Recuperación de la medicación en texto libre a una forma estructurada
Trabajo presentado en MEDINFO 2019
Título original en inglés:
Recovery medication from free text to a structured form
Autores:
Humberto Fernán Mandirola Brieuxa, Santiago Orozcoa, Marisa Lanfranconia, Jorge
De Alla, Nahin Chedresseb,
Sebastián Guillenc, Alejandro Deportec,
Instituciones que participaron:
a Sanatorio
Otamendi Buenos Aires Argentina,b Hospital Naval Puerto Belgrano ,Argentina (HNPB) c BIOCOM Sistemas Argentina.
El objetivo de nuestro estudio es evaluar la recuperación de la escritura de medicamentos en forma de texto libre en una forma estructurada que nos permite procesar la información para poder hacer las instrucciones a la farmacia y planificar la actividad de enfermería en pacientes hospitalizados. Para hacer esto, comparamos dos métodos: un procesamiento del lenguaje natural (PNL) versus un proceso de análisis (PP), ambos para el idioma español. Estudiamos 87,750 recetas médicas y después del proceso de exclusión, procesamos 65,000 indicaciones por ambos métodos. Los resultados fueron los siguientes: con PNL pudimos recuperar 62% y con PP 65% a un formato estructurado que podría ser procesado por sistemas informáticos. Sin embargo, hay diferencias entre los dos métodos es significativo p <0,001. Queda por realizar otro trabajo futuro para determinar si ambos métodos combinados tienen un mayor rendimiento.
Introducción
El médico generalmente prescribe medicamentos en texto libre, sin embargo, los sistemas informáticos necesitan esta información de manera estructurada para organizar los datos para que la farmacia pueda entregar el medicamento y organizar la tarea de la enfermera. [1] La entrada de orden de proveedor computarizada (CPOE) puede reducir los errores de medicación; pero, sus beneficios solo se logran cuando los datos se ingresan en un formato estructurado y las entradas se codifican correctamente. [2]
Para procesar la información por computadora, el sistema extrae la información de muchos campos. El sistema analiza la siguiente información: el nombre genérico del medicamento, su dosis, su concentración, su posología, su vía de administración, cuidado y recomendaciones que se requieren para cumplir con este medicamento para ponerlo en un estándar. formato ized [3].
FHIR (Fast Healthcare Interoperability Recourses) tiene recursos para gestionar pedidos farmacéuticos, pero necesitamos que esta información esté estructurada. Por eso es fundamental hacer la extracción de datos en diferentes campos para poder hacer interoperabilidad. [4]
Los gabinetes de dispensación automatizados para la automatización de farmacias usan HL7 y la información para construir los mensajes necesarios de manera estructurada. [5] [6]
Una receta es una orden de medicación que se entrega a un paciente. La receta médica no es suficiente para que la farmacia entregue el medicamento del día a los diferentes servicios. Requiere un procesamiento previo para que el farmacéutico sepa la cantidad diaria de cada medicamento para administrar. [7] El farmacéutico verifica la legalidad, seguridad y adecuación de la orden de prescripción, verifica el registro de medicación del paciente antes de dispensar la prescripción (cuando dichos registros se guardan en la farmacia), asegura que las cantidades de medicación se dispensan con precisión y decide si el el medicamento debe ser entregado al paciente, con el asesoramiento adecuado, por un farmacéutico. [8] (es decir, una orden de dispensar un medicamento a un paciente hospitalizado para su administración inmediata en un hospital no es una receta).
Los médicos usan CPOE y se están acostumbrando a ingresar datos de manera estructurada; sin embargo, hay indicaciones en una forma no estructurada que deben procesarse.
Nuestra pregunta es: "¿Qué tan bueno puede ser el proceso de extracción de prescripción médica usando una entrada de texto gratis para el idioma español?"
Nos preguntamos qué algoritmo puede mejorarse para procesar indicaciones médicas en texto no estructurado. Es por eso que estudiamos el procesamiento del lenguaje natural (PNL) frente al proceso de análisis (PP).
Métodos
El objetivo de este trabajo es demostrar que es posible recuperar la medicación en un formato estructurado. El formulario narrativo de prescripción médica a través de PNL es una herramienta útil para que los médicos transformen mejor la prescripción en formato estructurado en pacientes hospitalizados.
Construimos la rutina de PNL para este estudio en C # .net usando el Stanford CoreNLP
La rutina PP fue desarrollada por nuestros propios programadores. Como los datos que tenemos usan un patrón fijo, usamos la técnica de expresión regular para extraer y controlar sus elementos.
Se diseñó un estudio descriptivo, retrospectivo, longitudinal, observacional, transversal. La muestra estudiada consta de 87,750 recetas médicas recolectadas consecutivamente durante el período del 1 de marzo de 2017 al 1 de marzo de 2018. Las recetas médicas fueron hechas por el propio personal de la institución y médicos externos independientes que ayudan a los pacientes dentro de la institución.
Se incluyeron los siguientes criterios para este estudio:
1. Prescripción farmacológica de adultos.
2. Solo incluimos medicamentos genéricos singulares, no medicamentos múltiples en el mismo medicamento (es decir: incluimos medicamentos como "Losacor®", que tienen un solo medicamento (Losartan) y no incluimos medicamentos como "Losacor D®" que tiene dos drogas Losartan plus
Resultados
Los resultados fueron los siguientes: con PNL pudimos recuperar 62% y con PP 65% a un formato estructurado que podría ser procesado por sistemas informáticos.
La diferencia entre ambas muestras parece pequeña pero es significativa desde el punto de vista estadístico. Para verificar las diferencias con el resultado de las dos muestras, calculamos p con la prueba Z y el valor de p fue p <0,001. Ver Tabla 3, Tabla 4 y Figura 2
Discusión
Probamos una rutina PP y una PNL. La rutina PP utiliza una técnica de expresión regular para extraer y controlar datos. [11] La PNL es el dominio de la inteligencia artificial de la informática que utiliza computadoras para manipular datos no estructurados (es decir, texto narrativo o datos del habla) en el contexto de una tarea específica. En esta revisión narrativa, ilustramos los fundamentos de la PNL y discutimos la aplicación de la PNL a la seguridad de los medicamentos en cuatro fuentes de datos: registros de salud electrónicos, datos basados en Internet, literatura publicada y sistemas de informes. [12] Los resultados han demostrado que ambos algoritmos son capaces de detectar más del 60% de las indicaciones médicas hechas con texto de escritura libre. Sin embargo, no existe una diferencia significativa entre los dos métodos.
La PNL tiene la posibilidad de aprender y mejorar con el tiempo, mientras que el PP no puede mejorar por sí solo. Requiere que se carguen más expresiones mediante programación manual.
También consideramos pero no usamos algoritmos fonéticos de Soundex. Este algoritmo se usa para indexar el nombre por su sonido, cuando se pronuncia en inglés. [13] No encontramos una buena utilidad en español, por eso no la usamos. Sin embargo, en inglés hay documentos que dicen que Soundex funciona muy bien para reconocer las drogas. [14] [15]
Conclusiones
Queda por realizar otro trabajo futuro para determinar si ambos métodos combinados tienen un mayor rendimiento. También es posible hacer que el sistema aprenda de indicaciones médicas a través de un tesauro de conocimiento. Estos son desafíos que incorporaremos en trabajos sucesivos.
Expresiones de gratitud
El Dr. Fernán González Bernaldo de Quirós, el Dr. Daniel Luna, Dra Paula Otero y el Dr. Carlos Otero del Hospital Italiano de Buenos Aires por su asistencia y corrección de este trabajo.
Referencias
[1] E.S. Chen, P.D.
Stetson, Y.A. Lussier, M. Markatou, G. Hripcsak, and C. Friedman, Detection of
practice pattern trends through Natural Language Processing of clinical
narratives and biomedical literature, AMIA Annu Symp Proc. (2007)
120–124.
[2] L.
Zhou, L.M. Mahoney, A. Shakurova, F. Goss, F.Y. Chang, D.W. Bates, and R.A.
Rocha, How Many Medication Orders are Entered through Free-text in EHRs? - A
Study on Hypoglycemic Agents, AMIA Annu Symp Proc. 2012 (2012)
1079–1088.
[3] Ö.
Uzuner, I. Solti, and E. Cadag, Extracting medication information from clinical
text, J Am Med Inform Assoc. 17 (2010) 514–518.
doi:10.1136/jamia.2010.003947.
[4] Extension:
rateGoal - FHIR v3.0.1, (n.d.).
https://www.hl7.org/fhir/extension-pharmacy-core-rategoal.html (accessed November
17, 2018).
[5] Automation
Anywhere - Largest Enterprises Have Made Their Choice for RPA, (n.d.).
https://www.automationanywhere.com/lp/largest-enterprises-have-made-their-choice?utm_source=google&utm_medium=cpc&utm_campaign=rpabroad_ROW&keyword=Robotic%20Process%20Automation&match=b&network=g&place=&gclid=CjwKCAiAlb_fBRBHEiwAzMeEdn7b6HadbZih5i83jnJhLb1KbcqaR8K5JzQ2EWdB-njKFYFOV1PPiBoC970QAvD_BwE
(accessed November 17, 2018).
[6] N.F.
Carolina PhD, PharmDDirector, Pharmacy Practice LaboratoriesWingate University
School of PharmacyWingate, North, Safety of Automated Dispensing Systems,
(n.d.).
https://www.uspharmacist.com/article/safety-of-automated-dispensing-systems
(accessed November 17, 2018).
[7] H.
Liu, Q. Burkhart, and D.S. Bell, Evaluation of the NCPDP Structured and
Codified Sig Format for e-prescriptions, Journal of the American Medical
Informatics Association : JAMIA. 18 (2011) 645.
doi:10.1136/amiajnl-2010-000034.
[8] The
Role of the Pharmacist in the Health Care System: PART I: THE ROLE OF THE PHARMACIST
IN THE HEALTH CARE SYSTEM: 4. The scope of pharmacy and the functions of
pharmacists: 4.2 Community pharmacy, (n.d.).
http://apps.who.int/medicinedocs/es/d/Jh2995e/1.6.2.html (accessed November 13,
2018).
[9] J.M.
Pevnick, A.J. Herzik, X. Li, I. Chen, M. Chithriki, L. Jim, and P. Silka,
Effect of Computerized Physician Order Entry on Imaging Study Indication, J
Am Coll Radiol. 12 (2015) 70–74. doi:10.1016/j.jacr.2014.07.028.
[10] Stanford
CoreNLP – Natural language software | Stanford CoreNLP, (n.d.).
https://stanfordnlp.github.io/CoreNLP/ (accessed November 17, 2018).
[11] dotnet-bot,
String.Split Method (System), (n.d.).
https://docs.microsoft.com/es-es/dotnet/api/system.string.split (accessed
November 17, 2018).
[12] A.
Wong, J.M. Plasek, S.P. Montecalvo, and L. Zhou, Natural Language Processing
and Its Implications for the Future of Medication Safety: A Narrative Review of
Recent Advances and Challenges, Pharmacotherapy. 38 (2018)
822–841. doi:10.1002/phar.2151.
[13] L.F.
Soualmia, E. Prieur-Gaston, Z. Moalla, T. Lecroq, and S.J. Darmoni, Matching
health information seekers’ queries to medical terms, BMC Bioinformatics.
13 (2012) S11. doi:10.1186/1471-2105-13-S14-S11.
[14] Phonetic
and Wildcard Search at Drugs.com, Drugs.Com. (n.d.). https://www.drugs.com/search-wildcard-phonetic.html
(accessed November 18, 2018).
[15] An
Overview of Fuzzy Name Matching Techniques, Rosette Text Analytics.
(2017). https://www.rosette.com/blog/overview-fuzzy-name-matching-techniques/
(accessed November 18, 2018).
Address
for correspondence
Comentarios