Diagnóstico clínico automático de enfermedades respiratorias a partir del expediente clínico electrónico

Abstract

Las enfermedades pulmonares pueden presentarse de forma aguda con disnea grave y potencialmente mortal, como Tromboembolia Pulmonar (TEP); o de manera más insidiosa con una disminución constante de la función pulmonar, enfermedad pulmonar obstructiva crónica o neumonías (Paramothayan, 2019). En todo el mundo, estas enfermedades causan una morbilidad y mortalidad significativas. Tan solo en México, durante el año 2010, se reportaron 156,636 casos de neumonía, con una tasa de incidencia de 144.50 casos por 100,000 habitantes, siendo una de las 20 primeras causas de morbilidad nacional (Báez-Saldaña R, 2013) y también se han reportado más de 200 mil defunciones por neumonía durante el 2020, a raíz de la actual pandemia por Covid-19 (INEGI, 2021). En caso de la TEP se tuvo una tasa de incidencia en México del 15%, siendo la tercera causa de mortalidad en el Hospital General del Centro Médico Nacional del IMSS durante el 2007 (Alfredo Cabrera Rayo, 2007) y con una tasa de mortalidad del 30% durante el 2017 (Machado Villarroel & Dimakis Ramírez, 2017). Asimismo, las enfermedades de TEP y neumonías presentan complejidades en el diagnóstico dado que comparten síntomas comunes como tos, falta de aire y dolor torácico (Musher & Thorner, 2014); además, los signos y síntomas que se presentan son a menudo subjetivos e inespecíficos, por lo que los criterios o diagnósticos auxiliares siempre deben complementarse con la determinación del médico tratante (Metlay et al., 2019). Aunado a esto, existe la dificultad para analizar grandes cantidades de información almacenada en el Expediente Clínico Electrónico (ECE), por ejemplo, las notas del historial clínico y los Estudios Auxiliares de Laboratorio y Gabinete (LABs). Toda esta información se puede aprovechar para ayudar al personal médico a disminuir el tiempo para la asignación de un diagnóstico, además de aumentar su certeza al diagnosticar, lo que a su vez podría resultar en atenciones más eficientes a los pacientes al momento de ingresar a un hospital. Para enfrentar la dificultad de analizar grandes cantidades de información, existe una metodología en el área de las ciencias computacionales, conocida como “Knowledge Discovery From Data” (KDD, por sus siglas en inglés) la cual se refiere al proceso de generar conocimiento útil a partir de conjuntos de datos (Fayyad et al., 1996), permitiéndonos identificar relaciones entre los datos que a simple vista no son evidentes. Además, esta metodología ha servido en el área médica como un auxiliar al momento de realizar un diagnóstico clínico, debido a que dentro del campo médico es necesario identificar diferentes combinaciones de diversos factores que puedan estar estrechamente relacionados con ciertos padecimientos clínicos (Nemethova et al., 2019).