CINDY JANNET GONZÁLEZ LEAL

24 DE SEPTIEMBRE 2023
ACTIVIDAD MÓDULO 1
 CUADRO COMPARATIVO DE 3 PAÍSES

1. ¿Qué iniciativas, estrategias o programas ha desarrollado el sistema de salud para

fomentar el uso, manejo y organización de datos en salud en mi país? Genera un
cuadro comparativo de 3 países (el tuyo y otros 2) latinoamericanos con los
siguientes indicadores, utilizando una fuente oficial y actualizada de información (OPS,
BID, OCDE u otro).

• 1) Mortalidad materna

• 2) Mortalidad infantil

• 3) No. de camas / 1000 habitantes (o indicador de acuerdo con la fuente)

• 4) No. de personal médico / 1000 habitantes (o indicador de acuerdo con la

fuente)

• 5) No. de personal de enfermería / 1000 habitantes (o indicador de acuerdo

con la fuente)

México Colombia Chile

Mortalidad 59 75 15
materna/100000 nacidos
vivos (2021)
Mortalidad infantil/1000 12.1 17.6 6.5
nacidos vivos (2020)
No. de camas/1000 1.0 1.7 2.1
habitantes (2020-2021)
No. de personal 2.4 2.2 2.6
médico/1000 habitantes
(2018)
No. de personal de 2.9 1.3 2.7
enfermería/1000
habitantes (2019)

Con respecto a las iniciativas, estrategias o programas desarrollados en México, es

necesario mencionar que se cuenta con normativa indicada particularmente a la
información en salud que tiene por objetivo establecer los criterios y procedimientos
que se deben seguir para producir, captar, integrar, procesar, sistematizar, evaluar y
divulgar la Información en Salud, siendo esta la Norma Oficial Mexicana NOM-035-
SSA3-2012, En materia de información en salud. Asimismo, se cuenta con la Norma
Oficial Mexicana NOM-024-SSA3-2012, Sistemas de Información de Registro Electrónico
para la Salud. Intercambio de Información en Salud. Esta norma tiene por objeto
regular los Sistemas de Información de Registro Electrónico para la Salud, así como
establecer los mecanismos para que los Prestadores de Servicios de Salud del Sistema
Nacional de Salud registren, intercambien y consoliden información.

Adicionalmente, se establecen pautas y direcciones del manejo de la información en

salud en el Reglamento interior de la Secretaría de Salud, Artículo 24 y en el
Reglamento de la ley general de salud en materia de prestación de servicios de
atención médica.

México ha implementado distintas estrategias para la mejora del acceso y manejo de

datos en salud, entre estos esfuerzos, se formaliza el sistema SIS (IS4H), que hace
referencia a un mecanismo de gestión de sistemas interoperables con datos abiertos
que provienen de diferentes fuentes y que se utilizan éticamente, a través de
herramientas TIC efectivas, para generar información estratégica en beneficio de la
salud pública. (8) Si bien es cierto, los componentes y la cobertura actual no se
encuentra en un nivel ideal, se continúa mejorando. Existen distintos casos de éxito
de la implementación del IS4H en México. A continuación, se presentan dos ejemplos
de lo anterior.

I. Desde 2015 la Dirección G eneral de Información en Salud de la Secretaría de

Salud de México, a través del Centro Mexicano para la Clasificación de
Enfermedades, Centro Colaborador de la OPS/OMS para la Familia de
Clasificaciones Internacionales (CEMECE), ha participado en la adaptación de
los sistemas de codificación automatizada de Estados Unidos y Europa para
mortalidad, teniendo buenos resultados y obteniendo una efectividad del 80 %
para la codificación de las afecciones reportadas en el certificado de defunción
y la selección de la causa básica. (10)
II. En México, los sistemas de información ayudan en la eliminación del
paludismo en el estado de Campeche Diseñar un modelo de actuación
intersectorial sostenible dirigido a fortalecer las acciones para la eliminación
del paludismo en el estado de Campeche, soportado por un sistema de
información para la salud dinámico y de acceso abierto, que facilite su buena
gestión y liderazgo. Este es el objetivo de un proyecto desarrollado en el
Hospital Infantil Dr. Federico Gómez de México, y que fue uno de los
ganadores de la convocatoria de propuestas para la implementación de
proyectos IS4H promovida por la Organización Panamericana de la Salud. (11)

Por último, cabe mencionar que se tiene considerado de igual forma, las
siguientes iniciativas para la mejora del manejo y organización de datos:

▪ Registros Electrónicos de Salud (RES): ha promovido la implementación de

registros electrónicos de salud en hospitales y clínicas para mejorar la
 interoperabilidad de la información médica y facilitar el acceso a los registros
de los pacientes.
▪ Programa IMSS Digital: incluye la gestión de datos de pacientes y la
facilitación del acceso a servicios de salud en línea.}
▪ Sistema Nacional de Información en Salud (SINAIS): sistema que busca
consolidar y centralizar la información de salud a nivel nacional, lo que facilita
la generación de estadísticas y la planificación de políticas de salud.

ESQUEMA DEL TRAYECTO QUE SIGUE UN DATO

2. Genera un esquema o diagrama de un ejemplo del trayecto que sigue un dato

desde que se genera hasta que se analiza dentro del sistema de salud de tu país.
Incluye todos los actores (stakeholders), pasos y/o sistemas que intervienen con el
dato en el trayecto. Recuerda incluir el contexto del trayecto del dato con información
como: País, Ciudad, Sistema de Salud Público o Privado, Nivel de atención (1er nivel,
2do nivel ó 3er nivel), entre otros.
 SOLUCIÓN DE CIENCIA DE DATOS

3.Lee el siguiente artículo (disponible en google scholar): Andreu-Perez, J., Poon, C. C.,
Merrifield, R. D., Wong, S. T., & Yang, G. Z. (2015). Big data for health. IEEE journal of
biomedical and health informatics, 19(4), 1193-1208. y genera un ejemplo de una
posible solución de ciencia de datos (Diagrama y explicación de este). Realiza una
investigación para saber si tu solución ya se está aplicando en alguna organización o
país. En base al ejemplo creado redacta en tus conclusiones la importancia de la
diferenciación entre la informática en salud y la ciencia de datos en salud. Investiga en
artículos científicos y añade a tu resumen sobre el uso de ciencia de datos,
aprendizaje automático y/o inteligencia artificial en el diagnóstico médico diferentes a
los presentados en el módulo. Identifica y comenta los retos principales que
mencionan los autores en relación con el diagnóstico y cuál es la estrategia
empleada para superarlo. (Mínimo 5 cuartillas)

Las aplicaciones de ciencia de datos están impulsadas por un esfuerzo continuo para
hacer que los servicios de salud sean más eficientes y sostenibles dadas las
demandas de una población en crecimiento, así como el cambio de paradigma de la
prestación de servicios de salud hacia la prevención, la intervención temprana, y
gestión óptima. Existen diversas maneras de definir el concepto de big data, que es
un término amplio utilizado para describir los desafíos relacionados con el
procesamiento de una gran cantidad de datos, tanto estructurados como no
estructurados. Evidentemente, uno de los aspectos fundamentales del big data es su
volumen, es decir, la cantidad de datos involucrados. La cantidad de datos generados
por individuos está en constante aumento. Sin embargo, es importante destacar que
la interpretación de estos datos puede presentar un problema debido a que no
siempre se conoce el contexto en el que se generaron, lo que puede llevar a
predicciones incorrectas o sesgadas.

Otros desafíos incluyen la velocidad, la heterogeneidad y la variedad de datos en

salud. Con la versatilidad, diversidad y conectividad de los dispositivos de captura de
datos, se generan datos adicionales a una velocidad cada vez más alta y el apoyo a las
decisiones debe estar disponible casi en tiempo real para mantenerse al día con la
evolución constante de las tecnologías. (12)

Si bien es cierto, la ciencia de datos tiene diversas aplicaciones en el campo de la

salud, desde la predicción y prevención de enfermedades mediante análisis de datos
clínicos y genéticos, hasta la optimización de la asignación de recursos en hospitales y
la personalización de tratamientos médicos basados en perfiles individuales. Además,
se utiliza para monitorear la salud en tiempo real a través de dispositivos médicos
conectados y aplicaciones móviles, y para la identificación de patrones de
comportamiento y tendencias de salud a partir de datos de redes sociales y registros
de pacientes. Estas aplicaciones permiten mejorar la toma de decisiones clínicas, la
eficiencia en la atención médica y la calidad de vida de los pacientes, aparte de
contribuir a la investigación médica y la gestión de la salud a nivel poblacional.

Se ahonda en una de las posibles soluciones que presenta la ciencia de datos, siendo
esta un medio para los hospitales y sistemas de salud al optimizar la asignación de
recursos, como camas de hospital, personal médico y suministros. Los modelos de
predicción pueden anticipar la demanda de servicios de atención médica y garantizar
una distribución eficiente de recursos en momentos críticos, como durante una
pandemia.

La creciente demanda de atención médica, la escasez de recursos y la necesidad de

una atención de calidad hacen que la optimización de la asignación de recursos sea
esencial. La ciencia de datos emerge como una solución para abordar este problema
al proporcionar herramientas y técnicas avanzadas para analizar datos de salud y
tomar decisiones informadas.

La solución de ciencia de datos para la optimización de recursos en un hospital

involucra varios pasos clave para garantizar una asignación eficiente y efectiva de los
recursos disponibles. Comenzando con la recopilación de datos, se considera una
amplia gama de datos relevantes para la operación del hospital, que incluye la
demanda de pacientes, datos clínicos, disponibilidad de recursos (camas, personal
médico, equipos), registros de admisiones previas, historias médicas, entre otros.

Una vez que se cuentan con los datos necesarios, se recomienda llevar a cabo la
limpieza y preparación de datos para eliminar valores atípicos, datos incompletos o
inconsistentes, y asegurarse de que los datos estén listos para el análisis, para así,
comenzar con un análisis inicial de los datos para identificar tendencias, patrones y
relaciones clave. Esto puede incluir visualizaciones de datos y estadísticas
descriptivas.

Se propone utilizar técnicas de aprendizaje automático y análisis estadístico para

desarrollar modelos de predicción que estimen la demanda futura de recursos
hospitalarios. Esto puede incluir modelos de series temporales, regresión u otros
enfoques relevantes. Asimismo, emplear algoritmos de optimización que consideren
los modelos de predicción y los objetivos específicos del hospital. Estos algoritmos
ayudarán a asignar recursos de manera eficiente, minimizando costos o maximizando
la calidad de la atención.

Dentro del análisis de datos, se debe de considerar el conocimiento y experiencia del

personal, por ello se propone integrar los resultados de los análisis y modelos en
sistemas de apoyo a la decisión que sean utilizados por el personal del hospital. Estos
sistemas pueden proporcionar recomendaciones en tiempo real sobre la asignación
de recursos.

Asimismo, se deben establecer sistemas de monitoreo en tiempo real que sigan de

cerca la demanda de recursos y las decisiones tomadas. Esto permitirá ajustes rápidos
en función de situaciones cambiantes. considerando evaluar regularmente la eficacia
de la asignación de recursos utilizando métricas relevantes. Para finalmente,
basándose en los resultados y la retroalimentación, realizar mejoras iterativas en el
proceso de optimización de recursos para adaptarse a las necesidades cambiantes del
hospital.

Otras consideraciones de este protocolo incluyen el proporcionar capacitación al

personal del hospital sobre cómo utilizar los sistemas de apoyo a la decisión para
garantizar una implementación exitosa, e integrar las soluciones de ciencia de datos
con los sistemas de gestión hospitalaria existentes para garantizar una transición
fluida de datos y resultados. Cabe mencionar que se recomienda implementar
medidas de seguridad y privacidad de datos para proteger la información sensible de
pacientes y garantizar el cumplimiento de las regulaciones. De esta forma se crea un
ciclo continuo de mejora en la asignación de recursos hospitalarios mediante la
aplicación de la ciencia de datos, lo que conduce a una atención médica más eficiente
y de mayor calidad.

La aplicación de la ciencia de datos en la asignación de recursos en salud ofrece una

serie de beneficios significativos. Estos incluyen:

▪ Mejora de la Eficiencia: Permite utilizar los recursos de manera más eficiente,

evitando la sobreutilización o la subutilización de activos.
▪ Reducción de Costos: Al evitar redundancias y asignar recursos
adecuadamente, se pueden reducir los costos operativos.
▪ Mejora de la Calidad de la Atención: Garantiza que los recursos estén
disponibles cuando se necesiten, lo que conduce a una atención de mayor
calidad y una mejor experiencia del paciente.
▪ Mayor Resiliencia: Ayuda a los sistemas de salud a prepararse para
situaciones de crisis, como pandemias o desastres.

No obstante, la optimización de la asignación de recursos en salud a través de la

ciencia de datos presenta desafíos, como la necesidad de datos precisos y
actualizados, la resistencia al cambio en las prácticas de atención médica y la garantía
de la privacidad de los pacientes.
La optimización de recursos se ha convertido en una práctica fundamental y
altamente empleada tanto en empresas del sector público como en organizaciones
privadas. No obstante, cuando se trata de hospitales, es evidente una brecha en la
integración efectiva de estas estrategias con sus sistemas de gestión de calidad y sus
protocolos operacionales. A pesar de la vital importancia de la atención médica y la
gestión de recursos en el ámbito hospitalario, es común observar que muchas
instituciones de salud enfrentan desafíos en la implementación y adopción plena de
soluciones de optimización. Esta desconexión puede dar lugar a ineficiencias, costos
innecesarios y, en última instancia, afectar la calidad de la atención que se brinda a los
pacientes, subrayando la necesidad urgente de una mayor integración de la
optimización de recursos en el ámbito hospitalario.

A medida que los hospitales y centros de salud integran soluciones de ciencia de

datos a sus sistemas, se sigue presentando un desconocimiento importante sobre
esta y sobre sus posibles aplicaciones; pues muchas veces se consideran aspectos de
la informática en salud como ciencia de datos. Es por esto por lo que la diferenciación
entre la informática en salud y la ciencia de datos en salud es esencial para
comprender y aprovechar plenamente las capacidades y aplicaciones de ambas
disciplinas en el campo médico.

La diferenciación fomenta la innovación al permitir que ambas disciplinas exploren a

fondo su potencial y se enfoquen en áreas específicas de mejora. Esto puede dar
lugar a la creación de nuevas tecnologías y soluciones que transformen la atención
médica y mejoren la salud de las personas. Además, de que se facilita la colaboración
entre informáticos en salud y científicos de datos en salud, pues se ajustan los roles y
objetivos específicos para cada disciplina.

De igual manera la ciencia de datos se encuentra comúnmente embrollada con

aplicaciones de aprendizaje automático y/o inteligencia artificial en el diagnóstico
médico. Es por ello por lo que es necesario identificar las aplicaciones de estas tres en
el área de salud y específicamente en el diagnóstico médico. Primero, se han
mencionado anteriormente las diversas aplicaciones de la ciencia de datos en el área
médica, sin embargo, de manera más específica se puede mencionar esta como parte
integral de los servicios médicos, el diagnóstico puede ser más fácil y rápido mediante
aplicaciones de ciencia de datos en la atención médica. El análisis de los datos del
paciente no sólo facilita la detección temprana de problemas de salud, sino que
también se pueden preparar mapas de calor médicos relacionados con los patrones
demográficos de las dolencias. (13)

Asimismo, se utilizan los modelos analíticos predictivos utilizando datos históricos,

con los que se encuentran patrones a partir de los datos y se generan predicciones
precisas. Los modelos predictivos en ciencia de datos correlacionan y asocian cada
punto de datos con síntomas, hábitos y enfermedades. Esto permite identificar el
estado de una enfermedad, el alcance del daño y una medida de tratamiento
adecuada. El análisis predictivo en la atención sanitaria también ayuda a:

▪ Manejar enfermedades crónicas

▪ Monitorear y analizar la demanda de logística farmacéutica.
▪ Predecir futuras crisis de pacientes
▪ Ofrezca documentación de datos hospitalarios más rápida

Empero, así como se presentan aplicaciones en el diagnóstico por medio de ciencia de

datos, también se presentan diversos retos a superar. Entre ellos, destacan los
siguientes:

I. Calidad de los Datos: Los datos pueden estar incompletos, ser inexactos o
estar desorganizados. Para superar este desafío, se emplean estrategias de
 limpieza de datos y validación, que incluyen la corrección de errores, la
estandarización y la eliminación de datos duplicados.

II. Interoperabilidad de Datos: Los datos de salud suelen residir en sistemas y

formatos diferentes, lo que dificulta la integración y el análisis efectivo. La
estrategia para abordar este desafío involucra la adopción de estándares de
interoperabilidad, como HL7 o FHIR, que permiten la transferencia y el acceso
eficientes a datos de salud entre sistemas.

III. Privacidad y Seguridad de los Datos: La protección de la privacidad de los

pacientes es una preocupación fundamental. La estrategia consiste en
implementar medidas de seguridad robustas, como el uso de técnicas de
anonimización y encriptación, así como el cumplimiento de regulaciones de
privacidad de datos.

IV. Tamaño de Muestra Insuficiente: En algunos casos, el tamaño de la muestra

de datos puede ser limitado, lo que dificulta la construcción de modelos
robustos. Para superar esto, se pueden utilizar técnicas de aumento de datos,
transferencia de aprendizaje o recopilación adicional de datos cuando sea
posible.

V. Generalización y Sesgo: Los modelos de ciencia de datos pueden ser

propensos al sobreajuste o al sesgo si no se manejan adecuadamente. La
estrategia implica la implementación de técnicas de validación cruzada,
selección de características apropiadas y mitigación del sesgo mediante
técnicas de equilibrio de datos.

VI. Ética en la Ciencia de Datos: La toma de decisiones automatizada en salud

plantea cuestiones éticas importantes. La estrategia incluye la implementación
de marcos éticos y la revisión de algoritmos por parte de comités éticos para
garantizar la equidad y la justicia en la atención médica.

VII. Evaluación de Resultados: La evaluación precisa de los resultados de

diagnóstico es fundamental. Para abordar este desafío, se utilizan métricas de
evaluación adecuadas y se validan los modelos con conjuntos de datos
independientes cuando sea posible. (2)

Segundo, el aprendizaje automático se ha involucrado también en diversas

aplicaciones en el área de salud, como son la predicción de enfermedades,
personalización de tratamientos, gestión de pacientes crónicos, predicción de tiempos
de espera, análisis de texto médico y en el diagnóstico médico.

Los modelos de aprendizaje automático pueden analizar datos médicos como

imágenes de resonancia magnética (RM), tomografías computarizadas (TC),
radiografías y análisis de laboratorio para ayudar en el diagnóstico temprano de
enfermedades como el cáncer, enfermedades cardíacas y trastornos neurológicos.
(14) A continuación se enuncian distintas aplicaciones en el diagnóstico médico por
medio de aprendizaje automático:

I. Diagnóstico de Enfermedades de la Piel: el aprendizaje automático se usa

para analizar imágenes de lunares y erupciones cutáneas para detectar signos
de cáncer de piel y otras afecciones dermatológicas.

II. Diagnóstico de Enfermedades Oftalmológicas: se emplean algoritmos de

aprendizaje automático para analizar imágenes de la retina y detectar
afecciones como la retinopatía diabética y la degeneración macular.

III. Diagnóstico de Enfermedades Respiratorias: se utiliza para analizar datos de

espirometría y tomografías de tórax para diagnosticar enfermedades
respiratorias, como el asma y la enfermedad pulmonar obstructiva crónica
(EPOC).

IV. Diagnóstico de Enfermedades Infecciosas: se emplean para identificar

patógenos en muestras de laboratorio, lo que es crucial en el diagnóstico de
enfermedades infecciosas como la COVID-19.

V. Diagnóstico en Patología Digital: puede analizar muestras de tejido

digitalizadas para ayudar a los patólogos en la identificación de enfermedades
y la clasificación de tumores.

VI. Diagnóstico de Trastornos Psiquiátricos: se utiliza para analizar datos de

resonancia magnética funcional (fMRI) y registros de pacientes en psiquiatría
para ayudar en el diagnóstico de trastornos mentales, como la depresión y la
esquizofrenia.

Entre los retos que se presentan en estas aplicaciones destaca el hecho de que los
datos médicos a menudo son ruidosos, incompletos o desequilibrados. Además,
puede haber una falta de datos etiquetados para entrenar modelos de aprendizaje
automático. Para superar este reto presentado, utilizan técnicas de aumento de datos
para ampliar conjuntos de datos limitados. Asimismo, muchos modelos de
aprendizaje automático, como las redes neuronales profundas, son difíciles de
interpretar, lo que puede generar desconfianza en los profesionales médicos. Para
resolver esto, se desarrollan técnicas de explicabilidad y visualización de modelos
para hacer que los resultados sean interpretables. Esto incluye el uso de mapas de
calor de importancia de características y la generación de explicaciones de modelos.

Un último reto por presentar es la transición de los modelos de aprendizaje

automático desde el desarrollo hasta su implementación en la práctica clínica puede
ser un desafío debido a cuestiones de validación, regulación y aceptación por parte de
los profesionales médicos. Para esto, se realizan estudios clínicos sólidos para validar
la eficacia de los modelos y garantizar su cumplimiento con regulaciones, y se trabaja
en colaboración con médicos y equipos clínicos para facilitar la adopción. (15)

Por último, la inteligencia artificial está creciendo en el sector de la salud y tendrá un

impacto importante en todos los aspectos de la atención primaria. Las aplicaciones
informáticas habilitadas con IA ayudan a los médicos de atención primaria a
identificar mejor a los pacientes que requieren atención adicional y proporcionar
protocolos personalizados para cada individuo. Los médicos de atención primaria
pueden utilizar la IA para tomar notas, analizar sus conversaciones con los pacientes e
ingresar la información requerida directamente en los sistemas EHR. Estas
aplicaciones recopilan y analizan datos de pacientes y los presentan a los médicos
junto con información sobre las necesidades médicas del paciente.

Hasta ahora, los algoritmos en medicina han demostrado muchos beneficios

potenciales tanto para los médicos como para los pacientes. Sin embargo, regular
estos algoritmos es una tarea difícil. La FDA ha aprobado algunos algoritmos de
asistencia, pero actualmente no existen pautas de aprobación universal. Los modelos
de IA pueden cometer errores, incluso cuando están entrenados con grandes
conjuntos de datos. Además de que pueden heredar sesgos presentes en los datos de
entrenamiento. Por lo anterior, los modelos de IA deben someterse a pruebas clínicas
exhaustivas para evaluar su precisión y rendimiento en situaciones del mundo real.

Uno de los retos más sonados del IA es la dependencia tecnológica, pues puede hacer
que los profesionales médicos descuiden habilidades clínicas tradicionales, lo que
podría ser problemático si los sistemas de IA fallan o no están disponibles. Es por ello
por lo que la IA debe considerarse como una herramienta complementaria en lugar
de un sustituto de la atención médica tradicional. Esto último aplica de igual forma
para evitar el cambio en la dinámica entre médicos y pacientes, en donde la atención
es menos personalizada.(16)

En conclusión, la ciencia de datos, el aprendizaje automático y la inteligencia artificial

tienen un papel cada vez más relevante en el área de la salud y, en particular, en el
diagnóstico médico. Estas tecnologías ofrecen una amplia gama de aplicaciones. Sin
embargo, estos avances también vienen acompañados de desafíos significativos. La
calidad de los datos, la interpretación de modelos, la privacidad y la seguridad de los
datos, el sesgo y la ética son preocupaciones importantes que deben abordarse.
 DATA DRIVEN DECISION MAKING

4. Con el proceso de 7 pasos presentado en el tema 1.6, realiza una propuesta de

análisis para resolver una situación dentro de tu institución de salud (alumnos
que sean profesionales de salud / administrativo) o para resolver un problema de
salud pública o para una institución de salud de tu elección (alumnos de perfil
programador). Utiliza la guía de preguntas que se encuentra en la siguiente
página https://www.smartsheet.com/data-driven-decision-making-managementLinks
to an external site. (Mínimo 2 cuartillas)

En los últimos seis meses, ha habido un incremento notable en el funcionamiento de

los ventiladores en el área de la Unidad de Cuidados Intensivos Neonatales (UCIN).
Este aumento en las fallas se ha manifestado principalmente durante la prueba inicial
de encendido de los equipos, conocida como ATE (Autotest de Encendido). Las
sospechas apuntan hacia las tomas de aire y oxígeno como las causas subyacentes de
estas fallas, ya que se han identificado fugas de manera intermitente y
aparentemente aleatoria. Estas fugas, cuando han sido detectadas, han sido
perceptibles de manera auditiva. Sin embargo, no se ha detectado que está
provocando las fugas y si realmente estas, son las causantes del incremento de
reportes.

Esta situación plantea una preocupación significativa en el área de UCIN, ya que los
ventiladores son dispositivos críticos utilizados en el tratamiento y cuidado de los
neonatos que requieren cuidados intensivos. Cabe mencionar que el conocimiento
del aumento de reportes es solo un estimado mental, aun no se cuenta con un
análisis de tendencia para asegurar que realmente se estén presentando un mayor
número de mantenimientos o si existen otras causas que estén contribuyendo a esta
situación. No obstante, en una revisión visual de los últimos reportes, se encontró que
la mayoría estaban relacionados a la prueba ATE, específicamente en la comprobación
de suministro de gases. El ATE es una prueba piloto que realiza el equipo de manera
automática antes de realizar el funcionamiento normal, este autotest permite al
equipo revisar las conexiones y funcionamiento de cada uno de los componentes
antes de conectarlo directamente al paciente

Ahora bien, es fundamental determinar la causa raíz de estas fugas, ya que pueden
deberse a una variedad de factores, como el desgaste de los componentes, defectos
en las conexiones, problemas en las válvulas, entre otras fallas particulares
relacionadas a este equipo médico. Identificar la causa subyacente es esencial para
abordar el problema de manera efectiva, debido a que existen propuestas por parte
del personal de mantenimiento, de realizar una renovación de todas las tomas del
área para resolver el problema. Propuestas que no presentan ningún fundamento
sustentable ni evidencia suficiente para considerar que realizar una inversión de este
nivel solucionaría el problema.

Claro está que la seguridad de los pacientes es la prioridad máxima en este escenario,
razón por la cual, el equipo de ingeniería biomédica ha decidido tomar cartas en el
asunto para generar un análisis correcto y abordar esta situación de manera efectiva;
para así, garantizar un entorno de cuidados intensivos neonatales seguro y confiable
y poder proveer una justificación sustancial del protocolo a seguir.

El análisis basado en datos en este escenario puede amortizarse mediante ahorros de

costos, pues existe la posibilidad de que no sea necesario realizar el cambio de todas
las tomas, sino que se pudieran identificar distintas alternativas. Por ejemplo, la
posibilidad de ejecutar un mantenimiento solamente o inclusive identificar las fugas
en algún componente en particular de las líneas de gases que pueda ser reemplazado
sin la necesidad de renovar por completo las líneas. Mediante la toma de decisiones
basada en datos, se recopilan datos metódicamente y se analizan rigurosamente, de
modo que la información representa la realidad con mucha mayor precisión.

En la ausencia de un proceso sistemático para recopilar y analizar datos, lo que

justifica las decisiones es realmente una mezcla de evidencia anecdótica, impresiones
personales e información selectiva. Esta información consiste en parte en intuición y
experiencia, tal cual es el caso que presenta el personal de mantenimiento del
hospital. Y aunque la intuición del personal experimentado tiene un lugar en la toma
de decisiones, se vuelve muy arriesgado confiar en esta enteramente; pues el
proyecto de solución representa una inversión considerable y una posible clausura del
área mientras se realizan las renovaciones.

A continuación, se presenta el DDDM (Data Driven Decision Making) desarrollado para

este escenario:

1. Definir el objetivo: El objetivo principal es determinar si existen fugas que no

son despreciables e identificar su origen y consecuencias, para reducir y
eliminarlas de las tomas de oxígeno y aire en el área de UCIN garantizando un
ambiente seguro y adecuado para los neonatos. Se plantea lo siguiente:

▪ Identificar si son las fugas la causa de las fallas presentadas en los

ventiladores.
▪ Identificar causas relacionadas que propicien el aumento de fallas.
▪ Identificar las implicaciones de tener fugas en las tomas (desperdicio de
gases, tarifas elevadas de gases, riesgo de las fugas por presentarse en
un ambiente donde se utilizan equipos como incubadoras y cunas
térmicas, etc.)
 ▪ Considerar distintas alternativas de solución en base a la seguridad del
paciente y los recursos de inversión.

2. Establecer una hipótesis: ¿Se podrán reducir los costos de inversión al

identificar el origen de las fugas y la relevancia de dichas fugas?

3. Identificar los datos necesarios: Para investigar y abordar este problema, se

requerirá la recopilación de datos relevantes, como:

▪ Registros de incidentes de fugas (fecha, hora, ubicación).

▪ Especificaciones técnicas de las líneas de suministro de oxígeno y aire.
▪ Niveles de fugas despreciables.
▪ Historiales de mantenimiento y reparaciones de los equipos.
▪ Datos sobre la frecuencia y métodos de inspección de las tomas.
▪ Información sobre las condiciones ambientales en la UCIN.
La información requerida se puede recolectar de bitácoras del personal de
mantenimiento y del personal de ingeniería biomédica. Asimismo, con el apoyo
del personal de enfermería del área de UCIN por medio de sus reportes a la
jefatura de enfermería.

4. Construir el proceso de implementación de datos: Diseñar un plan

detallado para recopilar y registrar los datos necesarios. Esto puede incluir la
designación de responsabilidades para el personal de mantenimiento y
biomédica, la creación de formularios de registro y la definición de un sistema
de seguimiento. Se considera:

▪ Información técnica de líneas de gases

▪ Normativa relacionada al suministro de gases.
▪ Costos de mantenimiento
▪ Costos de renovación (consulta con proveedores)

5. Recolectar los datos: Implementar el proceso de recopilación de datos según

el plan establecido con la colaboración del personal de enfermería, técnicos de
mantenimiento e ingenieros biomédicos involucrados en la UCIN.

▪ Líder de enfermería de UCIN (información de bitácora del

departamento con registros de incidentes)
▪ Líder de Biomédica (información de fallas de ventiladores,
determinantes de fallas e información pertinente a fallas en suministros
de gases, costos de renovación de líneas y de mantenimiento,
historiales de mantenimiento a los equipos )
▪ Líder de Mantenimiento (información de reportes de fugas, medición de
fugas, información técnica de las líneas de gases, identificación de
 posibles causas en colaboración con biomédica, historial de
mantenimiento a las tomas)
▪ Líder de Análisis de datos (limpieza de los datos recopilados, realizar
análisis de tendencias, promedio de fallas, predicciones, correlaciones,
entre otros)

6. Analizar los datos: Una vez que se hayan recopilado suficientes datos, se
pueden realizar los siguientes análisis:

▪ Análisis de patrones y tendencias en los incidentes de fuga.

▪ Revisar los registros de mantenimiento para identificar posibles
problemas en los equipos.
▪ Identificar reincidencias de equipos.
▪ Comparativas de la frecuencia de inspección con la ocurrencia de fugas.
▪ Evaluación de las condiciones ambientales correlacionadas a las fugas.

7. Tomar una decisión: Basándose en los resultados del análisis, se deben tomar
decisiones informadas:

▪ Presentar los hallazgos a los directivos correspondientes

▪ Priorizar las reparaciones o reemplazos de equipos defectuosos, en
caso de requerirlo.
▪ Priorizar las reparaciones de las tomas de gases, en caso de requerirlo.
▪ Presentar opciones de renovaciones, en caso de requerirlo.
▪ Ajustar el programa de mantenimiento preventivo, en caso de
requerirlo.
▪ Establecer protocolos estrictos para la inspección y el seguimiento de
las tomas.
▪ Capacitar al personal sobre la importancia de prevenir fugas.

Una vez que se tomen las decisiones, es importante implementarlas de manera

efectiva y dar seguimiento continuo en la UCIN. Además, se debe estar abierto a
revisar y ajustar el enfoque si es necesario a medida que se obtengan más datos y se
evalúen los resultados.

La toma de decisiones basada en datos conduce a una mayor transparencia y

rendición de cuentas, y este enfoque puede mejorar el trabajo en equipo y la
participación del personal. Las políticas de DDDM dejan en claro que las sospechas no
impulsan a la organización, y la moral mejora porque el personal percibe que los
datos objetivos respaldan las decisiones de gestión. En este caso en particular, en
lugar de tomar una decisión impulsiva o basada en una sospecha de realizar la
renovación de las líneas de suministro de gases e invertir una cantidad considerable
de recurso sin fundamento, se puede determinar la verdadera causa y mediante el
análisis de datos plantear un plan a seguir.

PACIENTE VS. CLIENTE

5. Realiza una investigación sobre los sistemas de salud que aplican en tu

país. Genera un diagrama donde se defina quién es el cliente (¿Quién paga?) y
quién es el paciente (¿Quién recibe la atención?). Define desde tu perspectiva los
KPIs aplicables al sistema de salud y al paciente. (Mínimo 3 cuartillas)

El sistema de salud en México se considera un sistema segmentado, en donde

coexisten modelos públicos, privados y mixtos; de acuerdo con la inserción laboral y la
capacidad de pago de las personas, y al interior de estos el acceso a la atención se
encuentra fragmentado en varias instituciones. El sistema se caracteriza por una
diversidad de prestadores de atención médica, diferentes esquemas de
financiamiento, operaciones y una amplia gama de opciones para la atención médica.

Ahora bien, el sector público comprende a las instituciones de seguridad social

[Instituto Mexicano del Seguro Social (IMSS), Instituto de Seguridad y Servicios Sociales
de los Trabajadores del Estado (ISSSTE), Petróleos Mexicanos (PEMEX), Secretaría de la
Defensa Nacional (SEDENA), Secretaría de Marina (SEMAR) y otros], que prestan
servicios a los trabajadores del sector formal de la economía, y a las instituciones que
protegen o prestan servicios a la población sin seguridad social, dentro de las que se
incluyen el Seguro Popular de Salud (reemplazado por el INSABI y ahora IMSS
Bienestar), la Secretaría de Salud (SSa), los Servicios Estatales de Salud (SESA) y el
Programa IMSS-Oportunidades (IMSS-O).

El financiamiento de las instituciones de seguridad social proviene de tres fuentes:

contribuciones gubernamentales, contribuciones del empleador (que en el caso del
ISSSTE, PEMEX, SEDENA y SEMAR es el mismo gobierno) y contribuciones de los
empleados. Estas instituciones prestan sus servicios en sus propias instalaciones y
con su propio personal. Tanto la SSa como los SESA se financian con recursos del
gobierno federal y los gobiernos estatales, además de una pequeña contribución que
pagan los usuarios al recibir la atención (cuotas de recuperación). La población de
responsabilidad de la SSa y de los SESA se atiende en las instalaciones de estas
instituciones, que cuentan con su propio personal. El SPS se financia con recursos del
gobierno federal, los gobiernos estatales y cuotas familiares, y compra servicios de
salud para sus afiliados a la SSa y a los SESA (y en algunas ocasiones a proveedores
privados).

Por otro lado, el sector privado presta servicios a la población con capacidad de pago.
Este se financia con los pagos que hacen los usuarios al momento de recibir la
atención y con las primas de los seguros médicos privados, y ofrece servicios en
consultorios, clínicas y hospitales privados. (17)

El sector público incluye a las instituciones que atienden a la población no asegurada,

que es de alrededor de 40 por ciento de los mexicanos, en su mayoría pobres del
campo y la ciudad. Las instancias más importantes de este rubro son la SSA y el
Programa IMSS-Solidaridad. El segundo componente es la seguridad social, que da
atención a más de 50 por ciento de la población: el IMSS tiene a su cargo a los
trabajadores del sector formal de la economía, mientras que el ISSSTE atiende a los
empleados públicos; las fuerzas armadas tienen sus propias instituciones, al igual que
los trabajadores de Pemex. Al sector privado, puede acudir cualquier persona con
capacidad de pago. (18)

La Secretaría de Salud es la institución rectora del sistema y elabora las Normas

Oficiales Mexicanas (NOM), donde se establecen los procederes y contenidos
específicos de la regulación sanitaria nacional. El ordenamiento jurídico del sector se
basa en dos leyes generales, actualizadas periódicamente a iniciativa del gobierno:
Ley General de Salud y Ley General del Seguro Social, cuyas operacionalizaciones se
realizan a través de Normas Oficiales Mexicanas (NOM), Reglamentos, Reglas de
Operación y Acuerdos de las instituciones públicas, publicados en el Diario Oficial de
la República. La Federación elabora y revisa las NOM, convoca a los grupos
interinstitucionales (p.ej. de estadísticas sanitarias, de atención a grupos de población,
etc.) y concentra las estadísticas de salud.

Cabe mencionar que no existe un verdadero sistema nacional de información, sino un

conjunto -cada institución pública tiene el propio- de subsistemas estructural y
funcionalmente desconectados entre sí, que generan información sobre población y
cobertura, recursos, servicios prestados y daños a la salud. La regulación sanitaria de
productos, bienes y servicios se ejerce en un marco compartido de responsabilidades
entre la federación y las secretarías estatales de salud (SESA). Existen dos importantes
instancias de regulación y coordinación sectorial: el Consejo de Salubridad General,
órgano dependiente de la Presidencia de la República encargado de la coordinación
intersectorial en salud; y el Consejo Nacional de Salud, órgano de carácter federal
para la coordinación territorial de las políticas de salud, integrado por el Secretario de
salud y los 32 Secretarios estatales del ramo. (19,20)

¿Quién es el paciente?

Para definir lo que es un paciente, es esencial considerar el contexto en el que se

utilice o se haga referencia a este término, ya que su significado varía según la
perspectiva desde la cual se enfoque. Ahondando en esto, desde una perspectiva
médica, un paciente es alguien que sufre dolor o malestar; desde un punto de vista
clínico, se refiere como paciente a una persona que busca atención médica,
tratamiento o cuidado de la salud debido a una enfermedad, lesión, síntomas
médicos o necesidades de atención médica diferentes. A su vez, desde una
perspectiva empresarial, un paciente es un cliente o consumidor de servicios de
atención médica. Las empresas del sector de la salud, como hospitales, clínicas y
compañías de seguros médicos proporcionan servicios y tratamientos a los pacientes
a cambio de un pago o una tarifa; desde una perspectiva legal, un paciente es una
persona que tiene derechos y responsabilidades legales en relación con su atención
médica. Esto incluye, por ejemplo, el derecho a la confidencialidad y el derecho al
consentimiento informado, así como la capacidad de presentar quejas o demandas
en caso de mala praxis médica.

En muchos casos, un individuo puede ser considerado tanto paciente como cliente,
dependiendo de la situación; ambas perspectivas (paciente y cliente) pueden coexistir,
pero el enfoque principal suele depender del propósito y la orientación del sistema de
atención médica en un determinado lugar y momento.

La diferencia entre paciente y cliente radica en que el primero es quien necesita la

atención y el segundo es quien asume el costo del servicio. Entonces, se pudiera
argumentar que, si la persona que necesita ayuda es la misma responsable del pago,
será tanto un paciente como un cliente.

Al ser considerado como cliente, el paciente posee una legítima expectativa de recibir
respuestas en múltiples aspectos. En primer lugar, la seguridad es de suma
importancia; cada paciente tiene derecho a sentirse seguro y protegido durante su
atención médica, desde la prevención de riesgos hasta la gestión adecuada de
procedimientos, medicamentos y dispositivos médicos. Además, los resultados son
fundamentales, ya que los pacientes esperan y merecen una evaluación precisa de su
estado de salud, así como la efectividad de los tratamientos recomendados.

En el ámbito de los derechos y obligaciones sobre su salud, los pacientes deben estar
plenamente informados sobre su diagnóstico y opciones de tratamiento, al tiempo
que se les permite participar en la toma de decisiones relacionadas con su atención
médica. Los profesionales de la salud también tienen responsabilidades y
obligaciones, incluido el deber de proporcionar cuidados de calidad, respetar la
confidencialidad y actuar de manera ética.

La comunicación es esencial, y los pacientes tienen derecho a recibir información clara

y comprensible sobre su salud, los procedimientos médicos y las alternativas
disponibles. Deben estar informados sobre los riesgos y beneficios, así como sobre
las opciones de tratamiento y las posibles consecuencias. En resumen, considerar a
un paciente como un cliente implica abordar no solo su atención médica sino también
sus derechos, seguridad y participación en su propia salud, lo que constituye un
enfoque integral y centrado en el paciente como cliente.

¿Quién es el cliente?

En salud, el concepto de cliente se refiere a la persona o institución responsable de

pagar por un producto o servicio médico. Es a través de sus recursos financieros que
un paciente recibirá la atención que necesita. Por lo tanto, es un individuo atento al
aspecto económico de la relación. Su definición hace referencia al aspecto financiero,
ya que se encarga de los costos asociados con los servicios médicos, lo que a menudo
se relaciona también con la elección de proveedores y la capacidad de pago. (21)

Ahora bien, un pagador o una institución también pueden ser vistos como el cliente
cuando el impacto del trabajo del profesional de salud se suma como sistema y los
resultados son colectivos. Desde esta perspectiva, se deben de considerar diversos
puntos a responder. Comenzando con los KPIs (Indicadores Clave de Desempeño),
que juegan un papel vital en este criterio, ya que permiten evaluar la eficacia y calidad
de los servicios de salud brindados. Algunos ejemplos de estos indicadores
representan aspectos como la satisfacción del paciente, la eficiencia operativa, tiempo
de respuesta y la gestión de recursos y costos.

Los KPIs se pueden aplicar tanto sistema de salud, como al paciente. En cuanto a los
KPIs del sistema de salud, podemos enunciar la espera promedio para citas, tasa de
mortalidad, tasa de incidentes adversos, tasa de cobertura, entre otras. En cambio, los
KPIs que abordan al paciente pueden ser el cumplimiento del plan de tratamiento,
satisfacción general, participación en la toma de decisiones, etc.

Por otro lado, la cobertura de salud es un elemento crítico por considerar. Una
institución o pagador eficaz se esfuerza por brindar atención médica accesible y de
calidad a un amplio espectro de la población. Esto se traduce en una atención médica
equitativa y en la reducción de disparidades en la atención médica. Asimismo, las
referencias desempeñan un papel importante al respaldar la reputación y la calidad
de una institución o pagador de salud. Cuando otros profesionales de la salud y los
pacientes confían en remitir a sus pacientes a una entidad, esto es un indicio de
confiabilidad y competencia.

Los resultados generales de la atención son un marcador fundamental de éxito. Una

atención médica efectiva se refleja en la salud general y el bienestar de la población a
la que atiende, incluyendo la prevención de enfermedades, la gestión de condiciones
crónicas y la mejora de la calidad de vida de los pacientes. Por último, la voz del
cliente es una fuente valiosa de retroalimentación. Escuchar y atender las necesidades
y expectativas de los pacientes y sus familias permite realizar mejoras continuas en la
calidad de los servicios de salud y garantizar una atención más centrada en el
paciente.

En conjunto, estos elementos subrayan la importancia de considerar a los pagadores

y las instituciones de atención médica como clientes cuando se evalúa el impacto de
la atención médica como un sistema integral.

A continuación, se presenta un diagrama donde se distingue el cliente del paciente y

su interrelación:
 CASO DE CONFLICTO

6. Identificar un caso de conflicto de ética de datos en el sector salud y describirlo.

Aplicar el Marco Referencial de DAMA para el Manejo Ético de los Datos.
Explicar cómo mejoraría el nivel de Manejo Ético de los Datos al habilitar los
principios, reglas de Ética y el Marco Referencial. (Mínimo 3 cuartillas).

Se identifica el siguiente caso de conflicto de ética de datos, venta de datos de

pacientes a terceros. Este conflicto se presenta cuando las instituciones médicas,
hospitales y proveedores de atención médica, consideran la posibilidad de
comercializar los datos de salud de sus pacientes a empresas farmacéuticas,
instituciones de investigación o cualquier otro actor externo interesado en utilizar esta
información para diversos fines. Esta práctica plantea cuestiones fundamentales
relacionadas con la propiedad, la privacidad, confidencialidad y la responsabilidad.

Surge el debate de quién tiene derecho a beneficiarse de la información de salud del

paciente. Los datos de salud, en teoría, pertenecen al paciente, quién proporcionó
esta información con la expectativa de recibir atención médica adecuada y
confidencialidad. No obstante, las instituciones médicas argumentan que también
tienen un dominio de estos datos, ya que se generan en el contexto de la atención
médica que brindan. Esta ambigüedad sobre la propiedad de los datos subyace en el
conflicto ético.

Desde el punto de vista del paciente ante este conflicto, se puede alegar al
consentimiento informado, pues los pacientes pueden no estar conscientes de que
sus datos médicos podrían venderse a terceros, lo que plantea alertas sobre la
transparencia en la relación médico/paciente. Además, se apela a quién asumirá la
responsabilidad en caso de que se produzca una brecha de seguridad o un mal uso
de los datos médicos vendidos. Las instituciones médicas tienen la responsabilidad
ética de garantizar que los datos de los pacientes estén protegidos de manera
adecuada y que se utilicen de manera ética por parte de terceros. Las consecuencias
de una fuga de datos médicos pueden ser graves, lo que plantea la necesidad de
establecer estándares rigurosos de seguridad y supervisión continua.

Desde el punto de vista de las instituciones, la venta de datos médicos genera

recursos económicos directos y a su vez, para instituciones de investigación, presenta
una posibilidad para impulsar la investigación médica y la innovación en el desarrollo
de tratamientos y medicamentos. Sin embargo, este beneficio potencial debe
sopesarse cuidadosamente con las consideraciones éticas que rodean la privacidad y
la propiedad de los datos. Se debe encontrar el equilibrio adecuado entre el beneficio
público y la protección de la privacidad del paciente.
Ahora bien, los principios de gobernanza de datos de salud responden a esta
necesidad. Dichos principios se agrupan según tres objetivos interconectados:

A. Proteger a las personas – como individuos, como grupos y como

comunidades.

Debido a la naturaleza potencialmente sensible, los datos sanitarios requieren

protecciones especializadas adicionales en la legislación y en las prácticas de datos.
Los datos sanitarios desprotegidos (personales y agregados) podrían exponer a
individuos, grupos y comunidades a daños. La gobernanza de los datos sanitarios
debe incluir directrices sobre las necesidades y limitaciones de la recopilación de
datos.

B. Promover el valor de la salud – mediante el intercambio de datos y los usos

innovadores de los datos.

La agregación y el intercambio de datos sanitarios deben realizarse de forma que se

protejan los derechos individuales, grupales y comunitarios. Además, dado que los
enfoques basados en los datos pueden dar lugar a nuevos tipos de servicios
sanitarios, la gobernanza de los datos sanitarios debe apoyar y promover tales
innovaciones. La gobernanza de los datos sanitarios debe incluir también normas y
directrices sobre el intercambio de datos que aborden una serie de escenarios de
intercambio de datos.

C. Priorizar la equidad – garantizando la distribución equitativa de los beneficios

que se derivan del uso de los datos en los sistemas sanitarios.

El valor sanitario creado por el uso de los datos debe beneficiar equitativamente a las
personas y las comunidades. Los datos los aportan las personas, ya sea como
individuos o como comunidades, por lo que las personas deben tener una
participación equitativa en el valor sanitario que generan sus datos. (22)

Ahora bien, en el caso de conflicto de ética presentado, se requiere recurrir a los tres
grupos de principios. Esto porque el primer grupo, verá por la protección de las
personas; es decir, la protección de la privacidad y uso de los datos de los pacientes.
Asimismo, con el segundo grupo se buscará el intercambio de los datos de pacientes
recopilados por las instituciones en una modalidad ética y segura. Por último, con el
tercer grupo, se asegurará que los beneficios de este intercambio sean equitativos, en
este caso para los dos actores principales del conflicto, los pacientes y las
instituciones de salud. Lo anterior respalda el hecho de que los principios de
gobernanza de datos de salud están diseñados para complementarse y reforzarse
mutuamente. No están ponderados ni enumerados en ningún orden de prioridad.
Asimismo, el marco referencial DAMA nos presenta lo que entiende que son las
mejores prácticas para garantizar el control sobre la información,
independientemente del negocio de aplicación, y para ello, posiciona al gobierno del
dato como principal actividad alrededor de la cual se gestionan el resto de las
actividades. (23)

El objetivo es encontrar una solución que equilibre los intereses de las instituciones
médicas, los pacientes y terceros interesados en los datos de salud, asegurando la
integridad, la privacidad y la ética en la gestión de estos datos. Para esto, se deben
considerar estrategias que incluyan la transparencia en la recolección de datos, la
obtención de consentimiento informado, la implementación de medidas de seguridad
robustas y la definición de reglas claras para la venta de datos médicos.

Para conseguir el objetivo se deben desarrollar políticas claras que establezcan quién
tiene derecho a acceder y utilizar los datos de salud y en qué condiciones, e
implementar medidas de seguridad sólidas para proteger los datos médicos de
posibles fugas o accesos no autorizados, asegurando así la protección de las personas y
el hecho de que todas las prácticas estén en conformidad con las leyes y regulaciones
de protección de datos y privacidad. Cabe mencionar que la gobernanza de los datos
sanitarios debe indicar en qué casos será necesaria la desidentificación y la
anonimización para la protección del paciente.

Con respecto a la implementación de la solución, se debe asegurar que los pacientes

estén plenamente informados sobre cómo se utilizarán sus datos y obtener su
consentimiento explícito antes de compartirlos con terceros. Y una vez compartidos
los datos, se debe establecer un sistema de regulación y supervisión para garantizar
que las instituciones médicas cumplan con las políticas de datos y que los terceros
utilicen los datos de manera ética.

Aplicando principios de gestión de calidad, se deben incluir auditorías periódicas para

evaluar el cumplimiento de las políticas de datos y la seguridad de los datos, para
poder asegurar nuevamente la protección de las personas al intercambiar datos. Una
práctica que asegura el mantenimiento de esta gestión sería el proporcionar
formación continua a todo el personal médico y administrativo sobre las políticas y
prácticas de gestión de datos éticos, así como pláticas informativas a los pacientes. De
esto último se puede monitorizar de manera continua la ética en la gestión de datos,
considerando las preocupaciones de los pacientes y las mejores prácticas en el campo
de la salud para realizar adaptaciones y mejoras a las políticas y procedimiento en
función a la retroalimentación.

En relación con la gestión de riesgos, se deben identificar todos los posibles riesgos
éticos, como son las brechas de seguridad, el capitalismo de la vigilancia, o mal uso de
datos, y tomar medidas para mitigarlos. Una propuesta para reducir los riesgos puede
ser la creación de un comité de ética de datos que supervise y asesore sobre
cuestiones éticas relacionadas con la gestión de datos a las instituciones y a los
terceros de igual forma.

Por último, se debe mantener una comunicación transparente con los pacientes y las
partes interesadas conforme a las situaciones que se presenten.

Utilizando el protocolo presentado se mejoraría el nivel de manejo ético de los datos

de la siguiente manera:

▪ Transparencia y Consentimiento Informado: las instituciones médicas

deben ser transparentes con los pacientes sobre cómo se recopilan,
almacenan y utilizan sus datos de salud. Al obtener el consentimiento
informado de los pacientes antes de compartir sus datos con terceros, se
garantiza que los pacientes estén plenamente informados y puedan ejercer un
mayor control sobre sus datos de salud.

▪ Protección de la Privacidad: se aboga por medidas sólidas de seguridad de

datos. Al implementar medidas de seguridad adecuadas, como puede ser la
encriptación y la autenticación, se reduce el riesgo de violaciones de datos y
fugas de información médica sensible. Esto protege la privacidad de los
pacientes y aumenta la confianza en la gestión de datos.

▪ Supervisión y Cumplimiento: se promueve la regulación y supervisión

efectiva de las políticas de datos mediante el establecimiento de un sistema de
control que garantice que las instituciones médicas y los terceros cumplan con
las políticas de gestión de datos éticos. La supervisión activa reduce el riesgo
de uso indebido de datos y fomenta un manejo ético.

▪ Gestión de Calidad: se evalúa el cumplimiento de las políticas de datos y se

detectan problemas éticos antes de que se conviertan en violaciones graves.
Además, la educación continua sobre políticas y prácticas éticas de datos
garantiza que el personal esté informado y cumpla con las normas éticas.

▪ Gestión de Riesgos y Gobierno de Datos: se reduce la probabilidad de que

ocurran problemas éticos con el comité de ética de datos proporcionando
orientación en cuestiones éticas relacionadas con la gestión de datos.

▪ Cumplimiento Normativo: se asegura que prácticas de gestión de datos

estén en conformidad con las leyes y regulaciones de protección de datos y
privacidad. Esto garantiza que todas las partes involucradas en la venta de
datos de pacientes cumplan con los estándares legales y éticos.
 ▪ Comunicación y Divulgación: se promueve la confianza y la comprensión de
las prácticas éticas de gestión de datos.

Referencias

1. Banco Mundial. (s.f.). Mortalidad infantil, tasa de mortalidad (por 1,000 nacidos
vivos) - OECD.
https://datos.bancomundial.org/indicator/SP.DYN.IMRT.FE.IN?locations=OE&m
ost_recent_value_desc=true

2. HIA. (2022). Perfil de salud - Chile. https://hia.paho.org/es/paises-2022/perfil-

chile

3. HIA. (2022). Perfil de salud - México. https://hia.paho.org/es/paises-2022/perfil-

mexico

4. HIA. (2022). Perfil de salud - Colombia. https://hia.paho.org/es/paises-

2022/perfil-colombia

5. Banco Mundial. (s.f.). Camas de hospital (por cada 1,000 personas) - México.
https://datos.bancomundial.org/indicador/SH.MED.BEDS.ZS?locations=MX

6. OECD. (s.f.). Camas de hospital.

https://www.oecd.org/espanol/estadisticas/camas-de-hospital.htm

7. OECD. (2018). Health at a Glance 2017: OECD Indicators. https://www.oecd-

ilibrary.org/sites/0c46f305-
es/index.html?itemId=/content/component/0c46f305-es

8. OPS/OMS. (s.f.). Sistemas de Información para la Salud.

https://www.paho.org/es/temas/sistemas-informacion-para-
salud#:~:text=Los%20Sistemas%20de%20Informaci%C3%B3n%20para,benefici
o%20de%20la%20salud%20p%C3%BAblica.

9. OPS/OMS. (s.f.). Historias de la Salud en las Américas.

https://www3.paho.org/ish/index.php/es/historias

10. OPS/OMS. (s.f.). Casos Exitosos - Estrategia de Acción sobre la Salud de las
Personas Jóvenes. https://www3.paho.org/ish/index.php/es/historias?id=117

11. OPS/OMS. (s.f.). Mujeres Empoderadas en la Salud - Iniciativa LAC REACH.

https://www3.paho.org/ish/index.php/es/historias?id=123

12. Andreu-Perez, J., Poon, C. C., Merrifield, R. D., Wong, S. T., & Yang, G. Z. (2015).
Big data for health. IEEE journal of biomedical and health informatics, 19(4),
1193-1208.
13. KnowledgeHut. (s.f.). Data Science in Healthcare.
https://www.knowledgehut.com/blog/data-science/data-science-in-healthcare

14. Martínez-Cruz, C., & Soto-Campos, E. (2022). Telemedicine in Mexico: Rapid

Implementation during the COVID-19 Pandemic. Healthcare Informatics
Research, 28(1), 60-67.
https://www.sciencedirect.com/science/article/pii/S0716864022001195?ref=cra
_js_challenge&fr=RR-1

15. Rodríguez, N. M., & Pardo, F. (2021). La transformación de la atención de salud

en México durante la pandemia de COVID-19. Salud Pública de México, 63(6),
785-791.
https://revistamedicasinergia.com/index.php/rms/article/view/557/943

16. Choi, W. M., & Huerta, T. R. (2019). Digital Health and Health Systems of the
Future. Frontiers in Digital Health, 1, 4.
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6691444/

17. Secretaría de Salud (México). (2002). Perfil del Sistema de Salud - México.
https://saludpublica.mx/index.php/spm/article/view/5043/10023

18. Secretaría de Salud (México). (2002). Perfil del Sistema de Salud - México.
http://www.salud.gob.mx/apps/htdocs/gaceta/gaceta_010702/hoja7.html

19. OPS/OMS. (2010). Perfil del Sistema de Salud - México 2002.

https://www3.paho.org/hq/dmdocuments/2010/Perfil_Sistema_Salud-
Mexico_2002.pdf

20. HIA. (2022). Perfil de salud - México. Health Information Platform for the
Americas. https://hia.paho.org/es/paises-2022/perfil-mexico

21. Zendesk. (s.f.). Diferencia entre Cliente, Paciente y Usuario en Salud.

https://www.zendesk.com.mx/blog/diferencia-cliente-paciente-usuario-salud/

22. Health Data Principles. (s.f.). Health Data Principles.

https://healthdataprinciples.org/principles

23. Datos.gob.es. (s.f.). El potencial uso de la metodología DAMA en la gestión de

los datos abiertos. https://datos.gob.es/es/blog/el-potencial-uso-de-la-
metodologia-de-dama-en-la-gestion-de-los-datos-abiertos