Regístrese
¿Aún no está registrado?
Información relevante

Consulte los artículos y contenidos publicados en este medio, además de los e-sumarios de las revistas científicas en el mismo momento de publicación

Máxima actualización

Esté informado en todo momento gracias a las alertas y novedades

Promociones exclusivas

Acceda a promociones exclusivas en suscripciones, lanzamientos y cursos acreditados

Crear Mi cuenta
Buscar en
Cirugía Española
Toda la web
Inicio Cirugía Española Big data y cirugía: la revolución digital continúa
Información de la revista
Vol. 96. Núm. 5.Mayo 2018
Páginas 247-314
Compartir
Compartir
Descargar PDF
Más opciones de artículo
Vol. 96. Núm. 5.Mayo 2018
Páginas 247-314
Editorial
DOI: 10.1016/j.ciresp.2017.07.009
Acceso a texto completo
Big data y cirugía: la revolución digital continúa
Big data and surgery: The digital revolution continues
Visitas
573
Eduardo M Targarona
Autor para correspondencia
Etargarona@santpau.cat

Autor para correspondencia.
, Andrea Balla, Gabriela Batista
Servicio de Cirugía, Hospital Sant Pau, Universidad Autónoma de Barcelona, Barcelona, España
Este artículo ha recibido
573
Visitas
Información del artículo
Texto Completo
Bibliografía
Descargar PDF
Estadísticas
Texto Completo

Hace ya más de 30 años, justo al inicio de la revolución que significó la realización de la primera colecistectomía laparoscópica, un cirujano y militar norteamericano, el coronel Richard Satava, describía el cambio disruptivo que significaba la cirugía laparoscópica no meramente como una innovación puramente tecnológica, sino como otra manifestación de la era de la información digital1. La irrupción del mundo digital en la práctica quirúrgica ha fructificado de múltiples formas con la universal aplicabilidad del abordaje quirúrgico mediado por la imagen, desarrollo de la cirugía robótica, progreso en la calidad de la imagen (HD, 3D, 4K) y también en la posibilidad de manipulación, almacenamiento y diseminación de la imagen obtenida, así como en modelos de simulación, realidad virtual o impresión 3D2,3. Simultáneamente, la revolución digital ha impactado de una forma mucho más definitiva en todos los aspectos de nuestra vida cotidiana, incluyendo obviamente la medicina y la asistencia sanitaria. El desarrollo universal de Internet, del comercio electrónico, de las redes sociales, los nuevos conceptos del Internet of Things (IoT) o la digitalización de los medios de gestión empresariales ha favorecido que, en el momento actual, la cantidad de información digital de cualquier tipo que se crea y almacena crezca de forma exponencial. Se considera que en la actualidad más del 96% de la información en general está almacenada de forma informática. El crecimiento en volumen de datos de la asistencia sanitaria crece a una velocidad astronómica: en 2013 se produjeron 153 exabytes (1 exabyte=1000 millones de gigabytes), y se estima que la generación de información superará los 2.314 exabytes en 2020, lo que significa un crecimiento anual superior al 48%4–6. La obtención y almacenaje de esta cantidad de información de todo tipo (texto, imágenes, datos de historias clínicas, señales generadas por dispositivos implantados en pacientes, archivos no estructurados) ha permitido desarrollar un nuevo concepto y abrir un nuevo campo de aplicación y desarrollo de la tecnología digital con un futuro y una dimensión incalculable, que corresponde a la idea del big data5. Técnicamente se define como big data a un conjunto de datos tan grandes que las aplicaciones informáticas tradicionales del procesamiento de datos no son suficientes para tratar con ellos, y a los procedimientos usados para encontrar patrones repetitivos dentro de esos datos5. La característica más interesante de big data es que incluye datos digitales potencialmente obtenibles de múltiples orígenes (textos, bases de datos, figuras, historias clínicas, registros, Internet de las cosas). Esta información no estructurada puede ser analizada informáticamente mediante herramientas específicas obteniendo algoritmos, patrones de comportamiento o interrelaciones, lo que implica una inconmensurable fuente de potencial información. Este concepto ha sido aplicado inmediatamente en la sociedad actual, creando un importantísimo nuevo modelo de negocio por la importante información que pueden aportar los resultados de dichos análisis en múltiples ámbitos de la sociedad (banca, comercio, etc.). Lógicamente, la siguiente etapa ha sido su aplicación en medicina, aunque hay que considerarlo en una fase muy inicial7. La nueva era de los grandes datos puede significar un importante impacto en la asistencia sanitaria, beneficiando y potenciando múltiples partes interesadas7: en primer lugar, a los pacientes, con un mejor y más preciso uso de la tecnología. También los clínicos, que pueden tener acceso real al paciente mejorando las tomas de decisiones. Investigadores que pueden desarrollar mejores modelos de predicción o creación de algoritmos. Las compañías farmacéuticas, que pueden evaluar mejor el resultado de los tratamientos y el control del mercado, así como las compañías de dispositivos médicos con una implementación más segura y controlable. Finalmente los agentes financieros, que pueden desarrollar formas de pago más exactas, el gobierno con la finalidad de reducir el coste, mejorar leyes y dar valor social a los datos y una oportunidad a los desarrolladores de software para mejorar sus instrumentos.

Un concepto de interés en gestión sanitaria es la denominada Business Intelligence, en la que la miríada de datos obtenibles de la historia clínica, junto con la información puramente de gestión administrativa hospitalaria, puede generar información con potenciales grandes ventajas en la optimización y gestión de recursos8. El modelo potencialmente más interesante de aplicación de big data en la práctica clínica corresponde al concepto de «medicina de precisión». La conjunción y análisis de grandes bases de datos genómicas y proteómicas, junto a las características fenotípicas de la población obtenidas por su rastro digital diario, y la información específica de tipo médico obtenida bien a través de su historial médico bien a través de datos obtenidos por dispositivos médicos implantables (marcapasos, Holter, etc.), hipotéticamente puede permitir obtener información no imaginable en épocas previas7. Lógicamente, estos conceptos se han extendido rápidamente a otras especialidades médicas o medicoquirúrgicas (cardiología, anestesia, medicina de los trasplantes, cirugía plástica)9–12.

La aplicación de la información obtenible a través de los big data en cirugía está en una fase todavía más embrionaria, aunque los posibles campos de aplicación que se vislumbran en el horizonte son múltiples12,13. La aplicación más básica del concepto big data es la experiencia ya consolidada por el éxito e iniciada hace más de 15 años en EE. UU. que corresponde a la obtención y explotación de grandes bases de datos clínicas. Estas bases de datos, desarrolladas inicialmente en los hospitales de veteranos, son bases fiables, balanceadas en cuanto al riesgo, que permiten comparar los resultados de múltiples hospitales incluyendo miles o millones de procedimientos quirúrgicos14. Su explotación permite efectuar comparaciones tipo benchmarking, acreditar centros, modular fórmulas de pago y en el momento actual es una nueva forma de obtener evidencia prácticamente inmediata en el mundo real. Se puede considerar que las grandes bases de datos quirúrgicas procedentes de diferentes proyectos, como el NSQIP o NSI, son demasiado pequeñas (aunque incluyen varios millones de pacientes) para considerarlas big data, y que solo corresponderían a la punta del iceberg de la potencialidad de este concepto. Pero sirvan 3 ejemplos para ilustrar el potencial interés de esta idea en la utilización de la información. Recientemente se publicó el análisis de una serie de 52.868 bandas gástricas, intervenidas en Francia entre 2007 y 2013, observando que la necesidad de reintervenciones para la retirada de la banda era del 6% anual, y se incrementaba progresivamente, cuestionando la utilidad práctica de esta opción técnica15. Otro reciente estudio expone los resultados de una serie de 189.477 gastrectomías tubulares realizadas por 1.634 cirujanos en 720 pacientes en 2 años (de 2012 a 2014). Los resultados cuestionan múltiples aspectos relacionados con esta intervención obtenidos a partir de conferencias de consenso o iniciativas con menor número de pacientes16. Finalmente, un reciente análisis de más de 325.000 pacientes (apendicectomía: 46.688, colectomía: 152.114, hernia inguinal: 59.066, histerectomía: 59.066, prostatectomía: 10.802), pareados mediante un modelo de propensity score demostró ventajas significativas del abordaje mínimamente invasivo para todos ellos en términos de complicaciones clasificadas según Clavien, readmisiones y estancia hospitalaria excepto para la apendicectomía17. Aunque hay que ser muy prudente al aceptar la información obtenida de los análisis de estas grandes bases de datos18, la utilidad inmediata es manifiesta, bien como benchmarking e identificación de variabilidad clínica y mejora asistencial entre los centros que colaboran, como en la obtención de información difícilmente obtenible con estudios basados en la evidencia convencionales. El análisis de estas grandes bases de datos permite obtener múltiples tipos de información, y específicamente en cirugía mínimamente invasiva permite conocer mejor los resultados en la aplicación de estas técnicas, la comparación entre técnicas, el análisis detallado de la evolución postoperatoria y el análisis de enfermedades o procedimientos infrecuentes o patrones de aplicabilidad en la población13. Algunos autores han propuesto que el análisis de estos datos podría significar alternativas a metodologías de obtención de evidencia, en ocasiones sumamente difíciles en tiempo y recursos para obtener una información fiable19. Sin duda, la obtención de información veraz, de amplias muestras, fiable, prácticamente en tiempo real significa una forma adicional de obtener evidencia y evaluar la aplicabilidad y los resultados de múltiples procedimientos quirúrgicos o de sus resultados.

Inevitablemente, la indicación y el tratamiento quirúrgico son opciones a incluir en algoritmos y análisis de decisión en múltiples situaciones clínicas. Sin lugar a dudas el cirujano deberá conocer su papel y actuación cuando se plantee una intervención en el árbol de decisión obtenido del análisis o algoritmo de tratamiento basado en múltiples datos respecto a una enfermedad en concreto, en el contexto de una «cirugía pesonalizada».

El entorno quirúrgico actual, ampliamente tecnificado, abre opciones de utilización de la tecnología big data, y se pueden vislumbrar diferentes áreas de interés: el quirófano es un entorno tecnológico con capacidad de generación de gran número de datos con posible obtención de información. La monitorización intraoperatoria del paciente quirúrgico, los datos obtenidos durante el abordaje laparoscópico (imagen, presión, uso de energía), o potenciales nuevas aplicaciones basada en imagen (fluorescencia y verde de indiocianina, realidad aumentada), e inevitablemente la cirugía robótica son potenciales orígenes de información cruda, que una vez analizada puede ser de interés. El concepto de cirugía de precisión es fácilmente intuible mediante la utilización de contrastes fluorescentes. La cirugía robótica posee un potencial inmenso de obtención de información (ergonomía, precisión de movimientos, etc.). Big data inevitablemente va ligado a conceptos más avanzados, como inteligencia artificial o learning machine20,21. Existe ya el proyecto de análisis de cientos de vídeos quirúrgicos, que analizados con modelos de IA puede fructificar en herramientas intraoperatorias de apoyo o corrección cuando se efectúa una intervención laparoscópica21.

La revolución digital en cirugía no se acabó con la realización de una esofagectomía mínimamente invasiva o un POEM, sino que continúa con unas perspectivas difíciles de imaginar y predecir. Sin embargo, los cirujanos deben conocer estas nuevas opciones de desarrollo y apoyo al acto quirúrgico, ayudar en el desarrollo de estos conceptos y liderar su aplicabilidad. Tal como ya se considera en ambientes extrasanitarios, y cada vez más en gestión sanitaria, quien tiene la información tendrá el poder. El tipo, forma de obtención y explotación de la información está en plena transformación vertiginosa, y el cirujano deberá conocer los conceptos, sus ventajas e inconvenientes y colaborar en los protocolos de obtención y explotación; si no, lo harán otros profesionales por nosotros.

Bibliografía
[1]
R. Satava
Innovative technologies. The Information age and the biointelligence age
Surg Endosc, 14 (2000), pp. 417-418
[2]
J. Marescaux,M. Diana
Looking at the future of surgery with the augmented eye
Ann Laparosc Endosc Surg, 1 (2016), pp. 36-43
[3]
Diana M. Cirugía guiada por fluorescencia aplicada al aparato digestivo: el ojo cibernético permite ver lo invisible. Cir Esp. 2017. [consultado 6 de Jul 2017]. Disponible en: http://dx.doi.org/10.1016/j.ciresp.
[5]
M. Chen,L.Y. Mao
Big data: A survey
Mobile Netw Appl, 19 (2014), pp. 171-209
[6]
M. Hilbert,P. López
The world's technological capacity to store communicate, and compute information
[7]
C.S. Kruse,R. Goswamy,Y. Raval,S. Marawi
Challenges and opportunities of big data in health care: A systematic review
JMIR Med Inform, 21 (2016), pp. e38
[8]
N. Ashrafi,L. Kelleher,J.P. Kuilboer
The impact of business intelligence on healthcare delivery in the USA
Interdisciplinary Journal of Information Knowledge, and Management, 9 (2014), pp. 117-130
[9]
J.S. Rumsfeld,K.E. Joynt,T.M. Maddox
Big data analytics to improve cardiovascular care: Promise and challenges
Nat Rev Cardiol, 13 (2016), pp. 350-359 http://dx.doi.org/10.1038/nrcardio.2016.42
[10]
K. Pendry
The use of big data in transfusion medicine
Transfus Med, 25 (2015), pp. 129-137 http://dx.doi.org/10.1111/tme.12223
[11]
J. Kanevsky,J. Corban,R. Gaster,A. Kanevsky,S. Lin,M. Gilardino
Big data and machine learning in plastic surgery: A new frontier in surgical innovation
Plast Reconstr Surg, 137 (2016), pp. 890e-897e http://dx.doi.org/10.1097/PRS.0000000000002088
[12]
B. Mathias,G. Lipori,L.L. Moldawer,P.A. Efron
Integrating “big data” into surgical practice
Surgery, 59 (2016), pp. 371-374
[13]
Balla A, Batista Rodríguez G, Corradetti S, Balagué C, Fernández-Ananín S, Targarona EM. Outcomes after bariatric surgery according to large databases: a systematic review. Langenbecks Arch Surg. 2017 Aug 5. doi: 10.1007/s00423-017-1613-6. [Epub ahead of print].
[14]
B.L. Hall,B.H. Hamilton,K. Richards,K.Y. Bilimoria,M.E. Cohen,C.Y. Ko
Does surgical quality improve in the American College of Surgeons National Surgical Quality Improvement Program: An evaluation of all participating hospitals
[15]
A. Lazzati,M. de Antonio,L. Paolino,F. Martini,D. Azoulay,A. Iannelli
Natural history of adjustable gastric banding: Lifespan and revisional rate: A nationwide study on administrative data on 53.000 patients
[16]
E.R. Berger,R.H. Clements,J.M. Morton,K.M. Huffman,B.M. Wolfe,N.T. Nguyen
The impact of different surgical techniques on outcomes in laparoscopic sleeve gastrectomies: The first report from the metabolic and bariatric surgery accreditation and quality improvement program (MBSAQIP)
[17]
A. Sood,C.P. Meyer,F. Abdollah,J.D. Sammon,M. Sun,S.R. Lipsitz
Minimally invasive surgery and its impact on 30-day postoperative complications, unplanned readmissions and mortality
Br J Surg, 104 (2017), pp. 1372-1381 http://dx.doi.org/10.1002/bjs.10561
[18]
J.A. Cook,G.S. Collins
The rise of big clinical databases
Br J Surg, 102 (2015), pp. e93-e101 http://dx.doi.org/10.1002/bjs.9723
[19]
Frieden TR. Evidence for Health Decision Making - Beyond Randomized, Controlled Trials. N Engl J Med. 2017;377:465-75.
[20]
Y. Kassahun,B. Yu,A.T. Tibebu
Surgical robotics beyond enhanced dexterity instrumentation: A survey of machine learning techniques and their role in intelligent and autonomous surgical actions
Int J Comput Assist Radiol Surg, 11 (2016), pp. 553-568 http://dx.doi.org/10.1007/s11548-015-1305-z
[21]
S. Twinanda,D. Shehata,J. Mutter,M. Marescaux,N. de Mathelin
Padoy.EndoNet: A deep architecture for recognition tasks on endoscopic videos
IEEE Transactions on Medical Imaging, 36 (2017), pp. 86-97 http://dx.doi.org/10.1109/TMI.2016.2593957
Copyright © 2017. AEC
es en pt
Política de cookies Cookies policy Política de cookies
Utilizamos cookies propias y de terceros para mejorar nuestros servicios y mostrarle publicidad relacionada con sus preferencias mediante el análisis de sus hábitos de navegación. Si continua navegando, consideramos que acepta su uso. Puede cambiar la configuración u obtener más información aquí. To improve our services and products, we use "cookies" (own or third parties authorized) to show advertising related to client preferences through the analyses of navigation customer behavior. Continuing navigation will be considered as acceptance of this use. You can change the settings or obtain more information by clicking here. Utilizamos cookies próprios e de terceiros para melhorar nossos serviços e mostrar publicidade relacionada às suas preferências, analisando seus hábitos de navegação. Se continuar a navegar, consideramos que aceita o seu uso. Você pode alterar a configuração ou obter mais informações aqui.
es en pt

¿Es usted profesional sanitario apto para prescribir o dispensar medicamentos?

Are you a health professional able to prescribe or dispense drugs?

Você é um profissional de saúde habilitado a prescrever ou dispensar medicamentos