Descripción de estudios previos relacionados

La Tabla 1 muestra las contribuciones de varios estudios de revisión en los que se analizan diferentes aspectos relacionados con la IoHT.

Una vez reconocidos los avances de la IoT y su aplicación y potencialidades en el campo de la salud, así como la revisión de estudios previos relacionados con el tema, se define como objetivo de esta investigación explorar las principales tendencias y desafíos relacionados con la creciente utilización de la internet de las cosas en la industria de la salud, prestando mayor atención a los aspectos relacionados con las arquitecturas utilizadas para el despliegue de sistemas de internet de las cosas en el ámbito de la salud; las herramientas para el apoyo a la toma de decisiones utilizadas; y la seguridad en los sistemas de internet de las cosas en el campo de la medicina.

Arquitectura de los sistemas IoHT

Los sistemas IoHT trabajan principalmente en redes inalámbricas de sensores y tecnologías de dispositivos integrados; al mismo tiempo, estos deben proporcionar sus servicios a cualquiera en cualquier momento y en cualquier lugar. Es por ello que las investigaciones de Priya.B and Nandhini.S ¹¹ refieren la necesidad de una arquitectura que permita escalabilidad, interoperabilidad, disponibilidad y eficiencia con el menor costo posible.

El estudio realizado, manifiesto en la Tabla 3, evidencia la utilización de una arquitectura de 3 capas en la mayoría de las propuestas de IoHT, una capa encargada de la recolección de los datos fisiológicos de los pacientes y datos relacionados con el entorno, otra encargada de la transmisión de la información hacia un servidor, por último, una capa de servicios en la que es consultada la información obtenida de las capas anteriores.

Existen variantes que pudieran resultar interesantes. La propuesta realizada por Shurouq Hijazi, Burak Kantarci ²⁵ implementa una arquitectura de dos capas en la que una capa constituye la interfaz del paciente con el sistema, mientras la otra resulta el punto de interacción de los doctores con el sistema. Las propuestas desarrolladas por Nigam, Chavan ²⁶, Islam, Faheem ²⁷ y Borujeni, Fathy ²⁸ proponen cuatro capas incorporando una encargada de realizar alertas, notificaciones y reportes. Mientras que Yu, Chan ¹² también propone un sistema con cuatro capas, siendo una de estas la encargada de construir un esquema de monitoreo personalizado a partir de la utilización de diferentes herramientas de minería de datos.

El gran volumen de datos heterogéneos recopilados por los dispositivos IoT deben ser almacenados y posteriormente procesados; la información obtenida durante este proceso debe estar disponible para su recuperación y visualización. En aras de alcanzar estos fines, la bibliografía consultada revela un uso extendido de la computación en la nube (cloud computer) en las soluciones propuestas por diferentes autores.

En 2011, NITS (National Institute of Standards and Technology) define la computación en la nube como un modelo para permitir el acceso ubicuo, conveniente y bajo demanda de un grupo de recursos informáticos compartidos, pudiendo ser contratados o liberados con un mínimo esfuerzo de gestión o interacción del proveedor de servicios ²⁹.

Marinescu ³⁰ alega que la computación en la nube representa un cambio considerable en el diseño de sistemas; su utilización proporciona grandes capacidades de procesamiento y espacio de almacenamiento accesible desde internet. Otro de los beneficios está dado por su capacidad para adquirir dinámicamente recursos informáticos y soportar una carga de trabajo variable, además los servicios de mantenimiento y seguridad están garantizados por los proveedores de servicios. Por otra parte, los datos de la aplicación se almacenan más cerca del sitio donde se usan, potencialmente, esta estrategia de almacenamiento de datos aumenta la confiabilidad y seguridad y, al mismo tiempo, reduce los costos de comunicación.

La computación en la nube brinda evidentes ventajas en el almacenamiento, procesamiento y visualización de la información generada durante el proceso de seguimiento de los pacientes, sin embargo estudios recientes como el presentado por Puliafito, Mingozzi ³¹ muestran deficiencias en la utilización de este paradigma. La distancia entre los dispositivos IoT (sensores y puerta de enlace) y la nube a menudo conduce a una alta latencia de comunicación, factor que resulta indispensable minimizar en aplicaciones médicas. La transferencia de grandes volúmenes de datos genera un consumo elevado del ancho de banda de la red y la transmisión de estos puede incurrir en un riesgo de privacidad pudiendo ser afectada la confidencialidad, integridad y disponibilidad de los mismos.

Con el objetivo de mejorar la calidad del servicio de atención médica, se aprecia, en publicaciones recientes la utilización de la computación en la niebla (fog computer), ganando las puertas de enlace un nuevo protagonismo.

Varios autores describen la computación en la niebla como una plataforma virtual que extiende el paradigma de computación en la nube hasta el borde de la red, reduciendo de esta manera las cargas de la nube y logrando un mejor aprovechamiento del ancho de banda de la red ^{32) (33) (34).}Según Negash, Gia ³² la gestión de datos tiene un papel importante en la computación de niebla. La capa de niebla recibe continuamente una gran cantidad de datos sensoriales en un corto período de tiempo desde la red de sensores, por lo que debe administrar los datos entrantes para proporcionar una respuesta rápida. Esta tarea tiene vital importancia en los escenarios de atención médica, ya que la latencia y la incertidumbre en la toma de decisiones pueden causar daños irreversibles para los pacientes.

Las observaciones de Negash, Gia ³² expone varias funciones esenciales que la computación en la niebla debe satisfacer. La puerta de enlace debe almacenar los datos recibidos de varias fuentes en un almacenamiento local para poder utilizarlos en un análisis futuro cercano. Al mismo tiempo debe incorporar una unidad de filtrado de datos que permita eliminar el ruido y distorsiones inherentes del proceso de monitoreo, así como una unidad de compresión para reducir el volumen de datos transmitidos a través de una red de comunicación. De igual modo la puerta de enlace debe permitir la fusión de datos, con el objetivo de integrar datos sensoriales de múltiples fuentes para obtener datos más sólidos e información significativa. Finalmente debe permitir el procesamiento de datos sensoriales localmente, mejorando de esta manera el rendimiento del sistema, al disminuir la latencia de las respuestas y elevar tanto la confiabilidad como la consistencia de los datos.

El estudio realizado muestra en las últimas publicaciones una propensión a la utilización conjunta de la computación en la niebla y la computación en la nube en las soluciones IoHT dedicadas a la atención y seguimiento médico de pacientes. También se evidencia como los celulares (smartphones) son ampliamente utilizados para cumplir el rol de puertas de enlace, sin embargo, también es destacable la utilización de microcontroladores para la realización de estas funciones; y en menor medida son empleadas laptops.

Herramientas para el apoyo a la toma de decisiones

Las valoraciones de Aazimi, Anzanpour ⁵⁴ confirman que los sistemas simples de monitoreo basados en IoT son insuficientes para el monitoreo ubicuo que exige las capacidades adicionales de análisis y toma de decisiones.

El estudio realizado, presente en la Tabla 4, muestra que las técnicas de aprendizaje automático tienen gran utilidad en el sector de la salud. El empleo de estas ha permitido elevar la calidad de los indicadores de salud, proporcionando una atención médica de mayor calidad.

La revisión de la bibliografía consultada, exhibe como las técnicas más utilizadas, las redes neuronales artificiales (artificial neuronal network, ANN) y las máquinas de soporte vectorial (support vector machine, SVM), alcanzándose con estas resultados relevantes. La tendencia en las últimas publicaciones se mueve hacia la utilización del aprendizaje profundo (deep learning) como técnica más difundida para el apoyo al diagnóstico médico. Otras técnicas aplicadas en este ámbito son los árboles de decisión (decision tree), vecinos cercanos (nearst neighbors), bosques aleatorios (random forest) y algoritmos ingenuos (naive bayes).

Seguridad de los sistemas IoHT

Priya.B and Nandhini.S ¹¹ plantean como uno de los principales desafíos de la IoHT lograr la transmisión segura de los datos hacia el extremo destino y al mismo tiempo solo permitir que usuarios autorizados accedan a los datos, garantizando la confidencialidad e integridad. Para Mahmood, Wittenberg ⁷ es imprescindible, además, garantizar la precisión, validez y fiabilidad de los datos recolectados, por lo que se hace necesario un sistema que monitoree la calidad de los datos.

Las afirmaciones de Gia, Jiang ¹⁰ apuntan que la utilización de métodos de seguridad y criptografía en la puerta de enlace contribuyen a la protección de la información y de los recursos del sistema de accesos no autorizados. Estos mecanismos de seguridad constituyen una tarea desafiante pues las técnicas y métodos empleados no deben causar un aumento significativo en la latencia de la solución propuesta.

Los avances recientes en las tecnologías de cadenas de bloques (blockchains) ofrecen posibles soluciones a los desafíos, relacionados con la confidencialidad, integridad y seguridad de la información. Dai, Zheng ⁷⁴ en su investigación plantea que blockchains es esencialmente un complemento perfecto para IoT con la privacidad, seguridad, confiabilidad y escalabilidad mejoradas.

La incorporación de blockchains en las redes de atención médica puede superar los desafíos en la preservación de la privacidad y la garantía de seguridad de los datos de atención médica. Investigaciones recientes en el ámbito de la salud, incorporan la utilización de esta tecnología en sus soluciones. Por ejemplo, Esposito, De Santis ⁷⁵ muestra que el uso de la tecnología blockchains puede proteger los datos de atención médica almacenados en servidores en la nube. Mientras tanto, Griggs, Ossipova ⁷⁶ desarrolló un sistema basado en blockchains para asegurar la gestión de datos privados de salud. En particular, los datos de atención médica generados por los sensores médicos se pueden recopilar y transmitir automáticamente al sistema mediante la ejecución de contratos inteligentes, lo que permite el monitoreo del paciente en tiempo real. Además, Bhuiyan, Zaman ⁷⁷ propuso una solución basada en blockchains para administrar datos de atención médica individuales y apoyar el intercambio de datos en diferentes hospitales, centros médicos, compañías de seguros y pacientes garantizando durante el proceso la privacidad y seguridad de los datos de atención médica.