presentación de powerpoint · 2011-11-03 · desarrollo del proyecto – vi cie9-mc (7º ed....

VI Jornadas de Sistemas de Información en Salud

Htal. Italiano de Bs As - Año 2011

Experiencias en la implementación de Snomed CT

Contenidos

1. Conformación de SMG (sector salud)

2. Estado actual de Terminologías en SMG

3. Dificultades en el proyecto

4. Desarrollo del proyecto

5. Conclusiones

Conformación de SMG (sector salud)

1989 1994

CyMSA SMMP

Adquisición: •Qualitas •Docthos •Optar •Nubial •Medicien •Salud •Diagnos •Imagen

2011

Presente

5 Clínicas (3 adquiridas) CyMSA, Agote, DLA, San Lucas, CLIO

5 Centros Ambulatorios

8 Clínicas Odontológicas

SM ART

ECCO

770.000 asociados

Sistemas y Tecnología en SMG

1. Creación de la Gerencia Corporativa de Sistemas de SMG:

• Para la unificación de criterios y políticas.

2. Sistemas de Información Médica en SMG:

• De múltiples proveedores.

• Con distintos modelos de datos.

• Poca Interoperabilidad.

3. Actualmente, en proceso de compra de HIS integral.

Estado actual de Terminologías en SMG

1. Evaluando la expresividad de Snomed CT:

• Completitud y Granularidad adecuada de los conceptos.

2. Aumentar usabilidad de Snomed CT:

• Facilitar el Acceso al concepto buscado.

• Enriquecer el vocabulario de interfaz con sinónimos.

• Definir vocabularios de salida para los reportes.

3. Aplicaciones:

• Codificación de Egresos: manual y/o automática.

• ID unívoca de medicamentos y prestaciones.

• Alimentar con terminología al HIS en proceso de compra.

Dificultades

1. Heterogeneidad de los sistemas de información.

2. Aplicaciones legadas no modificables.

3. Poca difusión inicial del tema de las terminologías en la

organización.

4. Priorización inicial del proyecto.

Desarrollo del proyecto – I

1. Análisis del lenguaje médico en SMG para incrementar…

… el conocimiento sobre casuística terminológica.

… el “Match” entre términos de búsqueda y de terminologías.

2. Buscador básico para empezar a usar la terminología.

3. Enriquecer vocabulario de interfaz para aumentar la usabilidad.

4. Codificación manual de Registros Médicos – Finalidad:

• Obtención de sinónimos.

• Dataset codificado para validar la codificación automática.

5. Evaluación de estrategias de codificación automática.

Desarrollo del proyecto – II

Análisis exploratorio del texto I: Coincidencia de Términos (JOIN)

Nota: Truncado por razones de espacio…

Procedimento: se realizó un join (SQL) entre el campo descriptor del diagnóstico en CIE9 ó Snomed CT y el campo con la descripción del diagnóstico escrita por el médico. Cuantas mas coincidencias se encuentran, mayor es la similitud entre estos “lenguajes”. La normalización del texto (ver luego) aumentó enormemente la coincidencia entre los términos.

Desarrollo del proyecto – IV

Diagnostico Cuenta

 460

RNtpaeg 308

Hiperbilirrubinemia sin incompatibilidad 150

ITU 122

BRONCOESPASMO 119

ICC 115

Infeccion urinaria 101

PRETPAEG 98

RNPRETPAEG 88

… … … …

Infección urinaria 39

… … … …

Diagnostico Cuenta

RNTPAEG 329

HIPERBILIRRUBINEMIA SIN INCOMPATIBILIDAD 245

INFECCION URINARIA 193

BRONCOESPASMO 170

ITU 149

BRONQUIOLITIS 126

ICC 123

PRETPAEG 106

NEUMONIA 91

RNPRETPAEG 91

HIPERBILIRRUBINEMIA S INCOMPATIBILIDAD 89

… … … …

SIN NORMALIZACIÓN CON NORMALIZACIÓN

Exploración del texto II : Agrupación de Términos (Group By)

Nota: Truncado por razones de espacio…

Procedimento: se realizó un Group By (SQL) en el campo Diagnóstico de Egreso. Sin normalización de texto se aprecian muchos grupos con pocos miembros. Al normalizar el texto disminuye la cantidad de grupos, pero con mayor cantidad de miembros cada uno. (Aumenta la agregación)

Texto Libre Descriptor Snomed CT Mejoras en el reconocimiento

NEUMONIA Neumonía Diacríticos - Capitalización.

H. D. A. HDA Puntuación - Espacios en blanco

pleuresía pleuresía Markup HTML

luxación de cadera luxación de la cadera Diferencias en stop-words

ruptura apendicular ruptura del apéndice Inflecciones: apéndice / apendicular

Desarrollo del proyecto – V

Formas de aumentar la capacidad de reconocimiento / agrupación de texto

Desarrollo del proyecto – VI

CIE9-MC (7º ed. 2010-11)

Snomed CT (Abr. 2011)

Sin Normalización 0,6% 3,33% 10 veces mas Con Normalización 6,09% 38%

5 veces mas

TOTAL ↑ 50 veces

Aumento en las coincidencias

Usar Snomed CT en vez de CIE9-MC mejora en 5 veces aprox. la cantidad de coincidencias (mayor riqueza terminológica…) Normalizar el texto aumenta 10 veces la cantidad de coincidencias. En forma conjunta: usar Snomed CT con normalización de los textos, aumenta 50 veces la cantidad de coincidencias entre lo que escriben los médicos y los descriptores de la terminología.

Desarrollo del proyecto – II










Buscador Básico 1.0: eje (desordenes)

* Usuarios: diseñado para usuarios especializados; no para el médico final.

Buscador Básico 1.0: eje (desordenes)

Desarrollo del proyecto – III





3. Enriquecer vocabulario de interfaz para aumentar la

usabilidad.





Obtención de Sinonimia para aumentar la usabilidad

Desarrollo del proyecto – IV










Codificación de Registros Médicos

Epicrisis a codificar: 3.000 2 Codificadores Simultáneos

Set #1 – 1.000 Epicrisis Medica1 – Medica2

Set #2 – 1.000 Epicrisis Enfermero – Medica1

Set #3 – 1.000 Epicrisis Enfermero – Medica2

En caso de que no haya coincidencia en una codificación dada, desempatará el Comité de Terminologías. (Informática Médica y referentes de distintas especialidades)

• Codificación a cargo de 2 Médicas y 1 Enfermero: sin experiencia en codificación ni en terminologías.

• Objetivo: evaluar variabilidad entre médicos y entre médico-enfermero.

Desarrollo del proyecto – V






4. Codificación manual de Registros Médicos:




Codificación Automática I: Basado en Reglas

Exploración: Coincidencias con Reglas (SEMANTICA)

Regla: SI: (“% GRIP%” O “% ETI %”) Y NO “% VACUNA %” ENTONCES: GRIPE Ej.: ■ Sme. Gripal = GRIPE ■ Cuadro Gripal = GRIPE ■ Solicita Vacuna para la Gripe = GRIPE Problema: Polisemia → IRA: Insuf. Renal? ó Insuf. Respiratoria? ó IRA (síntoma)?

Para evaluar la exactitud de reconocimiento:

Validar contra Dataset codificado manualmente.

Resultados preliminares:

Se logró coincidencia con el 50% de las epicrisis, con 42 grupos de reglas.

9:30 – 10:30

Codificación Automática II: a. Procesamiento de los datos

Dataset de Entrenamiento

Dataset de Testeo

Registro PalabraX … Edad Sexo TransformadaX Label

[SCTCID]

Epicrisis01 1 … 27 0 0 2452453534534

… … … … … … … … … … …

EpicrisisN 1 … 67 1 1 529846324543

Dataset Codificado

Preprocesamiento • Selección • Transformación

Partición

Codificación Automática II: b. Entrenamiento del Clasificador

Dataset de Entrenamiento

Entrenamiento (Inducción) Usualmente Machine Learning

Modelos Clasificadores

Modelos Clasificadores

1 a N Modelos Clasificadores

Modelo Simple ó Combinado

Testeo Medición del Error

Varias técnicas y algoritmos: DT - ANN - SVM Naïve Bayes – Etc.

Dataset de Testeo Selección

Procesos Iterativos: 1. Obtención del modelo inicial. 2. Mantenimiento del modelo.

Codificación Automática II: c. Uso del clasificador

Paciente: Sexo – Edad MC: “Oliguria” Dx: “IRA” Autor del Registro: Especialidad Sitio del Registro: Servicio

Aplicar Clasificador

Label Probabilidad

Insuficiencia Renal 0,90

Insuficiencia Respiratoria 0,10

IRA (hallazgo) 0,00

Conclusiones

• En proceso de evaluación.

• Interés creciente en distintos ámbitos de SMG: salud, sistemas y comercial.

• Explorando como incorporarla en distintos circuitos de información médica.

• Puesta a punto para alimentar al HIS integral.

• Investigando codificación automática.

PREGUNTAS

MUCHAS GRACIAS

Dr. Leonardo Der Jachadurian Gorojans [email protected]

[email protected]

presentación de powerpoint · 2011-11-03 · desarrollo del proyecto – vi cie9-mc (7º ed....

Documents