Video Experimental Relacionado
Updated: Sep 10, 2025

A Multicenter MRI Protocol for the Evaluation and Quantification of Deep Vein Thrombosis
Published on: June 2, 2015
Una herramienta de extracción para la identificación de síntomas de tromboembolismo venoso en las notas de atención
John Novoa-Laurentiev1, Mica Bowen1, Avery Pullman1
1Department of Medicine, Brigham & Women's Hospital, 75 Francis Street, Boston, MA, 02115, United States, 1 8572824088.
Una nueva herramienta de procesamiento del lenguaje natural (PNL), VTExt, extrae con precisión los síntomas del tromboembolismo venoso (TEV) de las notas clínicas. Esto permite una mejor medición de calidad y un diagnóstico oportuno de TEV en la atención primaria.
Área de la Ciencia:
- Procesamiento del lenguaje natural (PNL)
- Informática clínica
- Medición de la calidad sanitaria
Sus antecedentes:
- El diagnóstico tardío del tromboembolismo venoso (TEV) aumenta la morbilidad y la mortalidad de los pacientes.
- Las notas clínicas contienen información crucial para el diagnóstico oportuno de TEV y la medición de la calidad, pero la extracción de texto no estructurado es un desafío.
- Las medidas electrónicas de calidad clínica (eCQM) actuales carecen de PNL para la extracción de datos, lo que limita la precisión y la eficiencia.
Objetivo del estudio:
- Desarrollar una herramienta de PNL (VTExt) para extraer los síntomas de TEV de las notas clínicas de atención primaria.
- Integrar esta herramienta en un MECC para cuantificar los diagnósticos retrasados de TEV.
Principales métodos:
- Desarrollo iterativo de una herramienta de PNL basada en reglas (VTExt) utilizando un conjunto de datos interno.
- Creación y optimización por parte del médico de un léxico de síntomas de TEV.
- Validación externa en dos organizaciones de salud independientes con sistemas de registro médico electrónico diferentes.
- Evaluación rigurosa del rendimiento utilizando métricas como AUC, PPV, NPV, sensibilidad y especificidad.
Principales resultados:
- VTExt demostró un rendimiento casi perfecto en la extracción de los síntomas de TEV de las notas de atención primaria.
- La herramienta obtuvo resultados prometedores en la validación externa en diferentes instituciones y sistemas de DSE.
- El rendimiento de VTExt fue comparable o superior a los modelos de aprendizaje profundo y de aprendizaje automático.
Conclusiones:
- El estudio presenta un enfoque de PNL generalizable para extraer información clínica de las notas en varios sistemas de EHR.
- VTExt es la primera aplicación de PNL que se incorpora a una GCQ aprobada a nivel nacional.
- Esta herramienta mejora el potencial para la detección precisa de TEV y la medición de la calidad en la atención primaria.
Videos de Conceptos Relacionados
Venous Thrombosis II: Clinical Manifestations and Diagnostic Studies
Venous Thrombosis III: Interprofessional Care
Venous Thrombosis IV: Nursing Management
Venous Thrombosis I: Introduction
Varicose Veins II: Diagnostic Studies and Interprofessional Care
Pulmonary Embolism II: Diagnostic Studies and Interprofessional Care

