'Machine learning' sobre datos de la historia clínica para predecir ingresos en UCI en 'pacientes Covid-19'

Un grupo de investigadores han aplicado 'machine learning' y procesamiento del lenguaje natural clínico (cNLP) para predecir qué características cumplen los pacientes con coronavirus que requieren cuidados intensivos. Se basan en datos del texto libre de la historia clínica electrónica anonimizada.
Big Data

José Luis Izquierdo, del Hospital Universitario de Guadalajara, y Joan Soriano y Julio Ancochea, del Hospital La Princesa de Madrid, han hecho públicos los primeros resultados del estudio Big COVIData, en el que, a través de tecnologías de Machine Learning y Procesamiento del Lenguaje Natural clínico (cNLP), se definen, con fines predictivos, las características clínicas de los pacientes de coronavirus que requieren cuidados intensivos a partir de datos reales extraídos automáticamente del texto libre de la historia clínica electrónica anonimizada.

Entre esos resultados, destavan que, de los pacientes hospitalizados por coronavirus, el 6% requieren el ingreso en UCI y los factores más frecuentes que se asocian a dicho ingreso son la edad (principalmente mayores de 58 años), la presencia de fiebre mayor de 39ºC (o menor de 39ºC con problemas respiratorios, específicamente crepitantes) y especialmente la taquipnea (más de 20 respiraciones por minuto), tanto cuando el paciente es atendido en medio hospitalario, como en Atención Primaria.

En este primer corte, a través del análisis de los datos recogidos en el Servicio de Salud de Castilla-La Mancha de 10.504 pacientes con diagnóstico clínico o PCR confirmada por COVID-19, se constata que los síntomas más frecuentes de los ingresos hospitalarios fueron la tos, la fiebre y la disnea, aunque se dan en menos del 50% de pacientes. Entre las comorbilidades más comunes que presentan los pacientes afectados por COVID-19 se encuentran las enfermedades cardiovasculares, especialmente la hipertensión.

Para llegar a esos resultados han utilizado la tecnología EHRead, de Savana, que permite la extracción de la información de las historias clínicas electrónicas, reduciendo el tiempo empleado y analizando grandes cohortes de pacientes.

Izquierdo subraya que, como una de las lecciones aprendidas, "que la combinación de tres variables clínicas fácilmente medibles en el diagnóstico son claves a la hora de identificar qué pacientes tienen peor pronóstico". "Este dato es muy útil y los profesionales sanitarios de todo el mundo pueden incorporarlo fácilmente a su práctica clínica, ya que dichos tres factores pronósticos son indicadores claros para remitir a estos pacientes a los hospitales lo antes posible (antes de que la condición empeore) sin tener que someterlos a pruebas ni requerir materiales inaccesibles".

Comentarios

guest
0 Comments
Inline Feedbacks
View all comments

Noticias relacionadas

Actividades destacadas

Síguenos en