Identificación de condiciones de salud en adultos mayores en registros de salud textuales mediante procesamiento de...

Área de la Ciencia:

• Gerontología
• Informática Médica
• Inteligencia Artificial en la Atención Médica

Sus antecedentes:

• Las condiciones de salud clínicamente significativas en adultos mayores a menudo se subreportan o se omiten en los registros electrónicos de salud estructurados.
• Las entradas de texto libre no estructuradas en los registros de salud contienen datos valiosos para la atención y el pronóstico del paciente.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de procesamiento de lenguaje natural basado en aprendizaje profundo para identificar condiciones subreportadas en adultos mayores.
• Comparar el rendimiento del modelo de procesamiento de lenguaje natural con los códigos de diagnóstico tradicionales.
• Evaluar el valor predictivo de las condiciones identificadas para la mortalidad por todas las causas.

Principales métodos:

• Se utilizaron 10.6 millones de entradas de texto libre de registros electrónicos de salud de 102,525 pacientes de 50 a 80 años en Finlandia (2010-2022).
• Se empleó el Reconocimiento de Entidades Nombradas (NER) basado en aprendizaje profundo para identificar caídas, incontinencia, soledad y limitaciones de movilidad.
• Se compararon los hallazgos de NER con los códigos de diagnóstico y se utilizó la regresión de Cox para analizar la predicción de mortalidad.

Principales resultados:

• Los modelos NER lograron un rendimiento excelente (precisión, recuperación, F1 > 0.80) para identificar condiciones de salud.
• NER identificó significativamente más casos de caídas e incontinencia en comparación con los códigos de diagnóstico.
• Las condiciones identificadas mediante NER mostraron asociaciones más fuertes con la mortalidad por todas las causas que las de los códigos de diagnóstico.

Conclusiones:

• Los modelos NER basados en aprendizaje profundo ofrecen un método potente para extraer información valiosa de salud de los registros electrónicos de salud no estructurados.
• Este enfoque mejora la identificación de adultos mayores vulnerables y la precisión pronóstica.
• Aprovechar los datos de texto libre puede mejorar significativamente la captura de eventos de salud clínicamente relevantes.