Volver arriba
clínica UPB
Inicio / Noticias / Procesamiento de lenguaje natural para la fenotipificación computacional de embarazos de alto riesgo, a partir de los datos no estructurados de las historias clínicas electrónicas
Compartir

Fecha de publicación Noviembre 26, 2024

Procesamiento de lenguaje natural para la fenotipificación computacional de embarazos de alto riesgo, a partir de los datos no estructurados de las historias clínicas electrónicas

Un grupo de investigadores del Instituto Tecnológico Metropolitano ITM, la Universidad Nacional Abierta y a Distancia UNAD y la Clínica Universitaria Bolivariana, realizaron una investigación, con el fin de desarrollar un sistema automatizado capaz de identificar y clasificar casos de morbilidad materna severa (SMM) a partir de las notas clínicas no estructuradas de los registros médicos electrónicos y el uso de la Inteligencia Artificial y Procesamiento del Lenguaje Natural.

embarazos de alto riesgo

Este estudio se centró en la identificación de morbilidad materna severa (SMM) a partir de registros médicos electrónicos, utilizando herramientas de procesamiento de lenguaje natural (NLP) y aprendizaje automático. La SMM incluye complicaciones graves durante el embarazo o el parto que pueden poner en peligro la vida de la madre, como hemorragias, trastornos hipertensivos o infecciones. El propósito de la investigación fue desarrollar un sistema capaz de analizar el texto no estructurado de las notas clínicas de progreso de las pacientes y clasificar los casos de SMM en ocho categorías diferentes de acuerdo con el sistema de vigilancia epidemiológica de Colombia (SIVIGILA). El estudio se llevó a cabo con 43,529 documentos generados a partir de las notas clínicas de 22,937 pacientes atendidas en un hospital de Medellín entre 2015 y 2019.

El análisis se realizó con 43,529 documentos médicos correspondientes a 22,937 pacientes que dieron a luz entre 2015 y 2019 en un hospital de Medellín, Colombia. Estos documentos incluían notas escritas por los médicos durante la atención de las pacientes, las cuales estaban en formato de texto no estructurado, es decir, sin un formato claro o fácil de procesar automáticamente. Para facilitar el análisis, el equipo de investigación limpió y organizó los datos usando varias técnicas de procesamiento de texto y luego aplicó diferentes algoritmos de aprendizaje automático para clasificar las complicaciones.

El sistema desarrollado logró identificar correctamente problemas como las complicaciones por aborto espontáneo y los trastornos hipertensivos, con una tasa de aciertos superior al 85%. El mejor desempeño se logró utilizando una técnica llamada Word2Vec pre-entrenado, que transforma las palabras en números que las máquinas pueden entender, junto con un clasificador llamado máquina de soporte vectorial (SVM). En general, el sistema logró clasificar los casos de SMM con una precisión del 52.54%, lo cual es prometedor, pero aún requiere mejoras.

Aunque algunos tipos de complicaciones, como las infecciones no obstétricas, fueron más difíciles de identificar debido a la menor cantidad de datos disponibles, los resultados son alentadores. Este sistema tendría el potencial de ayudar a los médicos a detectar las complicaciones graves de manera más rápida, lo que podría salvar vidas y mejorar la calidad de la atención materna.

El uso de tecnologías como la inteligencia artificial y el procesamiento del lenguaje natural tiene un enorme potencial para mejorar la detección de complicaciones graves durante el embarazo. Si bien este estudio ofrece resultados prometedores, es necesario seguir investigando para perfeccionar el sistema y garantizar que pueda ser utilizado en hospitales y centros de salud para brindar una atención más rápida y precisa a las madres en riesgo.

 

Reconocimiento a los investigadores, Ever Augusto Torres Silva, Santiago Rúa Pérez, Andrés Felipe Giraldo Forero, María Camila Durango Barrera, José Fernando Flórez Arango y Andrés Orozco Duque.

Bibliografía

[1] Torres-Silva EA, Rúa S, Giraldo-Forero AF, Durango MC, Flórez-Arango JF, Orozco-Duque A. Classification of Severe Maternal Morbidity from Electronic Health Records Written in Spanish Using Natural Language Processing. Applied Sciences. 2023; 13(19):10725. https://doi.org/10.3390/app131910725