Un modelo computacional identifica el avance de la artritis reumatoide

El término que lidera el listado es metotrexato, un medicamento de uso común que ayuda a prevenir los daños permanentes adicionales que se pueden producir si la artritis no se trata de manera oportuna.

Cabe mencionar que el diagnóstico temprano de esta enfermedad es imperativo, debido a que produce erosiones que representan la destrucción del hueso yuxtaarticular y la disminución del espacio articular, que se traduce en la pérdida tanto del cartílago como de la funcionalidad y de la densidad ósea.

Lo que hace el modelo desarrollado en el Laboratorio de Investigación en Sistemas Inteligentes (LISI) de la Universidad Nacional de Colombia (UNAL) es inferir su importancia en el tratamiento, a través de la recuperación de información, la lingüística computacional y el aprendizaje de máquina, áreas de la llamada minería de textos (se extrae información útil e importante de formatos de documentos heterogéneos, como páginas web, correos electrónicos, medios sociales, artículos de revistas, etc.).

Alexander del Risco Morales, magíster en Bioinformática, explica que el sistema analiza las historias clínicas mediante una extracción de información, que le permite a los prestadores de salud identificar datos relevantes y, de forma más rápida y eficiente, avanzar en el proceso de diagnóstico.

Por eso, agrega, “podría convertirse en una herramienta esencial en las cuentas de alto costo que realiza el Ministerio de Salud y Protección Social (MinSalud), porque la entidad recibe muchos diagnósticos de pacientes que llegan de manera equivocada, y con la clasificación se podría evitar esta situación".

¿Cómo opera?
El modelo desarrollado analiza el lenguaje natural de las historias clínicas mediante la búsqueda de conceptos, relaciones, frases y oraciones. Intenta determinar el significado real basado en algoritmos de procesamiento de lenguaje natural (NLP), que permite reconocer conceptos similares.

"En estos registros hay infinidad de palabras que significan lo mismo y que en la práctica son descritos por los profesionales de la salud de manera diferente, eso es lo que denominamos lenguaje natural".

También menciona que al sistema se le “enseñó” qué significan esas palabras para convertirlas después en un lenguaje estructurado, “es decir, establecer una serie de listas que permiten un análisis de información mucho más rápido, que facilita los procesos de diagnóstico y tratamiento de la enfermedad".

Al desagregar las palabras el sistema empieza a identificar qué significa cada una de ellas y a qué parte médica hacen referencia. "Entonces, si aparece un término como artritis se etiqueta que es una enfermedad, si aparece cabeza se clasifica como una parte del cuerpo, y si es un fármaco se ubica en la parte de medicamentos y así sucesivamente".

Luego, teniendo el listado de palabras, se aplican algoritmos y matrices para evaluar la similitud y se clasifican nuevamente para poder obtener un diagnóstico a partir del análisis de textos. Así, se buscó resaltar las palabras que dieran aproximaciones al diagnóstico o desenlace de la enfermedad.

El profesor Luis Fernando Niño, director de la investigación, asegura que "usualmente, los médicos recuperan la información de las historias clínicas a través de simposios, seminarios, juntas médicas o del análisis de los casos en concreto, lo que conlleva mucho tiempo. El propósito de este modelo es facilitarles trabajo y que en la consulta accedan a la información de forma simplificada".

La expectativa ahora es que, a partir del desarrollo de este sistema, el médico pueda tener toda una batería de herramientas que ayuden a conectar la información. El trabajo también busca aplicar el concepto de bioinformática traslacional, lo que implica que la información de valor encontrada pueda ser transferida de forma efectiva a los pacientes que sufren esta enfermedad.

El modelo propuesto y desarrollado está en la capacidad de recuperar información asociada con cualquier enfermedad que se registre en un conjunto de historias clínicas. En el momento de ingresar historias clínicas que estén relacionadas con otras enfermedades, como por ejemplo cáncer o diabetes, el modelo será capaz de hacer el análisis.