Este sitio web está dirigido exclusivamente al profesional sanitario facultado para prescribir o dispensar medicamentos en España

big-data-asma-grave

El crecimiento de la información médica se encuentra entre los aspectos más relevantes en el ámbito de la medicina del siglo XXI. No en vano los datos disponibles crecen a un ritmo exponencial: entre 2011 y 2020 se multiplicaron por 50. En ese sentido, el análisis mediante big data del asma grave es un camino eficaz para mejorar el diagnóstico, el tratamiento y el pronóstico de los pacientes aquejados por esta enfermedad.

¿Qué es el big data?

Datos a gran escala, datos masivos, macrodatos o inteligencia de datos son términos equivalentes a big data. Este concepto se emplea para definir conjuntos de información de una envergadura y complejidad tales que se necesitan programas informáticos no convencionales para asimilarlos, almacenarlos y procesarlos.

Hay que tener en cuenta que la cantidad de información médica disponible en un determinado momento se habrá duplicado en los dos años siguientes. Y, en este fenómeno, concurren varios factores; entre ellos destaca la digitalización de las historias médicas. También es consecuencia de una mejor capacidad para analizar e interpretar los datos existentes, así como de la presencia de nuevos métodos diagnósticos, tratamientos y fuentes de información.

Dentro de este contexto, la medicina personalizada tiene un particular interés en el campo de dos patologías respiratorias crónicas: asma y EPOC. Según Ignacio Hernández Medrano (1), neurólogo del Instituto de Investigación Ramón y Cajal, la neumología en España es la especialidad que en este momento está utilizando más el big data.

Este profesional, especialista en macrodatos, hace más afirmaciones relevantes. Entre ellas, que varias decenas de hospitales en el país están aplicando herramientas para obtener información masiva sobre el asma grave.

Por otra parte, asevera que la práctica médica cambiará, y tomar decisiones clínicas sin recurrir a la inteligencia artificial será considerado mala praxis. De hecho, menciona que estamos pasando de la medicina basada en la evidencia a la medicina generadora de evidencia, también llamada de precisión (2).

Características de los datos a gran escala

El big data se define mediante las tres V:

  • Volumen. La cantidad de datos resulta inmanejable, no solo a nivel humano sino incluso para las herramientas digitales tradicionales. En el mundo de los macrodatos, se habla ya de exabytes y petabytes.
  • Variedad. Las fuentes de información de las que se alimentan estas masas de datos son muy heterogéneas. En este contexto, la consecuencia inevitable es la variedad de formatos de información.
  • Velocidad. Es importante tener presente la rapidez con que la información se genera, almacena y analiza, para así poder tomar decisiones en tiempo real.

Asma y big data


El análisis de los conglomerados de datos ayuda a explorar patrones y asociaciones causales que la mente humana no puede desentrañar. De esta manera es posible comprender los mecanismos patológicos de las enfermedades. En el caso del asma, los datos pueden proceder de dispositivos o sensores de los pacientes y de las bases de datos que aportan información acerca de las diferentes poblaciones.

Beneficios

La magnitud de los datos y la velocidad para procesarlos y analizarlos permite alcanzar metas que hace poco eran imposibles de conseguir. Ahora está a nuestro alcance evaluar en tiempo real tanto la salud individual como la colectiva y los factores que influyen.

En los sistemas de salud, la administración de los recursos se optimiza, debido a que el gasto asociado a las patologías respiratorias representa el 6 % del presupuesto europeo (3). Por lo tanto, el análisis de los datos que generan los pacientes repercute sobre su pronóstico y también en la eficiencia de los sistemas sanitarios.

Gracias a las herramientas de análisis de macrodatos es posible avanzar hacia la medicina personalizada. La identificación de cambios en los biomarcadores, así como los metabólicos, genómicos (4) y moleculares, deja atrás los modelos anteriores. Concretamente, los patrones terapéuticos que giran en torno a una respuesta media a los tratamientos representan un enfoque menos efectivo para la mayoría de los pacientes. Por consiguiente, ahora se pueden analizar las respuestas individuales en el contexto de una visión mucho más amplia.

Uso del big data para diagnosticar el asma grave

El asma grave (AG) es aquella que requiere múltiples fármacos en altas dosis para mantener el control, o aquella que permanece mal controlada a pesar del tratamiento. En el diagnóstico de esta patología es necesario un abordaje multidisciplinario (5), así como visitas de seguimiento durante un periodo de seis meses o más en un centro especializado en asma.

Entre los pacientes con asma existe una gran heterogeneidad, con fenotipos y endotipos (6) que generan diferentes respuestas al tratamiento. En ese sentido el big data es prometedor, pues ayuda a estratificar y analizar la respuesta a los diferentes tratamientos de los pacientes en función de sus fenotipos y endotipos, integrando la información genética, fenotípica, medioambiental y socioeconómica (7).

La confirmación del diagnóstico de asma requiere de la realización de ciertas pruebas recomendadas por los consensos internacionales. En este aspecto, el uso del big data para diagnosticar el asma grave resulta de gran ayuda para establecer los parámetros de normalidad (8):

  • PBD positiva. En adultos se observa un aumento en FEV1 de mayor o igual al 12 % y de 200 ml respecto al nivel basal. Esto ocurre a los 15 minutos de administrar de 200 a 400 μg de salbutamol.
  • Mejoría significativa de la función después de cuatro semanas de tratamiento con glucocorticoides orales o inhalados.
  • Variabilidad de la función pulmonar y obstrucción del flujo aéreo. Confirmar la presencia de obstrucción mediante un FEV1/FVC reducido.
  • Variabilidad del PEF domiciliario mayor del 20 % en tres días o más, durante dos semanas.
  • Test positivo de provocación con caída en el FEV1 mayor o igual al 20% respecto al basal al utilizar histamina, o bien, mayor o igual al 15 % con hiperventilación.
  • Prueba positiva de ejercicio con caída en el FEV1 mayor o igual al 10 % respecto al basal.

 

El big data, un aliado inestimable para el diagnóstico y tratamiento del asma grave

El uso de sistemas informáticos cada vez más potentes permite obtener mejores resultados y de manera más rápida. En este contexto, la aplicación del big data para el asma grave es imprescindible para identificar grupos de riesgo, brindar apoyo a la labor clínica e implementar medidas coste-eficiencia en los centros sanitarios.

Referencias
  1. Marcos Domínguez. Redacción médica. El 'big data' desentraña los secretos del asma grave (2016). Disponible en: https://www.redaccionmedica.com/secciones/neumologia/el-big-data-desentrana-los-secretos-del-asma-grave-3439
  2. Ana Piña, María Paula Macedo, Roberto Henriques. Agrupación de datos clínicos en R. Métodos Mol Biol.2020; 2051:309-343. DOI: 10.1007/978-1-4939-9744-2_14. Disponible en: https://pubmed.ncbi.nlm.nih.gov/31552636/
  3. The economic burden of lung disease. Disponible en: https://www.erswhitebook.org/chapters/the-economic-burden-of-lung-disease
  4. Eisen MB, Spellman PT, Brown PO, Botstein D. Análisis de conglomerados y visualización de patrones de expresión de todo el genoma. Proc Natl Acad Sci USA. 1998;95:14863–14868. doi: 10.1073/pnas.95.25.14863. Disponible en: https://pubmed.ncbi.nlm.nih.gov/9843981/
  5. F.J. Álvarez-Gutiérrez, M. Blanco-Aparicio, V. Plaza, C. Cisneros, J.L. García-Rivero, A. Padilla, et al. Documento de consenso de asma grave en adultos. Actualización 2022. Open Respiratory Archives, 4 (2022). doi: 10.1016/j.opresp.2022.100192. Disponible en: https://www.elsevier.es/en-revista-open-respiratory-archives-11-articulo-documento-consenso-asma-grave-adultos--S2659663622000388
  6. D.E. Shaw, A.R. Sousa, S.J. Fowler, L.J. Fleming, G. Roberts, J. Corfield, et al. Clinical and inflammatory characteristics of the European U-BIOPRED adult severe asthma cohort. Eur Respir J., 46 (2015), pp. 1308-1321. Disponible en: https://pubmed.ncbi.nlm.nih.gov/26357963/
  7. Prodromal clinical, demographic, and socio-ecological correlates of asthma in adults: a 10-year statewide big data multi-domain análisis. Jennifer N. Fishe, MD, Jiang Bian , PhD, Zhaoyi Chen, PhD, Hui Hu , PhD, Jae Min, PhD, Francois Modave , PhD & show all. Pages 1155-1167. Doi:10.1080/02770903.2019.1642352. Disponible en: https://pubmed.ncbi.nlm.nih.gov/31288571/
  8. Chung KF, Wenzel SE, Brozek JL, Bush A, Castro M, Sterk PJ, et al. International ERS/ATS guidelines on definition, evaluation and treatment of severe asthma. Eur Respir J. 2014;43:343-373. Erratum in: Eur Respir J. 2018;52:343-373. DOI: 10.1183/13993003.52020-2013. Disponible en: https://pubmed.ncbi.nlm.nih.gov/30054347/

MAT-ES-2400112 V1 Enero 2024