El valor del aprendizaje automático (machine learning, ML) en los servicios de saludradica en su capacidad para procesar conjuntos de datos de gran tamaño que superan el alcance de la capacidad humana y, a continuación, convertir de forma fiable el análisis de esos datos en ideas que ayuden a los profesionales sanitarios a planificar y prestar asistencia.En última instancia, esto se traduce en mejor salud, mes costes y una mayor satisfacción de los usuarios y usuarias.[1]
En muchos entornos, sobre todo en los de ingresos bajos y medios, el aprendizaje automático no se utiliza para la atención sanitaria, a menudo debido a la falta de disponibilidad de conjuntos de datos y de infraestructura para respaldar la implementación de aplicaciones de aprendizaje automático o ML. Además, los conjuntos de datos sanitarios suelen carecer de una representación de grupos demográficos y socioeconómicos diversos. Por lo tanto, cuando se utiliza el ML, los conjuntos de datos en los que se basan los algoritmos de diagnóstico y tratamiento corren el riesgo de estar sesgados. Cuando los datos sí son representativos, a menudo no son precisos, lo que da lugar a una comprensión incorrecta de las diferencias entre grupos. Los datos actuales también pueden pasar por alto importantes datos socioeconómicos, medioambientales y de otro tipo que pueden determinar los resultados sanitarios. La mejora de estos conjuntos de datos puede mejorar los modelos de ML y, en definitiva, los resultados sanitarios en todas las poblaciones, desde la prevención hasta el diagnóstico y el tratamiento. [2]
Además, la salud y los derechos sexuales, reproductivos y maternos (SRMHR, en inglés) son cruciales para la salud y la supervivencia de las personas de todos los sexos, así como para el desarrollo social y económico. Las intervenciones de SRMHR bien diseñadas han demostrado ser extremadamente rentables. Sin embargo, la salud y derechos sexuales, reproductivos y maternos de muchas personas, sobre todo en los contextos de ingresos bajos y medios, están lejos de hacerse realidad.
Financiación de Lacuna
Lacuna Fund apoya la creación, agregación y mantenimiento de conjuntos de datos para la formación y evaluación de modelos de aprendizaje automático con el fin de mejorar la disponibilidad de conjuntos de datos y los resultados en materia de salud en dos vertientes:
- Abordar las desigualdades en la atención sanitaria en los Estados Unidos y en los países con ingresos bajos y medios a nivel mundial.
- Mejora de la salud y los derechos sexuales, reproductivos y maternos en África.
Nuestros Comité de Asesoramiento Técnico (TAP son sus siglas en inglés) se encargan de identificar las lagunas de datos, desarrollar Convocatorias de Propuestas (RFP) y revisar y seleccionar las propuestas. Nuestro Comité de Asesoramiento Técnico sobre Equidad Racial y Salud identificó en 2021 las necesidades de conjuntos de datos que aborden las disparidades en salud con respecto a cáncer, enfermedades infecciosas y enfermedades crónicas.
En 2023, el TAP de SRMHR busca conjuntos de datos de formación y evaluación para mejorar la salud y derechos sexuales, reproductivos y maternos de las personas en África. Esta convocatoria de propuestas comprende la salud materna y neonatal, la planificación familiar y la anticoncepción, las infecciones de transmisión sexual como el VIH/SIDA, las enfermedades no transmisibles del aparato reproductor, y la violencia sexual y de género.
Buscamos conjuntos de datos identificados por las comunidades locales diseñados para abordar necesidades identificadas localmente, por lo que los siguientes puntos son sólo ejemplos. El TAP y Lacuna Fund aceptan propuestas fuera de estos temas:
- Conjuntos de datos para entrenar chatbots, agentes conversacionales y otras aplicaciones centradas en el suministro de información
- Conjuntos de datos de preguntas y respuestas con información médica de alta calidad y validada por profesionales sanitarios, utilizados para entrenar chatbots, agentes conversacionales y otras aplicaciones centradas en el suministro de información.
- Conjuntos de datos de imágenes para entrenar inteligencia artificial y apoyar la detección y el diagnóstico de enfermedades
- Grandes conjuntos de datos de población (incluidos los longitudinales)
- Conjuntos de datos que representan experiencias en el proceso de tratamiento.
- En todos los conjuntos de datos: perspectiva de género e inclusión de los grupos vulnerables y excluidos.
Los TAP valoran proyectos que propongan desbloquear, aumentar o agregar conjuntos de datos existentes, así como recibir propuestas para crear nuevos conjuntos de datos.
Consulte las oportunidades de financiación abiertas (y cómo solicitarlas) aquí.
Consulte las oportunidades de financiación anteriores aquí.
Patrocinadores
El apoyo a las convocatorias de propuestas (RFP) de Lacuna Fund en el ámbito de la Salud proviene de:
- [Convocatoria activa] Convocatoria de propuestas en 2023: Salud y derechos sexuales, reproductivos y maternos (SRMHR) RFP: Centro Internacional de Investigación y Desarrollo de Canadá (IDRC).
- Convocatoria de propuestas en 2021: Equidad y salud: The Rockefeller Foundation, Google.org, Wellcome Trust, Gordon and Betty Moore Foundation, Patrick J. McGovern Foundation, and the Robert Wood Johnson Foundation.
[1] Corbett, Ed. “Real-World Benefits of Machine Learning in Healthcare.” Health Catalyst, 19 de noviembre de 2020, www.healthcatalyst.com/clinical-applications-of-machine-learning-in-healthcare.
[2] Wawira Gichoya J, McCoy LG, Celi LA, et al. “Equity in essence: a call for operationalising fairness in machine learning for healthcare”. BMJ Health & Care Informatics 2021;28:e100289. doi:10.1136/bmjhci-2020-100289