1950eko hamarkadan, Isaac Asimov zientzia-fikziozko idazleak Multivac izeneko ordenagailu erraldoia aipatu zuen hainbat kontakizunetan. Izena egiazko ordenagailuen izenetatik hartu zen: ENIAC (1946) eta UNIVAC (1951), Estatu Batuetan fabrikatutako lehen ordenagailuak. UNIVAC hauteskunde presidentzial batzuen emaitza lehenengo aldiz (1952an) iragarri zuen ordenagailua izan zen (Eisenhower eta Adlai Stevenson-en artean, 100-1 lehenengoaren alde.

Multivac Asimoven asmakizuna zen, noski, baina zehaztasun handiz azaltzen zituen idazlearen ustean etorkizuneko ordenagailuek izango zituzten gaitasunak. Esate baterako, “Munduko arazo guztiak” (1959) kontakizunean, halaxe deskribatzen da Multivac-en funtzionamendua, Ben Manners protagonista, makinari galdera bat egiteko asmoz, haren aurrean esertzen denean:

Multivac ideal bat da, noski, baina gaur egun bizi dugun garaian -”Big Data”ren garaian- denok daukagu buruan, nola edo hala, ideal hori.

Multivacek bere baitan dauzkan datu guztiak nahasten ditu herritarrek egiten dizkioten galderei erantzuteko. Osasungintzaren arlora ere eman dezakegu ideia hori, argia baita horrelako makina batek izango lukeen abantaila: paziente bakoitzari buruzko galderak egiteko eta erantzuteko aukera izatea, klinikoen eta pazienteen eskura.

Oro har, ikerkuntza klinikoak galdera batekin hasi ohi dira. Mutur batean, “gold standard” diren saiakuntza klinikoak daude, arreta handiz eta prozedura zorrotzak jarraituz aldez aurretik finkatutako galdera zehatz bati erantzuteko diseinatzen direnak. Ikerketa horietan, datuen bilketa galdera zehatz bati erantzuteko diseinatzen da, eta emaitzak metodo estatistiko jakin eta sendoak baliatuz aztertzen dira galderari modu zientifiko batez erantzuteko.

Beste muturrean, osasungintzaren praktikaren beraren ondorioz jasotzen diren datuetan oinarritutako ikerketak dauzkagu. Azken urteotako aurrerapen teknologikoei esker, gaur egun milioka datu jaso, bildu eta prozesatzen dira egunero, osasungintzako aktibitatea xehetasun handiz jasotzen dutenak. Osasun datu pilaketa horri erantzunez, datuen “bigarren erabilera” egiten duten ikerketak sortu dira, berezko datu-planifikazio eza dela-eta erronka metodologiko berriak planteatzen dituztenak. Zeintzuk dira erronka horiek? Segituan kusiko ditugu.

Esan dugun bezala, osasungintzaren eguneroko praktikan sortutako datuak erabiltzen dituzten ikerketetan, datuak aldez aurretik planifikatu gabe, sistemaren funtzionamenduaren beraren ondorioz sortzen dira. Ikerketa hauetan ere, ohikoa da galdera bati (edo gehiagori) erantzun nahi izatea. Horretarako, eskura daukagun informazio mordoa datu-base batean antolatu behar izaten da, metodo estatistikoak edo grafikoak aplikatu ahal izateko (ikus 3. irudia). Datu-base horien eraikuntzan sortzen diren arazo batzuk azalduko ditugu orain.

Datuak fidagarriak dira? Erroreak dituzte?

Neurketa-prozesuak berez zaratatsuak dira, datuak akatsekin grabatu daitezke eta datuen zati bat falta daiteke. Ikus dezagun adibide erreal bat: Lehen mailako arretako medikuek pazienteen tamaina eta altuera neurtu behar izaten dute sarritan, eta informazio hori sistema informatikoan grabatu ohi dute. Datu-base horietan, askotan, 89 eta 8900 bezalako balioak agertzen dira, unitate edo eskala ezberdinetan neurtu direla adierazten dutenak (bigarrena, 89 kilogramo=89000 gramotan). Kasu horietan datu “faltsurik” ez badago ere (hots, 8900 egiazko datu bat da), datu-basea inkoherentea izango da unitate-nahasketaren ondorioz. Beste batzuetan, datuak faltsuak edo inkoherenteak ez badira ere, horien interpretazioa da, edo izan daiteke, problematikoa. Ikus dezagun adibide bat.

Esanahia aldatu da? (Denboraren eragina)

Hainbat urtetako datuak aztertzen ditugunean, denboran zehar praktika bera aldatu ahal izan dela kontuan hartu beharko dugu. Beheko grafikoan (4. irudia) 2011-2015 urte bitartean bihotz-gutxiegitasunaren ondorioz Osakidetzako ospitaleetan ingresatutako pazienteak irudikatzen dira. Bost urte horietarako, bihotz-gutxiegitasunaz gainera pazienteek altaren momentuan zeuzkaten beste hainbat patologia bildu eta irudikatu dira (ardatz horizontalean, patologia ezberdinak; bertikalean, patologia horiek zeuzkaten paziente kopuruak, %etan emanak)

Grafikoa lehenengo aldiz ikusten duenak pentsa lezake nabarmen areagotu dela azken urteetan pazienteen komorbilitatea (paziente gehiagok dituzte-eta ia patologia guztiak, 2011tik 2015era, grafikoak erakusten duen bezala). Ondorio hori, gainera, bat dator paziente hauen azken urteetako zahartzearekin (batez-besteko adina 79 urtekoa zen 2011an eta 81 urtekoa 2015ean): pazienteak zaharragoak direnean, patologia gehiago dituzte.

Baina, itxaron! Urte horietan zehar gaixotasunak hobeto kodifikatzeko ahaleginak egin ziren Osakidetzan, eta komorbilitatea areagotu dela egia bada ere (gaixo hauek zaharragoak direlako, besterik gabe), patologiak hobeto kodifikatzeak ere eragina izan dezake grafikoan.

Datuak fidatzekoak badira ere, grafikoa kontu handiz interpretatu behar da.

Datuak koherenteak dira?

Jatorri ezberdinetako datuak gurutzatzen direnean, inkoherentziak sortu ohi dira. Ikus dezagun adibide bat.4. irudian ikusi ditugun pazienteak bihotz-gutxiegitasunaren kohorte baten parte dira. Hantxe adierazi dugun bezala, 2011tik aurrera Osakidetzako ospitaletan lehenengo aldiz ingresatutako pazienteei buruzko datuak bildu eta hainbat datu-iturri gurutzatu ditugu, OBI (Osakidetza Business Intelligence) plataformako datu-baseak eta kanpoko erregistroak (Hilkortasun Erregistroa).

Datu-baseak aztertzerakoan zera ikusi dugu, inkoherentziak sortzen direla hilkortasun-datak eta anbulatorioko bisiten datak gurutzatzerakoan: paziente gutxi batzuek anbulatorioko “bisitak” dituzte hilkortasun-data pasa ondoren. Adituei galdetu eta gero, jakin izan dugu lehen arretako medikuek noizbehinka oharrak sartzen dituztela sistema informatikoan. Ez da benetako kontaktu bat, gestio administratibo bat baizik, eta, hortaz, ustezko inkoherentzia hori desagertu egiten da testuingurua ongi ulertu eta gero.

Faltako balioak

Datu-falta da ikerkuntza klinikoan maiz gertatzen den arazo bat, askotan informazioa ez delako bere osotasunean jasotzen, zenbait aldagai ez direlako behar bezala jasotzen, edo pazienteek ikerketan parte hartzeari uzten diotelako. Mundu errealeko datuekin ere faltako balioak aurki daitezke (esate baterako, pazienteen analisiak egin eta grabatzen ez direnean, edo altuera edo neurria hartu baina zerbaitegatik behar bezala gordetzen ez direnean). Kasu horietan informazioa galdu egiten da, eta egoera hori jakina den neurrian, zenbateraino berreskuratu daitekeen ikusi beharko da.

Datu kopurua erraldoia denean, gainera, lan hori sistematizatu beharko da.

“Hutsuneak” nonahi!

Informazioa falta ez denean ere, mota honetako datu-baseak eraikitzerakoan berezitasun bat sortu ohi da: paziente guztien datuak elkartu eta egituratzerakoan “hutsune” mordoa sortu ohi da. Ikus dezagun adibide bat: askotan, metodo estatistikoak edo grafikoak erabili ahal izateko, patologiak aldagai binario gisa kodifikatu behar izaten dira (hots, 1/0 balioak hartzen dituztenak, esate baterako, 1= pazienteak diabetesa badauka; 0= ez badauka). Horrela sortutako datu-basea 0-z beterik egongo da, eta teknika estatistiko aproposak erabili beharko dira egoera horri aurre egiteko.

Informazio-eza informazioa da!

Aurrekoarekin lotuta, kasu batzuetan informazio-eza informazio gisa interpretatzea komeni da. Ikus dezagun adibide bat: argi dago Osakidetzako pazienteek medikura egiten dituzten bisita-kopuruen arabera aurkituko ditugula paziente horien datuak informazio-sistemetan. Esate baterako, anbulatoriora maiz joaten diren pazienteei (zaharrenak edo gaixotasun kronikoak dituztenak, beharbada) probabilitate handiagoz hartuko zaizkie neurriak, baina medikuarenera gutxi joaten direnak, aldiz (paziente osasuntsuak), seguru asko ez dute izango erregistro bakar bat ere informazio-sisteman.

Egoera horretan, “datu-ezak” berak informazioa emango digu -medikura ez joatea osasun onaren seinale den neurrian-.

Kontzeptu bakarra, aldaera ezberdinak (informazio ez-egituratua)

Orain arte informazio egituratua ikusi dugu (hots, egitura finkoarekin, tauletan gorde daitezkeen datuak). Baina osasungintzaren eguneroko praktikan sortzen den informazio gehiena testu edo irudi formatoan gordetzen da. Informazioa ez-egituratua denean, erronka berri eta latzak sortzen dira.

Klinikoek idatzitako testuetan, hainbat sinonimo edo esanahi bereko esaldi erabiltzen dira gauza berbera adierazteko. Kardiologian, esaterako, kanporatze-frakzioa hainbat modu desberdinetan azaltzen da idatzia, hala nola “fe”, “fracción de eyección” (gaztelaniaz), edo funtzio sistolikoaren aipamenaren pean.

Testu gutxi batzuk aztertzen ditugunean erraza da barianteak kategoria gutxi batzuetara eramatea, baina datu-kopuru erraldoiekin prozedura automatikoak eraiki eta modu sendo batean aplikatu beharko dira, bai testuak eta bai irudiak informazio bilakatu ahal izateko.

Datu-base txiki bat daukagunean, goian aipatutako arazo gehienek konponbide erraza dute, ikertzaileek banan-banan konpondu ahal izango dituzte-eta. Baina, esan dugun bezala, datu-kopuru erraldoiekin beharrezkoa da garbiketa-prozesu eta transformazioak sistematizatzea. Ba al dago lan hori egiteko gaitasuna izango duen makinarik?

“Frontiers in massive data analysis” liburuan argibide batzuk ematen dira datuak behar bezala prestatu eta etekin handiena atera ahal izateko. Zehazki, datuen garbiketa sistematizatzeko [2, 100 orr.]:

-          Datuak jaso eta biltzen dituen softwarean bertan auto-garbiketa mekanismoak sar litezke. Tresna horiekin batera, idealki, auditoria bat ezarri beharko da egindako aldaketak aztertu eta behar den kasuetan desegin ahal izateko;

-          Zenbait arazo aldez aurretik ezagunak badira -hala nola unitate edo eskala-nahasketak-, erregela bidez konpondu edo erresistenteak izango diren eredu estatistikoak eraiki beharko dira;

-          Faltako balioena arazo metodologiko ezagun bat da, eta soluzio algoritmiko ugari eman izan dira: batzuetan, datuak osatu egiten dira ereduak kalkulatu baino lehen (datu-kopuru erraldoien eskalan, adibidez, praktikoa izan daiteke falta diren balioak batezbestekoaz osatzea); besteetan, algoritmoek berek kontuan hartzen dituzte hutsune horiek. Edozein kasutan, funtsezkoa da informazio faltaren zergatia ulertzea.

-          Datu ez-egituratuak erabili ahal izateko (testuak eta irudiak), lengoaia naturala prozesatzeko metodologiak menperatu eta erabili beharko dira, kasurik gehienak ondo konponduko dituen teknologia sendo bat sortu eta aplikatzeko.

Azkenik, datuak garbitu eta aurreprozesatzeko metodoa gorabehera, pausoak modu egokian dokumentatu beharko dira eta, ahal den neurrian, erabilitako programaren script-a edota kodea datuekin batera gorde beharko dira. Datuak garbitzeko eta prestatzeko pausoak leialtasunez erreproduzitzeko eta pausoak berez ulertzeko gai izan beharko genuke.

Osasungintzaren eguneroko praktikan biltzen diren datu-baseekin sor daitezkeen hainbat arazo ikusi ditugu, zailtasun maila ezberdinak dituztenak, datu kopurua erraldoia denean bereziki sortzen direnak.

Erroreak modu automatizatu batean detektatzea eta konpontzea oso zaila izan daiteke eta datu kopuru handiak edukitzeak bakarrik ez digu arazo hori konponduko. Eta datuak errorerik gabekoak badira ere, interpretazioa problematikoa izan daiteke batzuetan. Azkenik, datu-baseak gurutzatzean, inkoherentziak sor daitezke.

Edozein eredu matematiko edo grafiko erabiltzerakoan, ondorio egokiak atera ahal izateko datuak errorerik gabekoak izan behar dira; eta, are garrantzitsuagoa beharbada, datuen jatorria eta testuingurua ondo ezagutu beharko da.

Asimovek 1950eko hamarkadan irudikatutako Multivac bat izango al dugu guk etorkizunean? Neurri handi batean, gure ahalmenaren araberakoa izango da erantzuna, hots, galdera bakoitzari erantzuten dioten datu-base egokiak eraikitzeko ahalmenaren araberakoa... Eta, nolanahi ere, galdera asko erantzunik gabe geratuko dira.

[1] Robbie : eta beste kontakizun batzuk / Isaac Asimov ; hitzaurrea, Paul Cornell ; oharrak eta jarduerak, María Raich, Juan Sánchez-Enciso ; itzulpena, Koro Navarro ; irudiak, David Shannon. Barcelona : Vicens-Vives, 2015

[2] National Research Council. (2013). Frontiers in massive data analysis. National Academies Press.

[3] Data, M. C. (2016). Secondary Analysis of Electronic Health Records. Springer International Publishing.