.png)
El futuro de la salud digital
Se estima que el mercado mundial de la salud digital crecerá a USD 508,8 mil millones para el año 2027, y el Foro Económico Mundial ha pronosticado que para 2040 el gasto sanitario mundial anual será de aproximadamente 25 billones de dólares estadounidenses.
La salud digital está transformando los sistemas sanitarios en países emergentes. Hoy, ya no cuesta imaginar un futuro donde las herramientas digitales estén completamente integradas en la atención médica. De hecho, ya están cambiando, y seguirán cambiando, la relación entre profesionales de la salud y pacientes.
Si bien el reconocimiento de voz existe desde hace décadas, los avances recientes en potencia computacional y aprendizaje automático lo han convertido en una herramienta clínicamente útil. En el contexto de una consulta médica, permite que el profesional de la salud registre observaciones relevantes —como la presencia de hinchazón en los pies o erupciones cutáneas— mediante comandos hablados, mientras el sistema transcribe automáticamente la información y sugiere posibles diagnósticos y líneas de acción. El potencial transformador de esta tecnología es tal que Nuance, una de las empresas líderes en el sector, fue adquirida recientemente por Microsoft por cerca de 20 mil millones de dólares
La telemedicina y las consultas remotas han evidenciado que numerosas interacciones clínicas pueden llevarse a cabo sin la necesidad de un examen físico presencial. Un ejemplo destacado se observa en dermatología, donde el análisis automatizado de imágenes permite la clasificación de lesiones cutáneas con alta precisión. En esta línea, Google ha desarrollado un software basado en aprendizaje automático que, utilizando su vasta base de datos de imágenes dermatológicas, puede asistir en la evaluación de lesiones sospechosas, como la detección preliminar de lunares con potencial cancerígeno.
Las herramientas digitales pueden complementar el juicio clínico al integrar múltiples variables que mejoran la precisión pronóstica. Esto permite no solo estimar con mayor exactitud la supervivencia, sino también anticipar la respuesta a procedimientos médicos y orientar tratamientos personalizados. El aprendizaje automático, por ejemplo, ya permite detectar disfunción ventricular izquierda o predecir fibrilación auricular a partir de un único electrocardiograma (ECG), identificando patrones imperceptibles para el ojo humano. En paralelo, los registros médicos electrónicos abren nuevas posibilidades para aplicar modelos predictivos, descubrir correlaciones clínicas y mejorar la toma de decisiones, especialmente cuando se combinan con datos administrativos y técnicas robustas de inteligencia artificial.
(mental health, wellness, fitness, nutrition and supplements, remote monitoring)
(POC testing, lab testing, diagnostic technologies, decision support, population health)
(telehealth, home care, primary treatments, specialized treatments, hospitals)
(rehabilitation, social care, chronic care, elder care)
(training and certification, health and safety)
(health records, practice management, scheduling and referrals, health analytics)
(wearables, medical devices, medical equipment, medical imaging, medical robotics)
(health benefits, corporate wellness, health insurance, health asset financing, healthcare real estate)
(drug manufacturing, drug commercialization, healthcare logistics, pharmacies)
(discoveries, clinical trials, clinical insights, precision medicine, genomics)
Aplicaciones clave de la salud digital en la práctica clínica moderna
El avance de la salud digital ha dado lugar a múltiples herramientas que, si bien ya se encuentran ampliamente implementadas en países desarrollados, comienzan a incorporarse de forma progresiva en sistemas sanitarios de países en desarrollo. A continuación, se presentan algunas de las aplicaciones más relevantes, clasificadas según su impacto funcional en la atención médica:
1. Apoyo al diagnóstico y toma de decisiones
🔹Chatbots clínicos avanzados: capaces de guiar al paciente en la identificación de síntomas y ofrecer recomendaciones preliminares.
🔹Sistemas de diagnóstico diferencial personalizados: priorizan pruebas y tratamientos según el perfil clínico del paciente.
2. Monitoreo y gestión de datos
🔹Recolección continua y remota de datos: mediante dispositivos conectados y wearables.
🔹Registros electrónicos unificados: que integran la historia clínica a lo largo del tiempo y entre instituciones.
🔹Acceso seguro y ágil a datos sensibles: facilitando la interoperabilidad sin comprometer la privacidad.
3. Infraestructura y atención clínica
🔹Consultas híbridas (presenciales + remotas): que optimizan tiempos y recursos.
🔹Comunicación digital integrada: entre equipos de salud, pacientes y otros actores del sistema.
4. Impacto organizacional y social
🔹Distribución más equitativa del acceso (igualdad digital).
🔹Reducción de la carga administrativa para profesionales de la salud.
🔹Atención más eficiente y centrada en el paciente.
1. Apoyo al diagnóstico y toma de decisiones
🔹Chatbots clínicos avanzados: capaces de guiar al paciente en la identificación de síntomas y ofrecer recomendaciones preliminares.
🔹Sistemas de diagnóstico diferencial personalizados: priorizan pruebas y tratamientos según el perfil clínico del paciente.
2. Monitoreo y gestión de datos
🔹Recolección continua y remota de datos: mediante dispositivos conectados y wearables.
🔹Registros electrónicos unificados: que integran la historia clínica a lo largo del tiempo y entre instituciones.
🔹Acceso seguro y ágil a datos sensibles: facilitando la interoperabilidad sin comprometer la privacidad.
3. Infraestructura y atención clínica
🔹Consultas híbridas (presenciales + remotas): que optimizan tiempos y recursos.
🔹Comunicación digital integrada: entre equipos de salud, pacientes y otros actores del sistema.
4. Impacto organizacional y social
🔹Distribución más equitativa del acceso (igualdad digital).
🔹Reducción de la carga administrativa para profesionales de la salud.
🔹Atención más eficiente y centrada en el paciente.
Tendencias emergentes en salud digital: del dato clínico a la estrategia global
A medida que la salud digital avanza, comienzan a emerger tendencias estructurales que podrían redefinir el futuro del ecosistema sanitario global. Una de ellas es el ingreso progresivo de las grandes corporaciones tecnológicas al sector salud, lo cual podría acelerar la innovación pero también plantea desafíos en cuanto a regulación y ética de los datos. Otra tendencia relevante es la creciente monetización de los datos de salud, con la creación de mercados secundarios y nuevas dinámicas en torno al valor del dato sanitario. Asimismo, se observa un cambio en el liderazgo geográfico: mientras Estados Unidos continúa dominando las inversiones, países asiáticos como China y Corea del Sur están posicionándose como referentes en el desarrollo e implementación de soluciones digitales a gran escala.
En este contexto, los datos del mundo real (Real-World Data, RWD) cobran una relevancia creciente. Ejemplos de aplicaciones con alto potencial incluyen:
🔹La generación de datos sintéticos para preservar la privacidad en investigación.
🔹El entrenamiento de modelos predictivos de IA para identificar poblaciones de riesgo.
🔹La mejora en la selección de tratamientos personalizados.
🔹La exploración de comportamientos de los pacientes en contextos no controlados.
Un área particularmente prometedora en este campo es el uso de datos ómicos (genómica, transcriptómica, epigenómica, proteómica, metabolómica, entre otros). Estas tecnologías permiten una caracterización más precisa de los pacientes y una aplicación más efectiva de la medicina de precisión, con potencial no solo en oncología sino también en enfermedades raras y otras patologías complejas. La escalabilidad y disponibilidad de estos datos serán determinantes en el futuro de la salud personalizada.
En este contexto, los datos del mundo real (Real-World Data, RWD) cobran una relevancia creciente. Ejemplos de aplicaciones con alto potencial incluyen:
🔹La generación de datos sintéticos para preservar la privacidad en investigación.
🔹El entrenamiento de modelos predictivos de IA para identificar poblaciones de riesgo.
🔹La mejora en la selección de tratamientos personalizados.
🔹La exploración de comportamientos de los pacientes en contextos no controlados.
Un área particularmente prometedora en este campo es el uso de datos ómicos (genómica, transcriptómica, epigenómica, proteómica, metabolómica, entre otros). Estas tecnologías permiten una caracterización más precisa de los pacientes y una aplicación más efectiva de la medicina de precisión, con potencial no solo en oncología sino también en enfermedades raras y otras patologías complejas. La escalabilidad y disponibilidad de estos datos serán determinantes en el futuro de la salud personalizada.
Subtipificación de pacientes: un enfoque personalizado en medicina
La subtipificación de pacientes es una herramienta esencial en la medicina moderna, especialmente cuando se trata de enfermedades complejas o crónicas. Este proceso consiste en la categorización de los pacientes en subgrupos basados en características específicas, como patrones comunes de enfermedades, perfiles genéticos y respuestas a tratamientos. El objetivo principal es personalizar los tratamientos, ya que los pacientes no responden de igual manera a los mismos enfoques médicos. Al identificar subgrupos con características similares, es posible diseñar terapias más efectivas y anticipar las respuestas de los pacientes a ciertos tratamientos.
En el ámbito de enfermedades complejas como el cáncer, la subtipificación juega un papel crucial. Por ejemplo, ciertos subtipos de tumores pueden mostrar una mayor eficacia ante tratamientos específicos, mientras que otros pueden ser más resistentes. De manera similar, en enfermedades crónicas como la diabetes o la hipertensión, la subtipificación permite identificar a aquellos pacientes con progresión rápida de la enfermedad, frente a aquellos cuya evolución puede ser más manejable a largo plazo.
Este enfoque no se limita a enfermedades físicas. En campos como la neurología y la psiquiatría, enfermedades como la depresión y la esquizofrenia también se benefician de modelos de subtipificación, permitiendo una comprensión más profunda de las diferentes manifestaciones y respuestas al tratamiento en diversos grupos de pacientes.
Un caso paradigmático ilustra el impacto de la subtipificación en la medicina. Un medicamento oncológico, inicialmente retirado del mercado debido a efectos adversos en una pequeña población de pacientes, fue posteriormente evaluado mediante un estudio retrospectivo. Se descubrió que los pacientes afectados compartían un biomarcador específico, lo que permitiría identificar de antemano a aquellos susceptibles a efectos secundarios, sin necesidad de restringir el acceso a la terapia para el resto de los pacientes que podrían beneficiarse significativamente de ella.
La subtipificación de pacientes emplea diversos métodos avanzados para identificar subgrupos con características particulares. A continuación, se describen algunos de los métodos más utilizados:
🔹Análisis genético: El uso de información genética para identificar subgrupos con características específicas que puedan influir en la respuesta a un tratamiento.
🔹Datos clínicos: Análisis del historial médico, síntomas y condiciones asociadas para formar subgrupos.
🔹Biomarcadores: Identificación de biomarcadores específicos (moléculas biológicas del cuerpo humano) que puedan ayudar a diferenciar y clasificar a los pacientes.
🔹Tecnologías de big data y machine learning: Utilización de algoritmos para identificar patrones en grandes volúmenes de datos de pacientes, para ayudar a descubrir subtipos de enfermedades.
Otro caso paradigmático de subtipificación de pacientes se encuentra en el cáncer de mama. Aunque todos los pacientes puedan compartir el mismo diagnóstico, los tumores pueden diferir significativamente según los biomarcadores presentes en las células tumorales. Algunos tumores pueden ser sensibles a ciertos medicamentos, mientras que otros no. Por ejemplo, se pueden identificar proteínas específicas en las membranas celulares de los tumores que actúan como targets para terapias dirigidas.
Además, permite evitar sesgos que podrían afectar a poblaciones minoritarias, garantizando que los pacientes reciban la terapia más adecuada según sus características moleculares.
El futuro de la salud digital es la medicina personalizada.
Escrito por Valeria Analia Dávila.
Bibliografía:
Thomason, J. (2021). Big tech, big data and the new world of digital health. Global Health Journal, 5(4), 165-168.
Liu, F., & Panagiotakos, D. (2022). Real-world data: a brief review of the methods, applications, challenges and opportunities. BMC Medical Research Methodology, 22(1), 287.
Butcher, C. J., & Hussain, W. (2022). Digital healthcare: the future. Future healthcare journal, 9(2), 113-117.
Sharma, R., & Kshetri, N. (2020). Digital healthcare: Historical development, applications, and future research directions. International Journal of Information Management, 53, 102105.