{"id":35545,"date":"2022-12-08T10:01:47","date_gmt":"2022-12-08T16:01:47","guid":{"rendered":"https:\/\/saluddigital.com\/?p=35545"},"modified":"2025-10-20T00:15:21","modified_gmt":"2025-10-20T06:15:21","slug":"aprendizaje-profundo-para-la-extraccion-de-notas-clinicas-en-expedientes-electronicos","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/aprendizaje-profundo-para-la-extraccion-de-notas-clinicas-en-expedientes-electronicos\/","title":{"rendered":"Aprendizaje profundo para la extracci\u00f3n de notas cl\u00ednicas en expedientes electr\u00f3nicos"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigadores del MIT trabajan en modelos de aprendizaje profundo o deep learning, para la extracci\u00f3n datos relevantes de expedientes cl\u00ednicos electr\u00f3nicos.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los registros cl\u00ednicos electr\u00f3nicos o electronic health records<\/em> (EHR) comenzaron una adopci\u00f3n generalizada en Estados Unidos luego de una ley de salud que buscaba mejorar y agilizar la atenci\u00f3n m\u00e9dica. Sin embargo, a pesar de la interoperabilidad que pueden llegar a aplicar los diferentes sistemas de EHR, mucha informaci\u00f3n se queda atrapada en notas llenas de abreviaturas y jerga propia del ejercicio m\u00e9dico. Los EHR son \u00fatiles para responder preguntas m\u00e9dicas de manera r\u00e1pida como las dosis adecuadas para los pacientes seg\u00fan variables como estatura o peso. Adem\u00e1s, prometen responder preguntas tan espec\u00edficas que van m\u00e1s all\u00e1 del alcance de los ensayos cl\u00ednicos.<\/p>

La Inteligencia Artificial (IA) y sus diferentes aplicaciones como procesamiento de lenguaje natural, aprendizaje autom\u00e1tico o aprendizaje profundo han sido utilizadas para extraer informaci\u00f3n de EHR. El reto en este sentido es entrenar un modelo capaz de extraer diversos tipos de informaci\u00f3n para que pueda ser aprovechado en m\u00faltiples hospitales. En esto consiste el proyecto del Laboratorio de Ciencias de la Computaci\u00f3n e Inteligencia Artificial (CSAIL) del MIT. Para obtener informaci\u00f3n m\u00e9dica han utilizado un modelo de lenguaje autorregresivo que mediante aprendizaje autom\u00e1tico puede interpretar textos de redacci\u00f3n humana.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

El modelo ha sido entrenado para interpretar abreviaturas utilizadas por profesionales m\u00e9dicos con el objetivo de extraer datos limpios y f\u00e1ciles de leer. Por ejemplo, siglas como LET, referente a Limitaci\u00f3n del Esfuerzo Terap\u00e9utico, abreviaciones como “abd”, que se refiere a abdomen, o “pap”, referente a una prueba de Papanicolau.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cEs un desaf\u00edo desarrollar un \u00fanico sistema de procesamiento de lenguaje natural cl\u00ednico de uso general que resuelva las necesidades de todos y sea s\u00f3lido frente a la enorme variaci\u00f3n observada en los conjuntos de datos de salud. Como resultado, hasta el d\u00eda de hoy, la mayor\u00eda de las notas cl\u00ednicas no se utilizan en an\u00e1lisis posteriores o para apoyar decisiones en vivo en registros de salud electr\u00f3nicos. Estos enfoques de grandes modelos de lenguaje podr\u00edan potencialmente transformar el procesamiento cl\u00ednico del lenguaje natural\u201d, dice David Sontag, profesor de ingenier\u00eda el\u00e9ctrica y ciencias de la computaci\u00f3n del MIT e investigador principal en CSAIL.<\/p>

Asimismo, Sontag explica que los avances en la extracci\u00f3n de informaci\u00f3n cl\u00ednica prometen escalabilidad y que cada modelo puede construirse con unos minutos de trabajo teniendo como base un modelo como el que est\u00e1n desarrollando. Incluso sin la necesidad de etiquetar informaci\u00f3n, los investigadores del CSAIL entontaron que el modelo logr\u00f3 un 86 y hasta 90% de precisi\u00f3n en la expansi\u00f3n de acr\u00f3nimo sobrecargados.<\/p>

El MIT ejemplifica el modelo con la siguiente nota: \u201cel pt va a descontinuar vanco debido a n\/v\u201d, significa que el paciente (pt) estaba tomando el antibi\u00f3tico vancomicina (vanco) pero experiment\u00f3 n\u00e1useas y v\u00f3mitos (n\/v) y fue suspendido el tratamiento.<\/p>

\u201cEl trabajo anterior ha demostrado que estos modelos son sensibles a la redacci\u00f3n precisa del aviso. Parte de nuestra contribuci\u00f3n t\u00e9cnica es una forma de formatear el indicador para que el modelo le brinde resultados en el formato correcto\u201d, explic\u00f3 Hunter Lang estudiante de doctorado en CSAIL.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

MIT<\/strong><\/p>

https:\/\/news.mit.edu\/2022\/large-language-models-help-decipher-clinical-notes-1201<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigadores del MIT trabajan en modelos de aprendizaje profundo o deep learning, para la extracci\u00f3n datos relevantes de expedientes cl\u00ednicos electr\u00f3nicos. Los registros cl\u00ednicos electr\u00f3nicos o electronic health records (EHR) comenzaron una adopci\u00f3n generalizada en Estados Unidos luego de una ley de salud que buscaba mejorar y agilizar la atenci\u00f3n m\u00e9dica. Sin embargo, a pesar de la interoperabilidad que pueden llegar a aplicar los diferentes sistemas de EHR, mucha informaci\u00f3n se queda atrapada en notas llenas de abreviaturas y jerga propia del ejercicio m\u00e9dico. Los EHR son \u00fatiles para responder preguntas m\u00e9dicas de manera r\u00e1pida como las dosis adecuadas para los pacientes seg\u00fan variables como estatura o peso. Adem\u00e1s, prometen responder preguntas tan espec\u00edficas que van m\u00e1s all\u00e1 del alcance de los ensayos cl\u00ednicos. La Inteligencia Artificial (IA) y sus diferentes aplicaciones como procesamiento de lenguaje natural, aprendizaje autom\u00e1tico o aprendizaje profundo han sido utilizadas para extraer informaci\u00f3n de EHR. El reto en este sentido es entrenar un modelo capaz de extraer diversos tipos de informaci\u00f3n para que pueda ser aprovechado en m\u00faltiples hospitales. En esto consiste el proyecto del Laboratorio de Ciencias de la Computaci\u00f3n e Inteligencia Artificial (CSAIL) del MIT. Para obtener informaci\u00f3n m\u00e9dica han utilizado un modelo de lenguaje autorregresivo que mediante aprendizaje autom\u00e1tico puede interpretar textos de redacci\u00f3n humana. El modelo ha sido entrenado para interpretar abreviaturas utilizadas por profesionales m\u00e9dicos con el objetivo de extraer datos limpios y f\u00e1ciles de leer. Por ejemplo, siglas como LET, referente a Limitaci\u00f3n del Esfuerzo Terap\u00e9utico, abreviaciones como “abd”, que se refiere a abdomen, o “pap”, referente a una prueba de Papanicolau. \u201cEs un desaf\u00edo desarrollar un \u00fanico sistema de procesamiento de lenguaje natural cl\u00ednico de uso general que resuelva las necesidades de todos y sea s\u00f3lido frente a la enorme variaci\u00f3n observada en los conjuntos de datos de salud. Como resultado, hasta el d\u00eda de hoy, la mayor\u00eda de las notas cl\u00ednicas no se utilizan en an\u00e1lisis posteriores o para apoyar decisiones en vivo en registros de salud electr\u00f3nicos. Estos enfoques de grandes modelos de lenguaje podr\u00edan potencialmente transformar el procesamiento cl\u00ednico del lenguaje natural\u201d, dice David Sontag, profesor de ingenier\u00eda el\u00e9ctrica y ciencias de la computaci\u00f3n del MIT e investigador principal en CSAIL. Asimismo, Sontag explica que los avances en la extracci\u00f3n de informaci\u00f3n cl\u00ednica prometen escalabilidad y que cada modelo puede construirse con unos minutos de trabajo teniendo como base un modelo como el que est\u00e1n desarrollando. Incluso sin la necesidad de etiquetar informaci\u00f3n, los investigadores del CSAIL entontaron que el modelo logr\u00f3 un 86 y hasta 90% de precisi\u00f3n en la expansi\u00f3n de acr\u00f3nimo sobrecargados. El MIT ejemplifica el modelo con la siguiente nota: \u201cel pt va a descontinuar vanco debido a n\/v\u201d, significa que el paciente (pt) estaba tomando el antibi\u00f3tico vancomicina (vanco) pero experiment\u00f3 n\u00e1useas y v\u00f3mitos (n\/v) y fue suspendido el tratamiento. \u201cEl trabajo anterior ha demostrado que estos modelos son sensibles a la redacci\u00f3n precisa del aviso. Parte de nuestra contribuci\u00f3n t\u00e9cnica es una forma de formatear el indicador para que el modelo le brinde resultados en el formato correcto\u201d, explic\u00f3 Hunter Lang estudiante de doctorado en CSAIL. BIBLIOGRAF\u00cdA MIT https:\/\/news.mit.edu\/2022\/large-language-models-help-decipher-clinical-notes-1201<\/p>","protected":false},"author":1,"featured_media":35546,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-35545","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/35545","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=35545"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/35545\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/35546"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=35545"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=35545"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=35545"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}