Los registros electrónicos de salud (EHR, en inglés) son utilizados para desarrollar modelos de clasificación y predicción para apoyar la toma de decisiones a profesionales médicos.
Los EHR o también conocidos como expedientes clínicos electrónicos son utilizados con diversos propósitos como el desarrollo de modelos de clasificación y predicción de enfermedades, desarrollo de políticas de tratamiento adecuadas o simular ensayos clínicos aleatorizados. A diferencia de otras fuentes de datos médicos y de pacientes, enfoques de estudio o ensayos, los EHR tiene una ventaja en el análisis de datos, ya que la información está capturada y lista para ser consultada, lo que reduce la carga administrativa.
Además, un expediente clínico es más representativo de la población y ofrece la posibilidad de un mayor poder estadístico para analizar la información clínica. No obstante, esto quiere decir que involucra datos más complejos y requiere de cierta infraestructura médica y tecnológica para su funcionamiento. Por ejemplo, sistemas integrados, sistemas interoperables, una red de proveedores, entre otros.
El análisis de datos de EHR tiene el potencial de realizar investigaciones prometedoras, a pesar de que pueden verse limitadas por deficiencias metodológicas. En este sentido investigadores médicos publicaron en The Lancet Digital Health una lista de seis potenciales riesgos metodológicos y clínicos en el uso de EHR.
- Sesgo de selección de la muestra. La construcción de cohortes puede ser un tema complejo dentro del análisis de datos. Los investigadores proponen las siguientes soluciones: Discutir las opciones de diseño con médicos experimentados; usar definiciones de cohortes con estándares de oro; y realizar análisis de sensibilidad.
- Definiciones de variables imprecisas: Las variables imprecisas pueden ser la diferencia en el diagnóstico preciso y oportuno de una enfermedad, por ello es necesario desarrollar definiciones en un equipo multidisciplinario, que involucre a médicos, epidemiólogos, estadísticos, científicos sociales y pacientes.
- Limitaciones para el despliegue: Es decir el despliegue de tecnologías predictivas como aprendizaje automático o cualquier otro sistema que utilice EHR. Para evitar complicaciones en su aplicación los investigadores indican que es necesario comprobar si la hora de registro está alineada con la hora del resultado; necesidad de incluir información que esté disponible al inicio y asegurarse de que no haya superposición de pacientes entre el conjunto de datos de entrenamiento y el conjunto de datos de prueba.
- Frecuencia de medición variable: Consultar a expertos y ajustar variables utilizando estrategias epidemiológicas o estadísticas como ponderación, imputación múltiple o eliminación de variables poco fiables.
- Asignación de tratamiento subjetivo: Apuntar a ajustar las diferencias entre médicos e intramédicos en la asignación del tratamiento.
- Sobreajuste del modelo y generalizabilidad reducida: La potencial solución es cuestionar cómo las políticas locales podrían afectar la generalizabilidad y ajustar potencialmente las estimaciones del tamaño del efecto sobre la base de las diferencias conocidas en la prevalencia.
Conoce más sobre este https://www.thelancet.com/journals/landig/article/PIIS2589-7500(22)00154-6/fulltext
