Identificación priorizada de pacientes con enfermedades

crónicas a través del análisis de historias clínicas electrónicas

Estudiante:

David Elías Peña Clavijo

Director:

Ing. Alexandra Pomares Q. PhD

AGENDA

1. Problemática de Aplicación.

2. Objetivos.

3. Metodología de Investigación.

4. Estado del arte.

5. Modelo de Análisis de Historias Clínicas Electrónicas.

6. Aplicación – DISEARCH.

7. Evaluación Funcional.

8. Conclusiones y Trabajo Futuro.

PROBLEMÁTICA DE APLICACIÓNHISTORIA CLÍNICA

• Información depositada en las historias clínicas es de gran utilidad para médicos y pacientes.

• Describe:– Diagnóstico.– Tratamiento.– Seguimiento.

• De gran utilidad para realizar análisis que favorezcan la prestación y administración de servicios de salud.

PROBLEMÁTICA DE APLICACIÓNINVESTIGACIONES CLÍNICAS RETROSPECTIVAS

• Enfermedad crónica tiene tratamiento pero no cura.

• Orientan a enfermedades crónicas en historias clínicas.

• Identificación de historias médicas.

• Proceso manual, limitado y tedioso.

• Uso inadecuado del estándar CIE10.

PROBLEMA DE APLICACIÓN

Las historias clínicas contienen en gran medida texto narrativo o texto libre. Por lo tanto, un método fiable y eficiente para extraer información estructurada puede beneficiar en gran medida los esfuerzos de investigación.

PROBLEMA DE APLICACIÓN

La dificultad para realizar búsquedas y análisis sobre historias clínicas electrónicas, cuando contienen datos estructurados y no estructurados (como los textos narrativos) son el principal problema que aborda esta investigación.

OBJETIVO GENERAL

Identificar de manera priorizada pacientes con enfermedades crónicas a través del análisis de historias clínicas electrónicas.

Los resultados del trabajo de grado podrán ser empleados para el proyecto de “Búsqueda y análisis semiautomático de pacientes con enfermedades crónicas a partir de la exploración retrospectiva de las historias clínicas electrónicas” asociado al departamento de Ingeniería de sistemas y al hospital San Ignacio.

OBJETIVOS ESPECÍFICOS

Diseñar un modelo de análisis basado en técnicas de minería de datos que facilite la detección de pacientes con enfermedades crónicas.

Construir un prototipo funcional del modelo que analice historias clínicas electrónicas que contengan texto narrativo y datos estructurados para la detección priorizada de pacientes con enfermedades crónicas.

Validar el prototipo funcional usando como casos de estudio las enfermedades falla cardiaca, diabetes e hipertensión pulmonar.

METODOLOGÍA DE INVESTIGACIÓN

ESTADO DEL ARTECLASIFICACIÓN TAXONÓMICA

• Atributos relevantes dentro de la revisión de la bibliografía.

• Apoyar el análisis de la bibliografía.

ESTADO DEL ARTEANÁLISIS COMPARATIVO

• Análisis comparativo de los trabajos relacionados con base en la taxonomía obtenida.

ESTADO DEL ARTEIDENTIFICACIÓN DE MEJORAS

Proceso estándar y repetible en diferentes sistema de información hospitalario.

Enfoque en texto narrativo y tomar en cuenta los campos estructurados asociados a una HCE.

Permitir definición para diferentes enfermedades.

Enriquecimiento de definiciones de enfermedades.

Parámetros simples para la identificación de enfermedades.

Contemplar más que la “mejor” historia clínica.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICAS• Entrevistas, tanto con el

cuerpo médico como a los expertos del Sistema de Información Hospitalario

• Mejoras Identificadas en Estado del Arte.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASModelo propuesto• Definir enfermedad.

– Base de conocimiento de enfermedades.

• Preseleccionar HCE.– Historias clínicas

electrónicas.• Generar vista minable.• Analizar HCE.• Priorizar Resultados.• Mostrar Resultados.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASESTRATEGIA

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASD

efin

ir E

nfer

med

ad

Pre

sele

ccio

nar

de H

CE

Gen

erac

ión

vist

a m

inab

le

Aná

lisis

de

HC

E

Prio

rizar

R

esul

tado

s

Mos

trar

Res

ulta

dos

Subgrupo LiteralVocabulario Nombre científico del diagnóstico.

Nombre formal del diagnóstico. (Según el CIE 10)

Nombre informal del diagnóstico

Sinónimos diagnóstico

Acrónimo

Taxonomía de Vocabulario 

Especializaciones del diagnóstico

Generalizaciones del diagnóstico

Exámenes confirmatorios (Si existen) 

Nombre formal del examen

Nombre informal del examen

Exámenes Asociados Nombre formal del examen

Nombre informal del examen

Síntomas Síntomas característicos por género (en lenguaje científico, formal e informal)Síntomas característicos por etapa de vida (en lenguaje científico, formal e informal) 

Medicamentos Nombre Formal

Nombre Genérico 

Tratamiento Nombre Tratamiento

Antecedentes Antecedentes y Factores de Riesgo  

Complicaciones o desenlaces

Elementos de Exclusión (si existen) 

Términos excluyentes 

Frases típicas de descarte que incluyan nombre del diagnóstico 

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASDefinir Enfermedad

El propósito de esta plantilla es documentar todos los elementos necesarios para configurar la búsqueda automática de historias clínicas electrónicas que tienen como diagnóstico una enfermedad crónica establecida.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASD

efin

ir E

nfer

med

ad

Pre

sele

ccio

nar

de H

CE

Gen

erac

ión

vist

a m

inab

le

Aná

lisis

de

HC

E

Prio

rizar

R

esul

tado

s

Mos

trar

Res

ulta

dos

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASPRESELECCIONAR HCE

• Fase del modelo el cual transforma la información proveniente de un Sistema de Información Hospitalario, que contiene los registros médicos asociados a los pacientes.

• También define los parámetros para acotar el conjunto de historias clínicas a analizar.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASD

efin

ir E

nfer

med

ad

Pre

sele

ccio

nar

de H

CE

Gen

erac

ión

vist

a m

inab

le

Aná

lisis

de

HC

E

Prio

rizar

R

esul

tado

s

Mos

trar

Res

ulta

dos

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASGENERACIÓN VISTA MINABLE

• Fase que estructura y estandariza la información asociada a una historia clínica para su posterior análisis.

• Contiene campos estructurados asociados a una HCE.• Contiene el texto narrativo del diagnóstico asociado a una HCE.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASD

efin

ir E

nfer

med

ad

Pre

sele

ccio

nar

de H

CE

Gen

erac

ión

vist

a m

inab

le

Aná

lisis

de

HC

E

Prio

rizar

R

esul

tado

s

Mos

trar

Res

ulta

dos

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASANÁLISIS DE HCE

Análisis de texto no

estructurado o narrativo

Análisis de datos

estructurados

Análisis de historias clínicas

Electrónicas

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASANÁLISIS DE HCE

• Técnicas de minería de texto y de extracción de información (Information Extraction).

• No estructurado.– Proceso de preparación de datos.– Minería de texto– Extracción de información.

• Estructurado.– Consultas estructuradas.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASANÁLISIS DE HCE – PREPARACIÓN DE

DATOSSegmentación

Eliminación de palabras

irrelevantes

Etiquetado gramatical

• POSTagger

Lematización

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASANÁLISIS DE HCE – ANÁLISIS DE TEXTO

• Expresiones regulares– <Termino negativo>*<Conector>+(<Enfermedad>|<Sintoma>)– Ejemplos:

• Negativo de diabetes.• Descartar diabetes.• No hay curse de TEP.

• Proceso de etiquetado consiste en reconocer y asignar los hallazgos en una Historia Clínica Electrónica.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASANÁLISIS DE HCE – CONSULTAS SQL

SELECT [VALOR A RECUPERAR] FROM [ENTIDAD A CONSULTAR] WHERE [CONDICIONES DE BÚSQUEDA].

• Campos como:– Medicamentos.– Exámenes.– CIE10.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASD

efin

ir E

nfer

med

ad

Pre

sele

ccio

nar

de H

CE

Gen

erac

ión

vist

a m

inab

le

Aná

lisis

de

HC

E

Prio

rizar

R

esul

tado

s

Mos

trar

Res

ulta

dos

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASPriorizar Resultados

Distancia semántica• si

U es la utilidad del subgrupo para detectar una enfermedad, igual a psi.

• siH es el número de coincidencias del literal de un subgrupo.

• siI es la intensidad del literal de un subgrupo.

• Si es 1 si al menos uno de los literales de un subgrupo es encontrado en una historia clínica Mk, de lo contrario su valor es 0.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASPriorizar Resultados• La historia clínica con

la menor distancia es la primera en la lista priorizada.

• Las demás son organizadas de acuerdo al valor de la distancia, del menor al mayor.

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASD

efin

ir E

nfer

med

ad

Pre

sele

ccio

nar

de H

CE

Gen

erac

ión

vist

a m

inab

le

Aná

lisis

de

HC

E

Prio

rizar

R

esul

tado

s

Mos

trar

Res

ulta

dos

MODELO DE ANÁLISIS DE HISTORIAS CLÍNICAS

ELECTRÓNICASMostrar Resultados

• Resultados para evaluación por parte del experto médico.

• Permitan ajustar definición de enfermedad.

APLICACIÓN – DISEARCH

Arquitectura de tres capas: Componentes de DISEARCH• Capa de presentación

– Formularios y Consola.• Capa lógica.

– ETL.– Priorizador.– Motor de análisis.– Motor de Conocimiento

• Capa de datos– SAHI(Sistema del HUSI).– Vista minable.– Resultados.

APLICACIÓN – DISEARCH

Desarrollo de DISEARCH• JAVA y JPA.

– Java JDK 7.– EclipseLink JPA.

• MS SQL SERVER 2008.– ETL con SQL Server

Integration Services.• GATE.

– JAPE reconoce expresiones regulares en anotaciones sobre documentos.

APLICACIÓN – DISEARCHCAPA DE DATOS – VISTA MINABLE

• Preselección de HCE.– Acotar los resultados

almacenados en la vista minable.

• Vista minable.– Conjunto de tablas con

todos los atributos relevantes para el proceso de minera de datos.

– Proceso CRISP-DM.– Exploración de datos.– Migración de datos

usando ETL.

APLICACIÓN – DISEARCHCAPA DE DATOS – MODELO E/R

• Soporta el rol y especialización del investigador médico como usuario de DISEARCH.

• Implementa la definición de enfermedad.– Base de conocimiento

SNOMED CT.• Integra resultados del

análisis de HCE.• Persiste resultados de

priorización.

APLICACIÓN – DISEARCHCAPA LÓGICA

Diagrama de Clases• Patrones de Diseño:

– Cadena de responsabilidad.– Estrategia.

APLICACIÓN – DISEARCHCAPA DE PRESENTACIÓN

EVALUACIÓN FUNCIONALDEFINICIÓN DE ENFERMEDAD TEP

Grupo Literal Tromboembolismo Pulmonar.Vocabulario Nombre científico del diagnóstico. Tromboembolismo pulmonar

Nombre formal del diagnóstico. (Según el CIE 10) I26

Nombre informal del diagnóstico Embolismo Pulmonar

Sinónimos diagnóstico Embolia pulmonar

Acrónimo TEP

Taxonomía de Vocabulario 

Especializaciones del diagnóstico Cor pulmonar secundario a embolia pulmonar

Generalizaciones del diagnóstico Tromboembolismo pulmonar

Exámenes confirmatorios (Si existen) 

Nombre formal del examen Angiotomografía pulmonar

Nombre informal del examen AngioTac pulmonar

Exámenes Asociados Nombre formal del examen Doppler venoso de Miembros inferioresEcocardiograma

Nombre informal del examen Doppler de MMIRx de Tórax

Síntomas Síntomas característicos por género (en lenguaje científico, formal e informal)

TaquicardiaTaquipnea

Síntomas característicos por etapa de vida (en lenguaje científico, formal e informal) 

Presencia de Hipotermia

Medicamentos Nombre Formal EnoxaparinaDalteparina

Nombre Genérico  MetoprololDobutamina

Tratamiento Nombre Tratamiento Trombolisis

Antecedentes Antecedentes y Factores de Riesgo   Trombofila

Complicaciones o desenlaces Falla cardíaca derecha

Elementos de Exclusión (si existen) 

Términos excluyentes  Angiotac negativo

Frases típicas de descarte que incluyan nombre del diagnóstico  Se descarta TEP

EVALUACIÓN FUNCIONALRESULTADOS

Enfermedad HCE Relevantes

HCE Positivas

Total Relevantes

Precisión Exhaustividad

TEP 26 25 26 0,96 1

DM 36 33 36 0,91 1

HiPul 11 12 11 0,92 1

• Enfermedades:– Tromboembolismo

Pulmonar.– Hipertensión

Pulmonar.– Diabetes Mellitus.

• Preselección:– Hombre y mujer.– Mayores de edad.– Se limito a 1581.

• Resultados:– 150 HCE analizadas

cada hora y media.

CONCLUSIONES Y TRABAJO FUTURO

• Reducir los tiempos y aumentar la precisión en los resultados de las investigaciones médicas retrospectivas.

• Permitir al investigador médico dedique mayores esfuerzos al análisis de las historias clínicas con fines diferentes a la identificación de enfermedades.

• Lograr una mejora gradual en la calidad de vida de los pacientes con enfermedades crónicas.

CONCLUSIONES Y TRABAJO FUTURO

• Ofrecer la funcionalidad de detección de errores ortográficos al momento del análisis de texto narrativo, esto con el fin de mejorar la identificación de términos médico en las historias clínicas.

• Analizar dentro de los campos estructurados los resultados de exámenes y valores en las fórmulas médicas, y con base en reglas poder tener más elementos de juicio para identificar una enfermedad en una historia Clínica Electrónica.

BIBLIOGRAFÍA

• Chapman, W.W., Bridewell, W., Hanbury, P., Cooper, G.F., Buchanan, B.G.: A simple algorithm for identifying negated ndings and diseases in discharge summaries.Journal of Biomedical Informatics 34 (2001).

• Averbuch, M., Karson, T.H., Ben-Ami, B., Maimon, O., Rokach, L.: Contextsensitivemedical information retrieval. Studies in health technology and informatics107 (2004)

• Rokach, L., Romano, R., Maimon, O.: Negation recognition in medical narrative reports. Information Retrieval 11 (2008) 499{538 10.1007/s10791-008-9061-0.

• Han, H., Choi, Y., Choi, Y.M., Zhou, X., Brooks, A.D.: A generic framework: From clinical notes to electronic medical records. Computer-Based Medical Systems, IEEE Symposium on 0 (2006)

• Huang, M.J., Chen, M.Y., Lee, S.C.: Integrating data mining with case-based reasoning for chronic diseases prognosis and diagnosis. Expert Syst. Appl. 32 (2007) 856{867

• Zhou, X., Han, H., Chankai, I., Prestrud, A., Brooks, A.: Approaches to text mining for clinical medical records. In: Proceedings of the 2006 ACM symposium on Applied computing. SAC '06, New York, NY, USA, ACM (2006) 235{239

• Antal, P., Verrelst, H., Timmerman, D., Huel, S.V., de Moor, B., Vergote, I.: Bayesiannetworks in ovarian cancer diagnosis: Potentials and limitations. Computer- Based Medical Systems, IEEE Symposium on 0 (2000) 103

• Spasic, I., Ananiadou, S., McNaught, J., Kumar, A.: Text mining and ontologies in biomedicine: Making sense of raw text. Briengs in Bioinformatics 6 (2005)• Breault, J.L., Goodall, C.R., Fos, P.J.: Data mining a diabetic data warehouse. Articial Intelligence in Medicine 26 (2002)• Seyfried, L., Hanauer, D.A., Nease, D., Albeiruti, R., Kavanagh, J., Kales, H.C.: Enhanced identication of eligibility for depression research using an

electronic• medical record search engine. International Journal of Medical Informatics 78 (2009)• Antal, P., de Moor, B., Meszaros, T., Dobrowiecki, T.: Annotated bayesian networks: A tool to integrate textual and probabilistic medical knowledge. In:

Proceedingsof the Fourteenth IEEE Symposium on Computer-Based Medical Systems. CBMS '01, Washington, DC, USA, IEEE Computer Society (2001) 177{

• Claster, W., Shanmuganathan, S., Ghotbi, N.: Text mining of medical records for radiodiagnostic decision-making. JCP 3 (2008) • Kusiak, A., Dixon, B., Shah, S.: Predicting survival time for kidney dialysis patients: a data mining approach. Computers in Biology and Medicine 35 (2005)• Zhou, X., Han, H., Chankai, I., Prestrud, A.A., Brooks, A.D.: Converting semistructured clinical medical records into information and knowledge. In:

Proceedings of the 21st International Conference on Data Engineering Workshops. ICDEW '05, Washington, DC, USA, IEEE Computer Society (2005) 1162{• Hripcsak, G., Knirsch, C., Zhou, L., Wilcox, A., Melton, G.B.: Using discordance to improve classication in narrative clinical databases: An application to

communityacquired pneumonia. Comput. Biol. Med. 37 (2007) • Ginter, F., Suominen, H., Pyysalo, S., Salakoski, T.: Combining hidden markov models and latent semantic analysis for topic segmentation and labeling:

Method and clinical application. I. J. Medical Informatics 78 (2009)

Gracias.

?