz de representar todo lo mencionado anteriormente y más. ⁹² Algunos de estos vocabularios son de uso muy amplio. Por ejemplo, el uso de códigos NDC para medicamentos es un estándar de la industria, y el código de barras en cada vial, frasco y paquete de medicamento recetado representa el código NDC para esa marca y formulación específica de ese medicamento.

Por supuesto, los vocabularios por sí solos son sólo el comienzo. Así como las palabras deben organizarse en oraciones y párrafos para que tengan sentido, los vocabularios médicos deben organizarse en modelos de datos específicos para que los datos puedan agregarse y compararse entre instituciones y entidades. Ejemplos de modelos de datos disponibles públicamente incluyen aquellos desarrollados específicamente para la agregación de datos para investigación observacional (Observational Medical Outcomes Partnership [OMOP]; Informatics for Integrating Biology & the Bedside [i2b2]) y aquellos para compartir datos y para una interoperabilidad más general tanto a nivel individual como nivel de paciente y en conjunto (Nivel de salud siete internacional versión 2 [HL7v2]). ⁹³ Un testimonio de la madurez de estos sistemas es que el National COVID Cohort Collaborative (N3C), patrocinado por los NIH, se desarrolló en poco tiempo y facilitó una gran cantidad de generación y prueba de hipótesis utilizando grandes conjuntos de datos multiinstitucionales al comienzo de la pandemia. . ⁹⁴

Si bien la anestesiología ciertamente puede beneficiarse de esta madurez, no existe un enfoque estándar para compartir un registro completo de anestesia entre instituciones. Un grupo de HL7 continúa desarrollando un modelo de datos común para el registro de anestesia y, una vez que se publique el estándar, los proveedores deberán implementarlo para marcar una diferencia significativa en la interoperabilidad y el intercambio de datos de anestesiología ( Figura 10 ). Otras áreas críticas de desarrollo futuro para los estándares y la agregación de datos incluyen el desarrollo de técnicas para desidentificar y compartir datos de imágenes y videos (incluidos datos radiológicos); desarrollo continuo de los llamados sistemas de modelo a datos que permiten probar modelos transmitidos públicamente en datos de propiedad privada sin la necesidad de compartir los datos en sí; desarrollo de conjuntos de datos sintéticos estandarizados generados con técnicas de aprendizaje automático que permiten compartir conjuntos de datos que imitan estrechamente la PHI, pero que en realidad no lo son. ⁹⁵

CONCLUSIONES

Se ha producido un alargamiento sin precedentes de la esperanza de vida de la población. Para 2034, los adultos mayores de 65 años superarán en número a los niños en los Estados Unidos. Una vigilancia acelerada de la salud pública y conocimientos sobre los determinantes de las enfermedades, tanto a nivel personal como poblacional, podrían ser fundamentales para informar y dar forma a las políticas de salud pública y su implementación efectiva a medida que nuestra población continúa envejeciendo.

Un posible estado futuro ideal…

Idealmente, durante los próximos 10 años, la popularización e implementación de la telesalud y el monitoreo remoto a escala recopilarán datos con definiciones estandarizadas de una variedad de fuentes en todo el proceso de atención médica ( Figura 11 ). Los datos de atención médica ahora se fusionan con datos que respaldan la informática urbana: “un estudio de los fenómenos urbanos para abordar desafíos urbanos de dominios específicos, como la respuesta a una pandemia, a través de un marco de ciencia de datos y técnicas computacionales que incluyen detección, extracción de datos, integración de información, modelado, análisis y visualización” con un contexto esencial que incluye personas, lugar y tiempo. Los canales de datos entregarán esta gran cantidad de datos contextuales de manera contemporánea y automática a nivel local, regional y nacional a HIE, que siguen los mismos estándares de datos. La tensión y el equilibrio entre la privacidad del paciente y la protección de la salud pública se resuelven, y los HIE otorgan acceso a estos datos para proteger la salud pública y utilizan tokenización de próxima generación para que la privacidad, la seguridad y la confidencialidad de los pacientes no se vean comprometidas.