Google ha lanzado una nueva API de atención médica para combatir el COVID-19

Publicado: 29 de Junio del 2020

Joe Corkery, director de administración de productos de Google Cloud, explica cómo la nueva API ayudará a los desarrolladores a escalar soluciones de atención médica.

Dan Patterson, productor senior de CNET y CBS News, habló con Joe Corkery, director de gestión de productos, atención médica y ciencias de la vida, Google Cloud, sobre el uso del aprendizaje automático en aplicaciones de atención médica. La siguiente es una transcripción editada de su conversación.

Joe Corkery: La API de Google Cloud Healthcare es una aplicación, o básicamente una capa de aplicación que creamos para permitir la interoperabilidad de datos de atención médica, para permitir que las organizaciones de atención médica, los desarrolladores de aplicaciones de atención médica compartan una amplia variedad de diferentes tipos de datos de atención médica. En particular, se centra en los registros médicos y los datos de imágenes médicas, y admite los datos DICOM (Digital Imaging and Communications in Medicine) para imágenes médicas, así como los mensajes HL7v2 (Health Level Seven International, versión 2) y el FHIR (Fast Recursos de interoperabilidad de la atención sanitaria) registros de datos clínicos. Ayuda con la ingestión, el almacenamiento y el servicio de esos datos para permitir a las organizaciones realizar análisis de esos datos, entrenar modelos de aprendizaje automático y crear aplicaciones además de eso.


Creo que una de las primeras cosas que hay que entender es que hay un pequeño puñado de formatos estándar de la industria para representar datos de atención médica. Esos son los que mencioné anteriormente, HL7v2, FHIR, DICOM. Y hemos invertido mucho para asegurarnos de que estamos construyendo nuestras aplicaciones para cumplir con esos estándares abiertos. Y luego, creando herramientas que permitan a nuestros clientes y socios tomar los diferentes sabores de los estándares que puedan tener, o sus propios datos, vienen en otros formatos. Y, básicamente, construir tuberías de ingestión donde puedan hacer la transformación de datos que se requiere para convertir esos datos en estándares abiertos, si aún no están en eso. Si los datos ya están en un estándar abierto, es muy fácil ingerirlos a través de las API existentes. Pero si no, hemos trabajado mucho para desarrollar aplicaciones para hacer esa armonización, así como para trabajar con socios que pueden ayudar a los clientes a hacer eso.



Realmente, en muchos sentidos, estamos en las primeras etapas de la aplicación del aprendizaje automático a la atención médica, pero estamos viendo un enorme potencial en algunos de los trabajos que se han realizado en otras partes de Google en torno a la investigación. Particularmente en la aplicación del aprendizaje automático a las imágenes médicas, buscando mejores diagnósticos alrededor de la retinopatía diabética, por ejemplo. Pero también ha habido grandes demostraciones de casos de uso al observar predicciones basadas en registros médicos.

Una de las cosas que hemos visto que hacen algunos de nuestros clientes y usuarios es tomar los datos y luego usarlos para predecir la incidencia de enfermedades. Estamos viendo mucho interés en ¿puede usar el aprendizaje automático para predecir si un paciente tiene sepsis y predecir eso antes de lo que normalmente vería? También hemos visto algunos sistemas hospitalarios en los que están observando, ¿pueden predecir la recurrencia del cáncer de seno mediante una combinación de sus registros médicos y sus imágenes médicas? Y, realmente, mucho de eso puede hacer esas predicciones antes de lo que lo habrían hecho anteriormente, para que puedan intervenir más rápidamente.


Hemos estado trabajando en la API de atención médica durante un par de años porque vimos esta necesidad en la industria de la atención médica para poder salir de los silos de datos. Cuando se observan diferentes organizaciones de atención médica, uno de los refranes comunes que tuvieron para nosotros fue que “tenemos todos estos datos, sabemos que podemos aprender de estos datos, sabemos que podemos aplicar estos datos para ayudar mejor a nuestros pacientes. queremos entender a nuestra población en general. Queremos entender cómo podemos, más rápidamente, intervenir o hacer un mejor triaje a medida que las personas ingresan a la sala de emergencias “. Pero lo que realmente vinieron a nosotros fue que tienen muchos datos, están muy aislados y muchos están atrapados en esos silos. Y particularmente, cuando está mirando una gran organización de atención médica que abarca varios sitios. Entonces, usted tiene, potencialmente, algunos con dos hospitales, algunos con cientos de hospitales. ¿Cómo reúnen todos esos datos, especialmente cuando sus pacientes se trasladan de un hospital a otro?

 


Una de las cosas que realmente estamos tratando de hacer en este momento es ayudar a las organizaciones a construir esta plataforma de datos, además de que pueden reunir los datos de sus diferentes poblaciones de pacientes, para que puedan tener esta visión longitudinal de los pacientes en su población Y luego, creo que parte del futuro es que esperamos ver mejoras continuas para que sea más fácil hacerlo. Pero también permite a las organizaciones de atención médica, así como a los desarrolladores de aplicaciones, construir sobre esa plataforma. Al aprovechar los estándares abiertos, como FHIR, esperamos que sea fácil para las organizaciones de atención médica crear sus propias aplicaciones, así como para que terceros puedan crear y desplegar aplicaciones fácilmente en ese entorno.
Realmente esperamos ver un crecimiento real en la cantidad de aplicaciones de tecnología de atención médica que se pueden construir e implementar en estos entornos. Realmente estamos tratando de facilitar que las organizaciones y los desarrolladores tengan una plataforma. Ahí es donde realmente veo un ecosistema rico en el futuro. Pero creo que parte de eso también es darles a las organizaciones e investigadores de atención médica, en particular, la capacidad de tomar los datos, desidentificarlos, de modo que hayamos hecho muchas inversiones en la desidentificación de los datos de atención médica, entonces que pueden aprender mejor de los datos a escala, y usar eso para construir modelos que puedan hacer mejores predicciones que puedan aplicarse de una manera prospectiva

 

Fuente: Techrepublic