Page 45 - Revista FIUDE 2018

Revista de la Facultad de Ingeniería, Año 5, Número 1

Los datos pueden ser estructurados (responden a un esquema), semi estructurados
(responden a una estructura jerárquica, por ejemplo: html y json), o no
estructurados (documentos, videos y audios, entre otros). Tal variedad de datos
presenta un reto importante para los prestadores de salud al momento de identificar
patrones o tendencias a partir de ellos. El procesamiento del lenguaje natural (NLP),
la búsqueda de correlaciones, la descripción de agrupamientos y determinar
tendencias, son, en contextos en los cuales se generan datos en "forma tradicional",
métodos que resultan difíciles de aplicar y extraer conocimiento de utilidad (nos
referimos a "forma tradicional" de generar datos cuando estos se pueden almacenar
en bases de datos relacionales). Si el escenario consiste en aplicar dichas técnicas a
diferentes tipos de datos, que generan grandes datasets, las dificultades aumentan.
El segundo nivel de desafío implica, si la analítica se pretende hacer a nivel nacional,
la integración de los datos de todos los prestadores de Salud. A las dificultades que
se presentan a nivel local de cada institución, se agrega la diversidad de origen de
los datos. En este nivel, el volumen, velocidad y variabilidad de los datos
implicarían incursionar en Big Data para su análisis, debiéndose considerar varios
aspectos.

La colección de los datos deberá ser atendida considerando el volumen y velocidad
de creación. Puede ocurrir que los datos pudieran transportarse a un storage
central (considerando el bajo costo del almacenamiento, en la actualidad, y la
tendencia a la reducción prevista de sus precios en el futuro). Este escenario
implicaría un costo de transporte que puede transformarse en un "cuello de botella",
característico en Big Data. Si los datos permanecen en las instituciones (que sería la
opción más adecuada), se deberá llevar el procesamiento a los datos a través de
modelos computacionales desarrollados a tal fin. El modelo más adecuado sigue
siendo Map Reduce. Los servidores o commodities que aporta cada institución
médica es una estación que efectuaría operaciones Map. Luego, se debe contar con
un equipo centralizado que hará la operativa Reduce (considerando la cantidad de
centros asistenciales en Uruguay y comenzando con un prototipo, un equipo sería
suficiente, previendo que se deba escalar en caso de un aumento de la demanda de
los servicios prestados).

Figura 1. Esquema de un diagrama de flujo para la integración de datos para una arquitectura de Big
Data aplicada a las prestaciones del sistema de salud.

44