Reading Time: 3 minutes

La evolución en Data Science aplicable a salud está experimentando un acelerón importante en los últimos años. Hace ya tiempo que el dato se aplica de forma robusta en este campo, pero con el desarrollo de técnicas cada vez más avanzadas en machine y deep learning y otras más relacionadas con la IA, como el procesamiento de lenguaje natural (NPL), la evolución del valor obtenido del dato está siendo exponencial.

Es complicado contar con todos los perfiles necesarios en cada fase de un proyecto de este tipo ya que tienen, por su propia naturaleza, un claro componente multidisciplinar. En este sentido el apoyo en modelos de Talent As a Service para contar con el talento adecuado en el momento adecuado es clave.

Otro elemento fundamental es conocer qué fases se deben acometer para que la innovación en la estrategia de Data en salud reporte el valor necesario de una forma segura; todas ellas son importantes y necesarias.

Definir Objetivos y Metas Claras

• Establecer qué se desea lograr con la estrategia en analítica: mejorar la toma de decisiones, mejorar la experiencia del cliente o desarrollar nuevos productos.
• Alinear estos objetivos con la estrategia empresarial general para asegurar cohesión y relevancia.

Formar un Equipo Cualificado

• Contratar el Talento Adecuado: Formar un equipo multidisciplinario con los perfiles clave identificados anteriormente: Científicos de Datos, Ingenieros de Datos, Analistas de Datos, Especialistas en NLP, Ingenieros de Machine Learning, Especialistas en IA Explicable (XAI), Expertos en Aprendizaje Federado y un Gerente de Proyectos en Data Science​ (Analytics Insight)​ (MyGreatLearning).
• Formación Continua: Invertir en la formación y desarrollo continuo para mantener al equipo actualizado con las últimas tendencias y tecnologías.
• En esta fase contar con un partner en talento (TaaS) que reduzca las dificultades y riesgos al mínimo puede ser la mejor opción si no se cuenta con todo el talento necesario en la organización. Además así se tendrá garantizada la formación y capacitación continua.

Invertir en las Herramientas y Tecnologías Adecuadas

• Infraestructura de Datos: Establecer una infraestructura de datos robusta utilizando herramientas como Hadoop, Spark y soluciones de almacenamiento en la nube para manejar grandes volúmenes de datos de manera eficiente.
• Plataformas de Analítica Avanzada y Machine Learning: Utilizar plataformas como Azure ML, TensorFlow, PyTorch y Scikit-learn para construir y desplegar modelos de machine learning​ (Yale School of Medicine)​ (McKinsey & Company).
• Herramientas de Visualización de Datos: Implementar herramientas como Tableau y Power BI para una visualización y reporte de datos efectivos​ (SpringerLink).

Desarrollar un Marco de Gobernanza de Datos

• Establecer políticas y procedimientos para la gestión de datos, incluyendo la calidad de los datos, la seguridad y la privacidad.
• Implementar medidas de cumplimiento para adherirse a las regulaciones y estándares relevantes, como el GDPR para la protección de datos​ (SpringerLink) y el Esquema Nacional de Seguridad (de obligado cumplimiento en la administración pública española).
• Esta fase es completamente fundamental en un sector como el farmacéutico, dónde la alta sensibilidad de los datos es un elemento a tener muy en cuenta.

Implementar Metodologías Ágiles

• Utilizar técnicas de gestión de proyectos ágiles para asegurar flexibilidad y progreso iterativo. Esto permite mejoras continuas y una rápida adaptación a los cambios de requisitos​ (McKinsey & Company).
• Revisar y ajustar regularmente la estrategia basándose en métricas de rendimiento y feedback.

Aprovechar la Analítica Avanzada y la IA

• Integrar machine learning e IA para obtener insights más profundos y automatizar los procesos de toma de decisiones. Enfoque en IA Explicable para asegurar transparencia y confianza en tus modelos​ (Yale School of Medicine)​ (SpringerLink).
• Explorar el aprendizaje federado para mejorar la privacidad y seguridad mientras se utilizan eficazmente fuentes de datos distribuidas​ (McKinsey & Company). A la hora de desarrollar una estrategia de datos en un sector tan fuertemente regulado como el de la salud debemos evaluar y gestionar cualquier posible riesgo.

Fomentar una Cultura Basada en Datos

• Promover una mentalidad basada en datos en toda la organización fomentando la alfabetización en datos y haciendo que los datos sean accesibles para todos los interesados relevantes.
• Utilizar el storytelling con datos para comunicar insights de manera efectiva y promover la toma de decisiones informada​ (Yale School of Medicine).

Monitorear y Evaluar

• Monitorear continuamente el desempeño de la estrategia de datos contra los objetivos y KPIs definidos.
• Utilizar bucles de retroalimentación para refinar modelos y procesos, asegurando mejoras continuas e innovación​ (McKinsey & Company).

Escalar e Innovar

• A medida que la estrategia de datos madure, explorar nuevas áreas de innovación como Edge Computing, analítica en tiempo real y modelos de Data-as-a-Service (DaaS).
• Mantener actualizada a la compañía de las tendencias emergentes y tecnologías para seguir siendo competitivo y con visión de futuro​ (MyGreatLearning)​ (McKinsey & Company).

Esta secuencia de fases nos permitirá innovar y maximizar el valor de nuestros datos con un control de riesgos adecuado, obteniendo un soporte clave en la toma de decisiones.

Referencias

10 Data Science Papers for Academic Research in 2024 .- Analytics Insight (2023)

Latest Trends in Data Science 2024 .- GreatLearning (2024)

What Does Natural Language Processing Mean for Biomedicine? .- Yale School of Medicine (2023)

Natural language processing in healthcare .- McKinsey & Company (2018)

Natural Language Processing for Health-Related Texts .- Sprinkler (2021)

Natural Language Processing in Health Care and Biomedicine .- Sprinkler (2013)