A pesar de que se destinan miles de millones de dólares en incentivos para apoyar a la adopción de historiales médicos informatizados, hay pocas pruebas de que estos sistemas mejoren la eficacia o la calidad de los cuidados ofrecidos. Pero un nuevo estudio demuestra que el procesamiento de lenguajes naturales -una rama de las telecomunicaciones que usa la lingüística para analizar el habla corriente- puede aumentar mucho la utilidad de estos historiales para mejorar los cuidados a los pacientes.

Un grupo de investigadores empleó este enfoque para examinar las notas de los médicos, el aspecto más complejo y con mayor riqueza de los historiales médicos informatizados en el caso de complicaciones postoperatorias como neumonía y sepsis. El método ha demostrado ser significativamente más preciso que otros sistemas automatizados. Dicen que un enfoque parecido podría usarse para toda una serie de aplicaciones, incluyendo predecir qué pacientes están en situación de riesgo y desarrollando herramientas automatizadas que ayudan a los médicos a decidir cuáles son los tratamientos más apropiados.

“Finalmente se puede ver cómo los datos clínicos se pueden usar para medir la seguridad del paciente de manera más sistemática y que realmente podremos usar estas cosas para gestionar el cuidado de los pacientes”, afirma  Ashish Jha, médico de la facultad de medicina de la Universidad de Harvard (Estados Unidos) quien escribió un editorial acompañando al estudio. El estudio y el editorial se publicaron esta semana en la revista de la Asociación Médica Americana.

Uno de los beneficios más esperados de los historiales médicos informatizados es poder hacer un seguimiento informático de pacientes e instituciones -para detectar, por ejemplo, si un paciente en concreto está en situación de riesgo por alguna complicación específica o si el departamento de algún hospital está teniendo peores actuaciones que otro.

El seguimiento automatizado ya se usa en el caso de las recetas. Para detectar cuándo interactúan dos medicamentos, por ejemplo. Como la información respecto a las recetas extendidas es una parte muy estructurada del historial médico, ha sido relativamente fácil analizarla con software. Sin embargo, controlar la inmensa cantidad de información disponible en partes menos estructuradas de un historial médico, como las notas del especialista, que contienen apuntes libres sobre la historia y el estatus del paciente, incluyendo complicaciones postoperatorias, es mucho más difícil.

“Si no podemos acceder a esa información, nos costará hacer un seguimiento de los historiales para mejorar los cuidados“, sostiene Jha. “Este estudio es muy importante porque demuestra que esto se puede hacer”.

Harvey Murff, médico en la Universidad de Vanderbildt (Estados Unidos) y otros colaboradores abordaron el problema usando algoritmos de procesamiento de lenguajes naturales que incorporan ciertas reglas del habla y el idioma en el análisis. Por ejemplo, una búsqueda de palabra clave podría dar los resultados con todos los casos en los que aparece la palabra “neumonía”, pero el procesamiento de lenguajes naturales también podría tener en cuenta modificadores, como “sin rasto” de neumonia, que daría como resultado un recuento más preciso.

Los investigadores analizaron cerca de 3.000 historiales médicos de pacientes que habían sido operados en seis centros médicos que forman parte de la atención sanitaria a veteranos en busca de señales de neumonía, sepsis, trombosis venosa profunda, embolismo pulmonar e infartos de miocardio. Hacer un seguimiento de los contratiempos sufridos después de someterse a cirugía puede ayudar a los hospitales y sistemas sanitarios a evaluar cómo cumple una institución con las guías de seguridad. Pero los métodos actuales requieren muchas horas de trabajo (revisando uno a uno los historiales para identificar las complicaciones) o no son precisas. “Queríamos intentar replicar lo que haría un humano, pero de tal forma que se pudiera escalar a un marco sanitario más grande y que fuera más eficaz en términos de coste”, explica Murff.

Si bien el desarrollo de los algoritmos implicó un poco de ensayo y error, el resultado fue muy sensible, podían identificar entre el 80 y el 90 por ciento de las complicaciones anotadas previamente en una revisión manual hecha por enfermeras profesionales. El enfoque usando el leguaje natural fue más sensible que otros métodos automatizados que usan códigos de expedición para identificar complicaciones postoperatorias. Por ejemplo, el método de Murff detectó el 82 por ciento de los casos de fallo renal agudo comparado con el 38 por ciento que detecta el método de los códigos de expedición.

Sin embargo, el nuevo enfoque fue menos específico en muchos casos, detectando muchos más falsos positivos. “Creo que con más repeticiones podremos mejorarlo”, asegura Murff. Su equipo ya trabaja en usar los datos de las notas médicas para predecir el riesgo que tiene los pacientes de tener complicaciones u otros peligros.

Uno de los beneficios del procesamiento de lenguajes naturales es su flexibilidad. Jha comenta que el método podría usarse para toda una serie de aplicaciones. Destaca, por ejemplo, las herramientas de ayuda a la toma de decisiones médicas, “donde das ideas a los médicos sobre cómo tratar mejor a los pacientes. Hacer sugerencias a los especialistas teniendo en cuenta las notas médicas sería una herramienta muy potente”.

Nuance(que significa matiz en inglés), un importante fabricante de software de reconocimiento de voz ya está desarrollando sistemas comerciales que usan el procesamiento del lenguaje natural para analizar información médica. La empresa colabora con el equipo de IBM que desarrolló Watson, el robot que se hizo famoso al ganar a concursantes humanos en el concurso televisivo Jeopardy, para aplicar las herramientas de procesamiento de lenguajes naturales en la medicina.