Feasibility of using automatically extracted routine clinical data in a respiratory cohort study: The SPHN-SPAC demonstrator project.
El proyecto demostrador SPHN-SPAC demuestra que los datos clínicos rutinarios extraídos automáticamente pueden complementar eficazmente la abstracción manual en estudios de cohortes respiratorias pediátricas al mejorar la integridad de los datos y capturar más eventos, aunque su aplicación más amplia está actualmente limitada por las prácticas de documentación heterogéneas y el esfuerzo significativo requerido para la armonización de los datos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Imagina que estás intentando resolver un rompecabezas gigante, pero las piezas están esparcidas en miles de cajas diferentes en una biblioteca enorme. Este es el mundo de la investigación médica, donde los científicos intentan comprender cómo las enfermedades afectan a las personas a lo largo del tiempo. Para hacer esto, normalmente necesitan construir una "cohorte", que es solo una palabra elegante para un grupo de personas a las que se sigue de cerca. Tradicionalmente, los investigadores tienen que actuar como escribas humanos, sentados en los hospitales y copiando manualmente notas de los expedientes de los pacientes en sus propias bases de datos. Es lento, costoso y un poco como intentar llenar una piscina con una cucharadita.
En años recientes, ha surgido una nueva idea: ¿qué pasaría si pudiéramos simplemente pedirle a la computadora del hospital que extraiga automáticamente las piezas adecuadas para nosotros? Aquí es donde entran los "datos clínicos de rutina". Estos son los registros digitales que los médicos y enfermeros crean cada día cuando tratan a los pacientes: cosas como resultados de análisis de sangre, fechas de visitas y diagnósticos. La esperanza es que, si podemos enseñar a las computadoras a capturar estos datos automáticamente, podamos estudiar grupos enormes de personas de manera mucho más rápida y barata. Sin embargo, hay un inconveniente. El hecho de que los datos existan en una computadora no significa que estén listos para ser usados. Podrían estar escritos en un código secreto, almacenados en un formato desordenado o escondidos en diferentes partes del sistema. La gran pregunta que se hacen los investigadores es: ¿podemos realmente confiar en estos recolectores digitales automáticos para que nos den la misma buena información que nuestros cuidadosos escribas humanos, o la computadora simplemente nos entregará un montón de piezas de rompecabezas rotas?
Este artículo cuenta la historia de un equipo en Suiza que decidió probar esta idea utilizando un grupo de niños con problemas respiratorios. Establecieron un "proyecto demostrativo" para ver si podían reemplazar o, al menos, ayudar a sus escribas humanos con un sistema automático llamado Red de Salud Personalizada Suiza (SPHN, por sus siglas en inglés).
Los investigadores analizaron a 1,075 niños que formaban parte de un estudio llamado Cohorte Suiza de Vías Respiratorias Pediátricas (SPAC). Durante años, un equipo de investigadores humanos había estado copiando manualmente los datos de los registros médicos de estos niños. Para este nuevo proyecto, el equipo pidió a las computadoras de los hospitales que extrajeran automáticamente la misma información utilizando el sistema SPHN. Querían ver tres cosas: cuánto tiempo tomaría obtener los datos, cuántos datos podrían obtener realmente y qué tan bien coincidían los datos de la computadora con los de los humanos.
Los resultados fueron una mezcla de "grandes noticias" y "no tan rápido". Primero, el sistema automático era un monstruo hambriento de datos, en el buen sentido. Encontró muchos más encuentros médicos de los que los humanos encontraron. Por ejemplo, en un hospital, la computadora encontró 1,963 visitas ambulatorias, mientras que los humanos solo habían registrado 1,049. En otro, encontró 2,343 visitas frente a 1,010. La computadora también logró encontrar visitas de niños cuyos padres ni siquiera habían completado los cuestionarios de seguimiento, actuando como una red de seguridad que capturó información que los humanos pasaron por alto.
Sin embargo, obtener estos datos no fue tan simple como presionar un botón de "descargar". El equipo tardó unos 24 meses —¡dos años enteros!— en tener los datos listos. Tuvieron que luchar a través de un laberinto de diferentes sistemas informáticos hospitalarios, cada uno hablando su propio lenguaje. Los datos salieron en un formato llamado RDF (Marco de Descripción de Recursos), que es como una forma altamente estructurada pero muy abstracta de organizar la información que las computadoras aman pero que los humanos encuentran difícil de leer. El equipo tuvo que dedicar una cantidad masiva de tiempo y dinero (unos 242,000 francos suizos por adelantado) para traducir esto a un formato que realmente pudieran usar para su estudio.
Cuando finalmente compararon los dos conjuntos de datos, la computadora fue sorprendentemente precisa para las cosas que podía encontrar. Para números estructurados como la altura, el peso y las pruebas de función pulmonar (espirometría), la computadora y los humanos coincidieron casi perfectamente. Los números coincidieron tan estrechamente que los datos de la computadora eran tan confiables como los de los humanos para estos elementos específicos. Pero la computadora no fue perfecta. Pasó por alto algunas cosas que los humanos encontraban fácilmente, como detalles sobre qué medicamentos se recetaron durante las visitas ambulatorias o los resultados de las pruebas de punción cutánea para alergias. También tuvo dificultades para encontrar información que estaba escrita en notas de texto libre en lugar de estar ingresada en cuadros específicos.
El equipo también verificó qué tan bien coincidían los datos de la computadora con lo que los padres reportaron en encuestas sobre visitas a la sala de emergencias. La computadora y los padres coincidieron mayoritariamente en si una visita ocurrió o no (alta "concordancia negativa"), pero cuando una visita sí ocurrió, no siempre coincidían en el momento exacto o en los detalles. Esto se debe probablemente a que los padres pueden recordar una visita a un hospital diferente que la computadora no vio, o porque pueden olvidar una visita menor.
Al final, el artículo sugiere que la extracción automática de datos es una herramienta poderosa que puede dar a los investigadores más información y capturar cosas que los humanos podrían pasar por alto, pero que aún no puede reemplazar completamente el toque humano. La computadora es excelente para capturar los números estructurados y fáciles, pero todavía necesita mucha ayuda para entender las partes desordenadas, escritas a mano o de texto libre de la historia de un paciente. Los investigadores concluyen que, si bien esta tecnología es prometedora, necesitamos arreglar la forma en que los hospitales anotan sus notas y construir mejores herramientas para traducir el lenguaje de la computadora antes de que podamos confiar plenamente en ella para que haga todo el trabajo. Es un asistente muy útil, pero por ahora, todavía necesita un supervisor humano para asegurarse de que las piezas del rompecabezas encajen correctamente.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.