Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
Mientras atienden a pacientes con COVID-19, los profesionales de la salud de todo el pa\u00eds han acumulado un tesoro de informaci\u00f3n sobre el SARS. CoV-2, sus variantes en evoluci\u00f3n como Delta y Omicron, y sus efectos en el cuerpo humano y la salud p\u00fablica. Dichos datos, recopilados en los registros m\u00e9dicos electr\u00f3nicos de los pacientes, son vitales para comprender el virus y desarrollar tratamientos. Pero los datos nacionales de los registros m\u00e9dicos han sido dif\u00edciles de obtener para los investigadores porque los procesos importantes que garantizan la privacidad del paciente tambi\u00e9n ralentizan el acceso a los datos. <\/p>\n
Una iniciativa financiada por el Centro Nacional para el Avance de las Ciencias Traslacionales de los Institutos Nacionales de Salud (NIH) y codirigida por la Facultad de Medicina de la Universidad de Washington en St. Louis ha aprovechado las herramientas de big data y computaci\u00f3n avanzada para proporcionar a los investigadores con cantidades masivas de datos sint\u00e9ticos modelados a partir de datos de pacientes reales, lo cual es esencial para comprender el COVID-19 y al mismo tiempo garantizar la protecci\u00f3n de la privacidad y confidencialidad del paciente.<\/p>\n
Escuela de Medicina de la Universidad de Washington, tambi\u00e9n parte del Centro de Datos para la Salud y National COVID Cohort Collaborative (N3C), ha sido un l\u00edder nacional en la implementaci\u00f3n y evaluaci\u00f3n de tecnolog\u00eda para la producci\u00f3n de datos sint\u00e9ticos, que es clave para las colaboraciones de intercambio de datos en todo el pa\u00eds.<\/p>\n
La creaci\u00f3n de Los datos son la especialidad de MDClone, una compa\u00f1\u00eda de inform\u00e1tica para el cuidado de la salud que ha trabajado con la Universidad de Washington y otros centros m\u00e9dicos acad\u00e9micos para ayudar a que los datos sint\u00e9ticos sean m\u00e1s amplios. y accesible a los investigadores. Los datos sint\u00e9ticos se generan artificialmente, basados en datos de pacientes reales, pero no se derivan directamente de registros individuales, lo que reduce sustancialmente el riesgo de que dichos datos se puedan utilizar para identificar a esas personas. En lugar de los m\u00e9todos tradicionales para ocultar las identidades de los pacientes en conjuntos de datos, como eliminar nombres, fechas de nacimiento y otra informaci\u00f3n de identificaci\u00f3n, la generaci\u00f3n de datos sint\u00e9ticos implica la producci\u00f3n de un nuevo conjunto de pacientes simulados que, en conjunto, recrean las caracter\u00edsticas estad\u00edsticas de los pacientes reales. como medidas de presi\u00f3n arterial, \u00edndice de masa corporal y funci\u00f3n renal. Las identidades y la privacidad de los pacientes reales est\u00e1n protegidas porque los pacientes simulados no tienen equivalentes directos en los datos reales.<\/p>\n
La investigaci\u00f3n publicada en dos estudios dirigidos por la Facultad de Medicina de la Universidad de Washington ha demostrado que analizar datos sint\u00e9ticos generados a partir de datos reales Los pacientes con COVID-19 replican con precisi\u00f3n los resultados de los mismos an\u00e1lisis realizados en los datos de pacientes reales. Adem\u00e1s, los datos sint\u00e9ticos no solo reflejan con precisi\u00f3n las caracter\u00edsticas de los pacientes a gran escala, sino que los conjuntos de datos sint\u00e9ticos recrean con precisi\u00f3n la propagaci\u00f3n y el impacto de la pandemia a lo largo del tiempo y en \u00e1reas geogr\u00e1ficas densamente analizadas, lo que permite investigar la propagaci\u00f3n y el impacto del virus a nivel de poblaci\u00f3n. .<\/p>\n
Un estudio se publica en el Journal of the American Medical Informatics Association. El segundo estudio est\u00e1 disponible en l\u00ednea en el Journal of Medical Internet Research.<\/p>\n
\u00abHemos demostrado que podemos elaborar predicciones sofisticadas de lo que suceder\u00e1 en una poblaci\u00f3n con una enfermedad como la COVID-19\u00bb. dijo el coautor e investigador principal Philip Payne, profesor de Janet y Bernard Becker, cient\u00edfico jefe de datos y director del Instituto de Inform\u00e1tica de la Universidad de Washington. \u00abEs fundamental que protejamos los derechos de los pacientes a la privacidad y la confidencialidad al mismo tiempo que respondemos a la amenaza que representa el COVID-19 de manera oportuna. Ninguna instituci\u00f3n puede abordar estas necesidades por s\u00ed sola. A trav\u00e9s de las capacidades \u00fanicas que ofrece el uso de datos sint\u00e9ticos , estamos acelerando nuestros esfuerzos para diagnosticar, tratar y, quiz\u00e1s lo m\u00e1s importante, prevenir esta enfermedad al mismo tiempo que demostramos c\u00f3mo podemos responder de manera m\u00e1s efectiva a futuras emergencias de salud p\u00fablica\u00bb.<\/p>\n
El uso de datos sint\u00e9ticos reduce la regulaci\u00f3n Barreras que generalmente impiden el intercambio generalizado y la integraci\u00f3n de datos de pacientes en m\u00faltiples organizaciones. Poder compartir datos sint\u00e9ticos de pacientes permite a los investigadores analizar grandes cantidades de datos de todo el pa\u00eds en lugar de limitarse a los datos de sus instituciones individuales. Investigadores de todo el mundo podr\u00edan solicitar acceso a los datos sint\u00e9ticos de una instituci\u00f3n para realizar sus propios estudios. Esta capacidad aumenta la escala y la eficiencia de dicha investigaci\u00f3n al mismo tiempo que reduce los posibles sesgos en los resultados resultantes.<\/p>\n
Hasta la fecha, el conjunto de datos sint\u00e9ticos de N3C incluye datos de 72 instituciones de todo el pa\u00eds y contiene registros que representan a 13 millones de pacientes. De esos, alrededor de 5 millones de pacientes dieron positivo en la prueba de COVID-19. Con los conjuntos de datos sint\u00e9ticos masivos generados a partir de este recurso, los investigadores pueden buscar patrones en los datos que no surgir\u00edan con tama\u00f1os de muestra m\u00e1s peque\u00f1os. Utilizando herramientas inform\u00e1ticas y de ciencia de datos de \u00faltima generaci\u00f3n, como el reconocimiento de patrones y t\u00e9cnicas de aprendizaje autom\u00e1tico, los datos podr\u00edan identificar criterios que predicen qu\u00e9 pacientes corren el mayor riesgo de necesitar cuidados intensivos o ventiladores. Tambi\u00e9n podr\u00eda ayudar a identificar patrones en las estrategias de tratamiento para ver si los medicamentos que un paciente con COVID-19 ya est\u00e1 tomando para una afecci\u00f3n diferente, por ejemplo, un anticoagulante para una enfermedad card\u00edaca, podr\u00edan ser protectores o da\u00f1inos en comparaci\u00f3n con los pacientes que no toman ese medicamento.<\/p>\n
El primer art\u00edculo demostr\u00f3 que los datos sint\u00e9ticos reproduc\u00edan con precisi\u00f3n la demograf\u00eda y las caracter\u00edsticas cl\u00ednicas de los pacientes en el conjunto de datos inicial de N3C. Los datos sint\u00e9ticos tambi\u00e9n podr\u00edan usarse para predecir con precisi\u00f3n el riesgo de ingreso o reingreso hospitalario para pacientes diagnosticados con COVID-19. Adem\u00e1s, los datos sint\u00e9ticos tambi\u00e9n reprodujeron con precisi\u00f3n las curvas epid\u00e9micas a nivel de poblaci\u00f3n, como la cantidad de casos por d\u00eda, la cantidad de hospitalizaciones y muertes por d\u00eda y los promedios m\u00f3viles de siete d\u00edas de casos positivos durante per\u00edodos de tiempo espec\u00edficos. El segundo art\u00edculo incluy\u00f3 un an\u00e1lisis m\u00e1s profundo de las curvas epid\u00e9micas en subconjuntos de poblaciones que viven en c\u00f3digos postales espec\u00edficos. En este caso, tambi\u00e9n, el conjunto de datos sint\u00e9ticos imit\u00f3 con precisi\u00f3n la propagaci\u00f3n de la pandemia en diferentes regiones geogr\u00e1ficas, siempre que esas regiones se sometieran a pruebas densas de COVID-19. Los an\u00e1lisis en el segundo documento que utilizaron muestras o poblaciones peque\u00f1as fueron menos capaces de reproducir resultados en el conjunto de datos real.<\/p>\n
\u00abPoder ver c\u00f3digos postales espec\u00edficos es extremadamente importante para analizar una pandemia, ya que los determinantes sociales de la salud var\u00edan seg\u00fan el lugar donde vive el paciente\u00bb, dijo Adam Wilcox, profesor de medicina y autor principal de ambos estudios. \u00abSabemos que los determinantes sociales de la salud, como el acceso a la atenci\u00f3n m\u00e9dica, la educaci\u00f3n y la estabilidad econ\u00f3mica, est\u00e1n relacionados con la transmisi\u00f3n y los resultados de la COVID-19. Este an\u00e1lisis muestra que podemos usar datos sint\u00e9ticos para estudiar diferentes din\u00e1micas de una pandemia, incluido c\u00f3mo cambia la pandemia a lo largo de tiempo y a trav\u00e9s del \u00e1rea geogr\u00e1fica. Estos documentos representan una investigaci\u00f3n realmente exhaustiva de las capacidades de los datos sint\u00e9ticos para el modelado de pandemias\u00bb.<\/p>\n
Seg\u00fan los investigadores, los datos sint\u00e9ticos son los mejores para representar lo que est\u00e1 sucediendo en un amplio nivel de poblaci\u00f3n pero no es tan bueno analizando valores at\u00edpicos. Los valores at\u00edpicos que involucran un peque\u00f1o n\u00famero de pacientes con combinaciones de caracter\u00edsticas raras o situaciones en las que una regi\u00f3n geogr\u00e1fica contiene muy pocas personas, como en los c\u00f3digos postales rurales, se excluyen intencionalmente de los conjuntos de datos sint\u00e9ticos para proteger a\u00fan m\u00e1s la privacidad de las personas que pueden caer en esas categor\u00edas. Sin embargo, en general, es dif\u00edcil que los an\u00e1lisis de datos sean representativos cuando se analizan n\u00fameros peque\u00f1os, por lo que este desaf\u00edo no es exclusivo de los datos sint\u00e9ticos.<\/p>\n
\u00abSeguimos probando los l\u00edmites de lo que podemos hacer con datos sint\u00e9ticos, por lo que entendemos los mejores usos de este tipo de datos y tambi\u00e9n las situaciones en las que necesitamos volver a los datos originales\u00bb, dijo Randi Foraker, profesor de medicina y primer autor del segundo estudio y co -autor del primer estudio. \u00abHay situaciones en las que los datos sint\u00e9ticos pueden no ser tan precisos como los datos originales, y necesitamos saber cu\u00e1les son para poder seleccionar los mejores m\u00e9todos posibles para analizar un conjunto de datos en particular\u00bb.<\/p>\n
En una A gran escala, los investigadores dijeron que los datos permiten la predicci\u00f3n de futuros puntos cr\u00edticos de COVID-19, por lo que esas \u00e1reas pueden prepararse y potencialmente evitar el peor de los casos. Los sistemas de datos sint\u00e9ticos ahora implementados tambi\u00e9n ayudar\u00e1n a los investigadores a responder m\u00e1s r\u00e1pido a una futura pandemia. Payne lo compara con el pron\u00f3stico del tiempo.<\/p>\n
\u00abEstamos tratando de construir el equivalente de la trayectoria de un hurac\u00e1n para las pandemias, usando grandes cantidades de datos\u00bb, dijo Payne. \u00abCuando el pron\u00f3stico del tiempo funciona, es porque tienen muchos datos previos de los que aprender y pueden aplicarlos a lo que est\u00e1n observando ahora. Luego crean una variedad de modelos diferentes que predicen escenarios futuros, en este caso, posibles trayectorias del hurac\u00e1n y las probabilidades de cada uno. Estamos creando herramientas para hacer exactamente lo mismo, pero para las pandemias de enfermedades infecciosas\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Los datos sint\u00e9ticos imitan los datos reales de atenci\u00f3n m\u00e9dica sin preocupaciones sobre la privacidad del paciente M\u00e1s informaci\u00f3n:<\/strong> Jason A Thomas et al, Demostraci\u00f3n de un enfoque para evaluar la utilidad de datos epidemiol\u00f3gicos temporales y geoespaciales sint\u00e9ticos : Resultados del an\u00e1lisis de m\u00e1s de 1,8 millones de pruebas de SARS-CoV-2 en la Colaboraci\u00f3n nacional de cohortes de COVID de los Estados Unidos (N3C), Journal of the American Medical Informatics Association (2022). DOI: 10.1093\/jamia\/ocac045<\/p>\n Randi Foraker et al, The National COVID Cohort Collaborative: an\u00e1lisis de datos de registros de salud electr\u00f3nicos originales y derivados computacionalmente, Journal of Medical Internet Research (2021). DOI: 10.2196\/30697 Informaci\u00f3n de la revista:<\/strong> Revista de la Asociaci\u00f3n Estadounidense de Inform\u00e1tica M\u00e9dica , Revista de Investigaci\u00f3n M\u00e9dica en Internet <\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico Mientras atienden a pacientes con COVID-19, los profesionales de la salud de todo el pa\u00eds han acumulado un tesoro de informaci\u00f3n sobre el SARS. CoV-2, sus variantes en evoluci\u00f3n como Delta y Omicron, y sus efectos en el cuerpo humano y la salud p\u00fablica. Dichos datos, recopilados en los registros m\u00e9dicos … Continuar leyendo \u00abLos datos sint\u00e9ticos imitan los datos de pacientes reales, modelan con precisi\u00f3n la pandemia de COVID-19\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-11493","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11493","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=11493"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11493\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=11493"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=11493"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=11493"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}