Análisis de la Evidencia Clínica para mejorar resultados en salud y apoyar a la toma de decisiones clínicas

PMFarma utiliza cookies propias y de terceros para recopilar informacion con la finalidad de mejorar nuestros servicios y mostrarte publicidad relacionada con tus preferencias. Al continuar navegando por el sitio, aceptas el uso de las mismas. Tienes la posibilidad de configurar tu navegador pudiendo impedir que sean instaladas.   Configurar
Ver por categoría:
Enviar a un amigo

Febrero 2019
Análisis de la Evidencia Clínica para mejorar resultados en salud y apoyar a la toma de decisiones clínicas
Por
Rafael Díaz. Director. Azierta e-Health Factory.

En las últimas décadas, debido al desarrollo de las nuevas tecnologías, la capacidad de producir información ha avanzado a la velocidad de la luz, no solo tenemos acceso a multitud de publicaciones, sino también al proceso y análisis de un gran volumen de datos clínicos, los datos del mundo real, que conocemos como Real Word Data (RWD).


RWD son los datos, cuyo origen es la práctica clínica habitual, utilizados para tomar decisiones médicas sobre tratamientos o la práctica médica. Su definición más ampliamente extendida es la que estableció la International Society For Pharmacoeconomics and Outcomes Research (ISPOR), que los define como: “los datos usados para tomar decisiones sobre medicamentos o práctica médica que no provienen de los ensayos clínicos aleatorizados (ECA), sino de la práctica clínica habitual. Las fuentes de datos pueden ser: registros de enfermedades, registros administrativos, historiales clínicos electrónicos, estudios observacionales, encuestas etc.” (Garrison et al., 2007).

En nuestro entorno sanitario la mayor parte de los pacientes atendidos son personas de edad avanzada y/o comorbilidades que no participan en ensayos clínicos, y por tanto la información derivada de su atención no es registrada. La incorporación en los sistemas de gestión sanitaria de la Historia Clínica Electrónica y la capacidad de las nuevas aplicaciones para el procesamiento de grandes cantidades de datos hace posible disponer de información de respuesta a importantes lagunas de conocimiento en la práctica clínica real.

Con el uso de registros electrónicos conseguimos reducir el coste generado por la revisión de las historias médicas para obtener así información específica basada en RWD, sobre una determinada intervención o un fármaco en unas condiciones muy particulares, ayudando a aportar evidencia sobre la efectividad, la seguridad y la calidad de la atención médica “en el mundo real”.

Así, consideramos, y hoy en día es un hecho, que la “digitalización de la información en salud” ofrece la oportunidad de mejorar tanto la atención a la salud, como sus costes, además de su importante contribución a la docencia médica. El análisis de un registro electrónico con datos sólidos y reales sobre práctica clínica real es fundamental para la mejora de la calidad en los cuidados de la salud, reducir los gastos asistenciales e incluso mejorar y asegurar el acceso de los pacientes a la asistencia y cuidado médico.

En este contexto, consideramos básica la apuesta por estructura e infraestructura necesaria para la realización y el desarrollo de análisis retrospectivos basados en RWD, que puedan aportar información relevante, tanto para el clínico como para el gestor hospitalario o la administración general, sobre tendencias epidemiológicas, patrones de tratamiento, adherencia de los pacientes al tratamiento (calidad de vida, resultados informados…) oportunidades de manejo de la enfermedad, evaluación del uso de los tratamientos en el mercado, identificación de usos no deseados, poblaciones de pacientes desatendidos, áreas de alto coste, efectividad de fármacos….entre otros muchas aplicaciones.

En Azierta e-health factory diseñamos estudios sobre datos de Historia Clínica Electrónica con el como objetivo de conseguir información validada que permita facilitar el diagnóstico y servir de apoyo en la toma de decisiones médicas. El estudio de la “calidad” de la descripción de la información recogida en las propias HCE sobre el “cuadro clínico” del paciente, o el uso adecuado de los criterios diagnósticos asociados a la enfermedad nos puede dar las pautas para la interposición de acciones con intención de facilitar o promover la implantación adecuada de medidas de coste-oportunidad, o de prevención, ante la utilización inadecuada de los recursos o de intervenciones innecesarias. Además, nos deben permitir la observación de las características demográficas y clínicas de los pacientes y cotejar el abordaje de las diferentes pautas terapéuticas, en función de las comorbilidades descritas por el propio paciente y su estilo de vida.

En líneas generales, las HCE se conforman de dos tipos diferentes de datos utilizados para el desarrollo de proyectos RWD:  datos estructurados (por ejemplo: códigos de diagnóstico) y datos no estructurados (por ejemplo: el lenguaje natural escrito).  Para la consolidación de una base de datos de registros de pacientes válida y completa se requiere de métodos que consoliden, y permitan almacenar y consultar combinaciones de datos estructurados y no estructurados con efectividad y eficiencia.

En nuestro caso, contamos con los medios necesarios para la realización y el desarrollo de análisis retrospectivos basados en RWD, que puedan aportar información relevante tanto para el clínico como para el gestor hospitalario o la administración general.

Nuestro modelo de RWD se basa en:

• Uso de técnicas de inteligencia artificial, como el “razonamiento basado en casos”, o el Machine Learning, que analizan conjuntos de datos, su base se centra en la práctica de uso de algoritmos para recorrer todos los registros de una base de datos, aprender de ellos y ser capaces de hacer una predicción o sugerencia sobre algo. 

• Junto a Machine Learning, se combinan otras técnicas de inteligencia artificial como el Deep Learning que predica con la idea del aprendizaje desde el ejemplo, dicho de otro modo, en lugar de enseñar al ordenador mediante una lista de reglas que solventen un problema, le damos una serie de modelos con los que pueda evaluar ejemplos, e instrucciones para la modificación del modelo cuando se produzcan errores.

Las Técnicas de Procesamiento del Lenguaje Natural (PLN) basadas en conocimiento, en aprendizaje automático y en métodos de Deep Learning, se pueden aplicar al texto libre de las para extraer información procesada de los campos no estructurados, lo que nos permite extraer la información relevante (expresada en conceptos, relaciones, eventos…) y su transformación a formato estructurado.

En definitiva, estamos convencidos de que a la información que aporta el RWD puede tener un impacto directo en una mejora de la práctica clínica y que es necesario hacer un esfuerzo para acceder a estos datos de forma adecuada y analizarlos en profundidad. En este sentido, desde Azierta e-health factory apostamos por avanzar de forma constante y desarrollar propuestas concretas y prácticas enfocadas a todos los actores que confluyen en nuestra sanidad: profesionales sanitarios, instituciones sanitarias y de investigación, pacientes y asociaciones. 


Más sobre AZIERTA


Azierta es una empresa de consultoría especializada en Ciencia y Salud que apuesta por potenciar las relaciones entre la ciencia y el entorno empresarial a través del con...

Saber más

Especialistas en:

Consultoría especializada en farma/salud
Farmacoeconomía (estudios)
Formación médica continuada
Formación

Escribe tu comentario
Debes estar unido a PMFARMA para participar. Únete o haz login