Inteligencia artificial para la exploración automatizada de datos clínicos a partir de registros médicos electrónicos (CardioMining-AI)

A pesar del rápido desarrollo de la medicina y la informática en los últimos años, el tratamiento médico en la práctica clínica moderna suele ser empírico y basado en datos retrospectivos. Con el creciente número de pacientes y su concentración en grandes centros terciarios, se vuelve atractivo recopilar sistemáticamente datos clínicos y aplicarlos a modelos de estratificación de riesgo. Sin embargo, con el aumento del volumen de datos, la recopilación y el procesamiento manual de datos se convierte en un desafío, ya que este enfoque requiere mucho tiempo y es costoso para los sistemas de atención médica. Además, la información no estructurada, como las notas clínicas, a menudo se escribe como texto libre que no es adecuado para el análisis directo. El uso de la inteligencia artificial es muy prometedor y cambiará rápidamente el futuro de la medicina en los próximos años. Debido a los procesos automatizados que ofrece, es posible extraer datos de forma rápida y fiable para su posterior procesamiento. Los resultados de su uso pueden extenderse fácilmente a diferentes sistemas de salud, ampliando el conocimiento producido y mejorando la precisión diagnóstica y terapéutica, y en definitiva repercutiendo positivamente en los servicios de salud. Recopilar la gran cantidad de datos de diferentes fuentes sin comprometer los datos personales de los pacientes es un gran desafío en la ciencia moderna.

Se recolectarán retrospectivamente las historias clínicas registradas electrónicamente de los pacientes que estuvieron hospitalizados en la sala de Cardiología de los hospitales de tercer nivel, así como archivos adicionales como los exámenes de laboratorio e imagen relacionados con cada hospitalización. Dado el tamaño de las clínicas participantes y los años durante los cuales se aplicó el registro de historias clínicas electrónicas en formato electrónico, se estima que la muestra de historias clínicas será de unos 60.000. Toda la información que potencialmente podría ser utilizada para identificar a una persona, como nombre, número de identificación, código postal, lugar de residencia, ocupación, será eliminada de estos archivos electrónicos. Solo se registrará la edad, no la fecha exacta de nacimiento de cada paciente. Solo se registrarán los días de hospitalización y no las fechas exactas de ingreso y alta hospitalaria. Por lo tanto, los datos no podrán ser asignados a un sujeto específico, ya que no se recopilará información adicional o identificadores de los sujetos. Una vez anonimizados los expedientes, se vinculará la nota clínica de cada paciente con una clave específica ("identificador"). El archivo electrónico que contenga la correlación del “identificador” con la historia clínica del paciente será almacenado en un lugar electrónico seguro del hospital. Los archivos completamente anonimizados inicialmente se analizarán manualmente para extraer información en una base de datos que contenga toda la información clínica de los pacientes, como diagnósticos de alta, medicamentos, protocolos de tratamiento, pruebas de laboratorio y de diagnóstico. Al mismo tiempo, se analizará una muestra (1/3) de las notas clínicas para identificar las palabras clave o frases asociadas a cada diagnóstico (por ejemplo, el diagnóstico de fibrilación auricular probablemente se registrará como "fibrilación auricular", "FA" , etc.). Mediante el uso de este diccionario de palabras clave generado y la integración de métodos de inteligencia artificial y minería de texto, como el procesamiento de lenguaje natural (NLP), se intentará una extracción automatizada de datos y diagnósticos de estas notas médicas electrónicas. La fiabilidad y precisión de los métodos computacionales se evaluará internamente, comparando los datos extraídos automáticamente con los registrados manualmente. Además, se evaluará externamente la fiabilidad y precisión de estos métodos computacionales, aplicándose estos métodos a 2/3 de las notas clínicas en las que no se intentó asociación entre palabras clave y diagnósticos específicos.

En cuanto a Grecia, el presente estudio pretende ser el primero en analizar la utilidad de la inteligencia artificial para la extracción y procesamiento automatizado de datos clínicos no estructurados de las historias clínicas médicas de los pacientes. Los resultados de este estudio tendrán un impacto positivo en:

1. la automatización de los procedimientos de procesamiento y análisis de datos a gran escala
2. el registro epidemiológico rápido y la utilización de datos clínicos
3. el diagnóstico precoz de enfermedades
4. el desarrollo de perfiles fenotípicos de pacientes que podrían beneficiarse de terapias dirigidas
5. el desarrollo de sistemas de apoyo a la decisión clínica que proporcionen información sobre el posible curso clínico de los pacientes después del alta hospitalaria y ayuden a las decisiones médicas
6. el desarrollo y validación de modelos pronósticos para las principales enfermedades cardiovasculares