Page 46 - Revista FIUDE 2018

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

En la Figura 1, se presenta un esquema de la arquitectura a considerar, en la cual se
observan las dificultades y complejidades de la tarea. El proceso se inicia con datos
de los tres tipos, provenientes de los distintos prestadores de salud. Es de esperarse
que estos no se encuentren con un formato estándar, por lo que se agrega una
etapa de adaptación de los datos. Luego, los datos son procesados a través de
varios equipos que realizan la tarea Map (procesamiento y resumen de los datos),
cuyos resultados son enviados a otro equipo que realiza el procesamiento final de
los datos a través de la tarea Reduce. Con los datos ya procesados, se aplican las
técnicas de Big Data, generándose conocimiento que permite la toma de decisiones
por la gerencia (a los efectos de mejorar la gestión), y para el usuario (quien puede
tomar decisiones concernientes a su salud).

Confidencialidad

En general, la principal objeción que se plantea es la que corresponde a la
confidencialidad de los datos (en general los usuarios tienen un solo prestador para
su atención y no entenderían la utilidad de la integración de los datos). La
respuesta es que el cruzamiento no sería a nivel de usuarios, sino a nivel de las
otras muchas dimensiones que comprenden la asistencia médica. Disponiéndose de
tal cantidad de datos, sería posible obtener conocimiento que se traduciría en una
mejora de la salud de los propios usuarios (dispondrían de información que les
aporta un panorama más amplio, al momento de tomar decisiones concernientes a
su atención médica o relativas a la incorporación de nuevos y saludables hábitos a
su estilo de vida, con un impacto directo en su propio beneficio).

Desde el punto de vista de las gerencias, se dispondría de elementos para mejorar
la toma de decisiones para minimizar gastos y para mejorar la atención y la calidad
de vida de sus asociados, entre muchos otros.

Big Data aplicada a la analítica del aprendizaje (learning analytics)
La analítica del aprendizaje se puede considerar como la evolución de lo que se
llamó Educational Data Mining (EDM). La analítica del aprendizaje es una aplicación
del Data mining a los datos obtenidos del seguimiento de la actuación de un
estudiante en su actividad lectiva.

En [2], la analítica del aprendizaje se define como: "la medida, recolección, análisis
y reporte de datos, acerca de estudiantes y sus contextos, para entender y optimizar
su aprendizaje y los ambientes en que éste ocurre". Esta rama de la ciencia de la
computación ha adquirido importancia con la aparición de los MOOC (massive
online open courses), y su valor ha aumentado con su aplicación a los cursos
tradicionales con componentes semi presenciales. Su importancia es, día a día,
mayor, debido a la efectividad de los algoritmos de machine learning para obtener
resultados indiscutidos en las mejoras del rendimiento del alumno. En esta nueva
disciplina, se concentran esfuerzos de técnicas y metodologías tan disimiles como el
procesamiento del lenguaje natural (NLP), análisis de sentimientos, deep learning,
análisis semántico de redes y sistemas de recomendación, entre otras.
Actualmente, learning analytics está evolucionando a multimodal learning analytics,
que consiste en ampliar los datos de entrada empleando nuevas fuentes de datos
tales como cámaras web, sensores de movimiento y de dispositivos que miden las
funciones fisiológicas como ritmo cardíaco, respiraciones, etc. Uno de los
propósitos del empleo de dichos dispositivos es el de mejorar el conocimiento de la
forma de aprender de cada estudiante. Debido a la cantidad de datos y a su
variabilidad, esta disciplina debería contar con el soporte de Big Data para un
adecuado procesamiento.

45