Cr\u00e9dito: CC0 Public Domain <\/p>\n
Los registros m\u00e9dicos electr\u00f3nicos de los pacientes transmiten informaci\u00f3n crucial. La aplicaci\u00f3n de t\u00e9cnicas de procesamiento de lenguaje natural a estos registros puede ser un medio eficaz para extraer informaci\u00f3n que puede mejorar la toma de decisiones cl\u00ednicas, la documentaci\u00f3n cl\u00ednica y la facturaci\u00f3n, la predicci\u00f3n de enfermedades y la detecci\u00f3n de reacciones adversas a medicamentos. Las reacciones adversas a los medicamentos son un problema de salud importante, que provoca reingresos hospitalarios e incluso la muerte de miles de pacientes. Un sistema de detecci\u00f3n autom\u00e1tica puede resaltar dichas reacciones en un documento, resumirlas y reportarlas autom\u00e1ticamente. <\/p>\n
En este contexto, el Hospital Universitario de Basurto y el Hospital de Galdakao \u00abse interesaron en crear un sistema que utilizara t\u00e9cnicas de procesamiento de lenguaje natural para analizar los registros de salud de los pacientes con el fin de identificar autom\u00e1ticamente cualquier efecto adverso\u00bb, explica la ingeniera Sara Santiso, quien tambi\u00e9n tiene un Ph.D. en Ciencias de la Computaci\u00f3n. Despu\u00e9s de que los hospitales contactaran con el grupo IXA de la UPV\/EHU, varios investigadores comenzaron a trabajar en la construcci\u00f3n de un modelo robusto con el que extraer reacciones adversas a medicamentos a partir de historias cl\u00ednicas electr\u00f3nicas escritas en espa\u00f1ol, basado en miner\u00eda de textos cl\u00ednicos.<\/p>\n
Para ello, \u201cno solo hemos utilizado t\u00e9cnicas basadas en algoritmos tradicionales de aprendizaje autom\u00e1tico, tambi\u00e9n hemos explorado t\u00e9cnicas de aprendizaje profundo, llegando a la conclusi\u00f3n de que estas son m\u00e1s capaces de detectar reacciones adversas\u201d, explica Santiso, uno de los autores del estudio. . El aprendizaje autom\u00e1tico y el aprendizaje profundo imitan la forma en que aprende el cerebro humano, aunque utilizan diferentes tipos de algoritmos para hacerlo.<\/p>\n
Dificultades para encontrar un corpus en espa\u00f1ol<\/p>\n
Santiso destaca las dificultades del equipo encontrado al tratar de encontrar un corpus lo suficientemente grande con el que trabajar: \u00abAl principio, comenzamos con solo unos pocos registros de salud, porque son dif\u00edciles de obtener por cuestiones de privacidad; hay que firmar acuerdos de confidencialidad para poder trabajar con ellos ,\u00bb ella explica. El equipo de investigaci\u00f3n ha descubierto que \u00abtener un corpus m\u00e1s grande ayuda al sistema a aprender los ejemplos que contiene de manera m\u00e1s efectiva, lo que da lugar a mejores resultados\u00bb.<\/p>\n
A trav\u00e9s de este estudio, que se llev\u00f3 a cabo con registros de salud escritos en espa\u00f1ol, \u201cestamos contribuyendo a cerrar la brecha entre la miner\u00eda de textos cl\u00ednicos en ingl\u00e9s y la realizada en otros idiomas, que representa menos del 5% de todos los trabajos publicados en el campo. De hecho, la extracci\u00f3n de informaci\u00f3n cl\u00ednica a\u00fan no est\u00e1 plenamente desarrollado debido (entre otras cosas) al potencial para extraer informaci\u00f3n de otros hospitales y en otros idiomas\u201d, afirma el investigador.<\/p>\n
Aunque el procesamiento del lenguaje natural ha sido de inestimable ayuda en la detecci\u00f3n asistida por ordenador de reacciones adversas a medicamentos, todav\u00eda hay margen de mejora: \u00abHasta la fecha, los sistemas han tendido a centrarse en detectar pares de medicamentos-enfermedad ubicados en la misma oraci\u00f3n. Sin embargo, los registros de salud contienen informaci\u00f3n impl\u00edcita que podr\u00eda revelar relaciones subyacentes (por ejemplo, la informaci\u00f3n sobre antecedentes podr\u00eda ser relevante para determinar las causas de un evento adverso). En otras palabras, la investigaci\u00f3n futura deber\u00eda esforzarse por detectar las relaciones entre oraciones expl\u00edcitas e impl\u00edcitas\u00bb. Adem\u00e1s, otro problema que deber\u00eda ser objeto de investigaci\u00f3n futura es la falta de registros de salud electr\u00f3nicos escritos en espa\u00f1ol. <\/p>\n
Explore m\u00e1s a fondo <\/p>\n
Las notas m\u00e9dicas ‘tendencias’ podr\u00edan ayudar a los hospitales a predecir los aumentos repentinos de la COVID-19 Methods and Programs in Biomedicine (2020).DOI: 10.1016\/j.cmpb.2020.105891 Proporcionado por la Universidad del Pa\u00eds Vasco Cita<\/strong>: Extracci\u00f3n autom\u00e1tica de reacciones adversas a medicamentos de registros electr\u00f3nicos de salud (2021, 5 de marzo) recuperado 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-03-automatic-adverse-drug-reaction-electronic.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede ser reproducida producido sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: CC0 Public Domain Los registros m\u00e9dicos electr\u00f3nicos de los pacientes transmiten informaci\u00f3n crucial. La aplicaci\u00f3n de t\u00e9cnicas de procesamiento de lenguaje natural a estos registros puede ser un medio eficaz para extraer informaci\u00f3n que puede mejorar la toma de decisiones cl\u00ednicas, la documentaci\u00f3n cl\u00ednica y la facturaci\u00f3n, la predicci\u00f3n de enfermedades y la detecci\u00f3n … Continuar leyendo \u00abExtracci\u00f3n autom\u00e1tica de reacciones adversas a medicamentos de los registros m\u00e9dicos electr\u00f3nicos\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-18819","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18819","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=18819"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18819\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=18819"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=18819"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=18819"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}