The EHR Density Index: A new method to control for EHR data inconsistency across patients

Imagina que estás intentando resolver un misterio utilizando una biblioteca gigante y desordenada de registros médicos. Esta no es una biblioteca donde cada libro esté organizado con pulcritud; es más bien como un ático caótico donde algunas personas han dejado tras de sí troncos enteros de diarios, fotos y recibos, mientras que otras solo han dejado caer una única nota adhesiva. En el mundo de la investigación médica, esta es la realidad de los "Registros de Salud Electrónicos" (EHR, por sus siglas en inglés). Estos son los archivos digitales que los médicos utilizan para realizar el seguimiento de los pacientes, pero debido a que están escritos para la atención diaria y no para científicos, suelen ser desiguales. Algunos pacientes, generalmente los que están muy enfermos, tienen páginas y páginas de datos porque visitan el hospital constantemente. Otros, que están más sanos o simplemente ven a un médico una vez al año, tienen registros muy escasos.

Durante mucho tiempo, los investigadores han intentado solucionar este desorden utilizando una herramienta llamada "Índice de Comorbilidad de Charlson" (CCI). Piensa en el CCI como una "puntuación de enfermedad". Observa el registro de un paciente y cuenta cuántas enfermedades graves tiene. La idea es que, si sabes qué tan enfermo está alguien, puedes compararlo de manera justa con otros. Pero aquí está el truco: el CCI solo mide qué tan enfermo está una persona, no cuánto sabemos sobre ella. Si una persona muy enferma solo visita a un especialista que no escribe muchos detalles, el CCI podría decir que está enferma, pero el registro parecerá vacío. Esto crea un problema complicado: ¿el resultado de un paciente es diferente porque está más enfermo, o simplemente porque su archivo médico es más delgado? Los científicos necesitan una forma de medir la "densidad" del archivo en sí, separándola de la enfermedad que hay dentro.

Aquí es donde entra en juego un equipo de investigadores de la Universidad de Carolina del Norte con una nueva idea llamada Índice de Densidad de EHR (EDI). Se dieron cuenta de que, para obtener resultados justos de los datos médicos, se necesita saber no solo la salud del paciente, sino también el "volumen" de su papeleo. Construyeron un sistema para medir exactamente cuánta información se empaqueta en el archivo de un paciente por cada año, ajustándose a la frecuencia con la que esa persona realmente visita al médico.

La historia del "Detective del Papeleo"

Los investigadores comenzaron con una enorme pila de datos: los registros médicos de 24.987 pacientes adultos de UNC Health, que cubren los años 2018 hasta 2024. Querían crear una nueva herramienta que pudiera decirles: "Este paciente tiene muchos datos" o "Este paciente tiene muy pocos", sin confundir eso con "Este paciente está muy enfermo".

Para lograrlo, no se limitaron a contar líneas de texto. Actuaron como detectives clasificando a las personas en grupos según cómo interactúan con el sistema de salud. Utilizaron un truco matemático sofisticado llamado "Modelo de Mezcla Gaussiana" (piensa en ello como una máquina de clasificación inteligente) para agrupar a los pacientes en cuatro "clústeres de utilización" distintos basados en sus patrones de visitas:

1. Inpaciente de Alta Frecuencia: Personas con muchas estancias hospitalarias o estancias largas.
2. Inpaciente Moderado: Personas que van al hospital ocasionalmente.
3. Ambulatorio Regular: Personas que ven a médicos en clínicas en tiempos constantes y predecibles.
4. Ambulatorio Irregular: Personas que visitan rara vez y en momentos impredecibles.

Una vez que los pacientes fueron clasificados en estos grupos, los investigadores observaron la "densidad" de sus registros. Se preguntaron: "Dentro de este grupo específico de personas, ¿tiene esta persona más o menos papeleo que el promedio?". Revisaron cuatro tipos específicos de pistas médicas: condiciones (diagnósticos), fármacos (medicamentos), mediciones (como análisis de sangre) y procedimientos (como cirugías o radiografías).

Si un paciente en el grupo de "Ambulatorio Regular" tenía muchos más resultados de laboratorio y notas de medicación que sus vecinos, obtenía una puntuación de densidad alta. Si tenía menos, obtenía una puntuación baja. Esta puntuación se llama "residuo", que es solo una palabra elegante para decir "qué tan alejado se está del promedio".

Lo que encontraron

El equipo descubrió algo fascinante: estar enfermo y tener un archivo grueso están relacionados, pero no son lo mismo.

Comprobaron si la "puntuación de enfermedad" (el CCI) podía predecir la "puntuación de papeleo" (el EDI). Encontraron que, aunque los pacientes más enfermos tienden a tener más visitas y, por lo tanto, más datos, la conexión es débil. De hecho, encontraron muchos pacientes que estaban muy enfermos pero tenían registros muy escasos, y otros que estaban menos enfermos pero tenían archivos increíblemente detallados.

El artículo argumenta explícitamente en contra de la idea de que el antiguo "índice de enfermedad" (CCI) es suficiente para solucionar el problema de los datos. Los autores demuestran que el CCI es excelente para decirte qué tan enfermo está alguien, pero es pésimo para decirte cuánta información hay realmente en su archivo. Un paciente con una puntuación de enfermedad alta aún podría tener un archivo "delgado" si no visita el hospital con frecuencia, y el CCI no puede ver eso. El EDI, sin embargo, detecta ese archivo delgado de inmediato.

Los investigadores también mostraron que el EDI no es un reemplazo para el CCI. En su lugar, es un compañero. Imagina que estás horneando un pastel. El CCI es la harina (el ingrediente principal de la enfermedad) y el EDI es la taza medidora (que te dice cuánta cantidad de ese ingrediente realmente tienes). Necesitas ambos para obtener el resultado correcto. Si solo usas la harina sin medirla, tu pastel podría ser un desastre.

Por qué esto es importante

Los autores sugieren que el uso del EDI junto con el CCI puede ayudar a los científicos a dejar de cometer errores. En el pasado, si un estudio encontraba que un determinado fármaco funcionaba mejor para algunas personas, podría haber sido porque esas personas tenían archivos más "gruesos" donde los médicos escribían más detalles, no porque el fármaco realmente funcionara mejor. Al añadir el EDI a su matemática, los investigadores pueden "controlar" esta desigualdad.

El documento no pretende haber resuelto todos los problemas de la investigación médica. Admiten que sus números específicos podrían no funcionar perfectamente para cada hospital del mundo porque diferentes hospitales anotan las cosas de manera distinta. Animan a otros científicos a tomar su método y "reentrenarlo" con sus propios datos locales. También señalan que su herramienta actual solo observa datos estructurados (como casillas de verificación y códigos) y aún no lee las notas de texto libre que los médicos escriben con sus propias palabras.

En resumen, el Índice de Densidad de EHR es una nueva regla para medir el "grosor" de la historia médica de un paciente. Ayuda a los investigadores a comprender que el hecho de que un archivo sea delgado no significa que el paciente esté sano; puede significar simplemente que la historia aún no se ha escrito. Al utilizar esta nueva herramienta, los científicos esperan que sus descubrimientos sean más precisos, justos y fiables para todos.