Real World Data - Introducción
08 de Abril de 2025
¿Por qué en CROMODATA nos interesan los datos del mundo real?
Porque nos interesan las personas del mundo real.
En apenas 10 minutos te brindamos una introducción al universo de los Datos del Mundo Real, para que en futuras entregas puedas profundizar con una base sólida y una mirada informada.
Hacé click en los botones de acá abajo si querés un poco de contexto antes de arrancar:
RWD: Real World Data: Datos del Mundo Real: Se generan en la práctica clínica del día a día y todo lo relacionado con la salud fuera de los entornos de investigación controlados. Cuando hablamos de Datos del Mundo Real nos referimos a un volumen importante de datos. Son datos sin nombre y apellido, son anónimos. Porque la clave de esos datos está en la información global implícita y las conclusiones que podemos obtener de su análisis.
RWE: Real World Evidence: Evidencia del Mundo Real: Surge del análisis de los Datos del Mundo Real. Este análisis implica el diseño y aplicación de algoritmos sólidos y métodos estadísticos que permitan responder a una pregunta particular o resolver un problema. Un ejemplo rápido para entenderlo son los datos que se recolectaron durante la pandemia de COVID-19. Día a día se recolectaba información en tiempo real sobre la cantidad de personas infectadas, el rango de edad de estas personas e incluso datos sobre enfermedades previas o datos clínicos claves sobre estos pacientes. Los datos luego se anonimizaban y se estructuraban. Y así se llegaba a un resumen muy útil de toda esa información un poco caótica y dinámica. Por ejemplo para el 15 de octubre de 2020 se sabía que el número de casos de COVID-19 había superado los 38 millones y el número de muertos había superado el millón en todo el mundo. Del total de casos se sabía también que un gran porcentaje de las personas que sufrían más complicaciones tenían condiciones previas como enfermedades cardíacas graves, obesidad grave y diabetes, entre otras. Y aquí es cuando un investigador podría intentar descubrir si existe verdaderamente una relación entre la edad, las enfermedades previas y el riesgo asociado a la enfermedad, y para ello diseñar algoritmos que intenten responder estas preguntas, es decir generar evidencia. O incluso elaborar predictores de riesgo para apoyar decisiones de prevención y tratamiento.
Ómics: Ómicas: Genómica, transcriptómica, proteómica, metabolómica, etc. Las Ómicas son un conjunto de disciplinas científicas que estudian las moléculas biológicas que componen un organismo. Estas son: genómica, transcriptómica, proteómica, metabolómica, epigenómica, microbiómica, lipidómica, glicómica, interactómica, fenómica, metagenómica, exposómica, farmacogenómica. La genómica y la transcriptómica son hoy en día las más utilizadas. La genómica representa el estudio del genoma completo de un organismo, y la transcriptómica, el análisis del conjunto completo de ARN mensajeros (ARNm) transcriptos- expresión génica. En todos los casos se analizan grandes cantidades de datos biológicos, ya sean genes, proteínas, metabolitos, etc.
IA: Inteligencia Artificial / ML: Machine Learning: Aprendizaje Automático / DL: Deep Learning: Aprendizaje Profundo. La inteligencia artificial es un campo de la informática que aplica herramientas específicas que permiten realizar tareas complejas como razonar, aprender, tomar decisiones o entender el lenguaje natural. Machine Learning (aprendizaje automático) y Deep Learning (aprendizaje profundo) son ramas de la IA donde el desarrollo de algoritmos y modelos estadísticos permiten a las computadoras aprender automáticamente a partir de datos y mejorar su desempeño sin ser programadas explícitamente para cada tarea.
Target learning: Aprendizaje dirigido: Es un enfoque metodológico muy utilizado que combina tanto inferencia estadística como aprendizaje automático. Se busca entrenar un modelo a partir de un conjunto de datos clasificados, donde para cada entrada existe una salida asociada. Es una de las principales ramas del aprendizaje automático (ML).
