Sistemas de Salud. Soporte para la toma de decisiones

Curso Universitario Sistema de Infor mación en los Sistemas de Salud Soporte para la toma de decisiones Soporte para la toma de decisiones Tabla ...
6 downloads 13 Views 2MB Size
Curso Universitario

Sistema de Infor mación en los Sistemas de Salud

Soporte para la toma de decisiones

Soporte para la toma de decisiones

Tabla de Contenidos Introducción ��������������������������������������������������������������������������������������������������������������������������������������������������������3 Conceptos Generales ����������������������������������������������������������������������������������������������������������������������������������������3 Definición ������������������������������������������������������������������������������������������������������������������������������������������3 Características ���������������������������������������������������������������������������������������������������������������������������������4 Evolución Histórica �������������������������������������������������������������������������������������������������������������������������������������������4 CDSS aislados ���������������������������������������������������������������������������������������������������������������������������������5 Sistemas integrados �������������������������������������������������������������������������������������������������������������������������7 Sistemas Basados en Estándares ���������������������������������������������������������������������������������������������������8 Modelo de Servicio ���������������������������������������������������������������������������������������������������������������������������9 Consideraciones finales �������������������������������������������������������������������������������������������������������������������9 Estructura �����������������������������������������������������������������������������������������������������������������������������������������������������������10 Bases de conocimiento ������������������������������������������������������������������������������������������������������������������ 11 Información basada en el conocimiento�������������������������������������������������������������������������������������� 11 Información centrada en el paciente�������������������������������������������������������������������������������������������� 12 Integración de las bases de conocimiento����������������������������������������������������������������������������������� 12 ¿Por qué capturar el conocimiento de expertos?������������������������������������������������������������������������ 13 ¿De dónde surge la información basada en el paciente?����������������������������������������������������������� 14 Motor de reglas ������������������������������������������������������������������������������������������������������������������������������15 Data Mining���������������������������������������������������������������������������������������������������������������������������������� 15 Regresión logística���������������������������������������������������������������������������������������������������������������������� 15 Modelos de aprendizaje��������������������������������������������������������������������������������������������������������������� 16 Productos de Salida �����������������������������������������������������������������������������������������������������������������������17 Clasificación de los CDSS �����������������������������������������������������������������������������������������������������������������������������17 Acceso a fuentes de información ���������������������������������������������������������������������������������������������������18 Infobuttons����������������������������������������������������������������������������������������������������������������������������������� 19 Herramientas para focalizar la atención �����������������������������������������������������������������������������������������21 Recordatorios������������������������������������������������������������������������������������������������������������������������������ 21 Alarmas���������������������������������������������������������������������������������������������������������������������������������������� 23 Herramientas que proveen información específica del paciente ����������������������������������������������������26 Asistentes para el diagnóstico����������������������������������������������������������������������������������������������������� 26 Asistentes para la selección de Estudios������������������������������������������������������������������������������������ 31 Asistentes para la selección del tratamiento������������������������������������������������������������������������������� 31 Asistentes para el pronóstico������������������������������������������������������������������������������������������������������� 33 Guías de prácticas clínicas���������������������������������������������������������������������������������������������������������� 33 CDSS: impacto clínico y desafíos futuros. �����������������������������������������������������������������������������������������������34 Bibliografía ���������������������������������������������������������������������������������������������������������������������������������������������������������36

Curso de Introducción a la Informática médica

2

Soporte para la toma de decisiones

Introducción Disminuir el error médico, mejorar los procesos de salud y garantizar el cuidado de los pacientes ha sido foco de preocupación constante de todos los miembros del equipo de salud. En este contexto surgen los sistemas clinicos soporte para la toma de decisiones (Clinical Decisión Support System – CDSS) los cuales son un componente fundamental del proceso que conlleva la informatización de la capa clínica. Puede ser encontrado en los estadíos más avanzados del desarrollo de los sistemas de información en el ámbito de la salud, son como se adelantaba en el título, la razón de ser de estos sistemas de información y varios trabajos publicados han demostrado la utilidad de estas herramientas [1]. En esta unidad se desarrollarán los aspectos relacionados a la evolución histórica, los fundamentos de su estructura, su alcance y futuros desafíos de este componente de los modernos sistemas de información en salud.

Conceptos Generales El Dr. Charles Friedman propone un teorema aplicado a la Informática Médica, el cual se observa en la siguiente figura, donde la función cognitiva del cerebro o todo lo que se haga para tratar pacientes, enseñar o investigar se puede hacer mejor con la ayuda de la tecnología. En este sentido, postula la creación de un entorno de “actividad con ayuda” para que una persona trabaje en combinación con recursos de información/tecnología “mejor” que la misma persona sin esa ayuda.

Fig. 1: Teorema de Charles Friedman Uno de los principales propósitos de los CDSS es responder preguntas que surgen de la práctica asistencial, por ejemplo, otorgando a los profesionales de la salud hipervínculos a fuentes de información específicas del contexto del paciente (mas adelante profundizaremos cuando desarrollemos los infobuttons). Por otro lado estos sistemas deben ofrecer soporte en la toma de decisiones mediante la recolección de información, su análisis y la generación de mensajes, que ayuden al usuario en los procesos. Deben ser una herramienta que aporte las recomendaciones necesarias para soportar la selección de estudios mediante reglas lógicas o análisis de decisión, la elección del tratamiento, ya sea para ajuste de dosis o seguimiento en situaciones especiales o evalúe el pronóstico de un paciente. Otro propósito fundamental de los CDSS, es optimizar el flujo de trabajo, mediante la utilización de guías de práctica clínica, algoritmos y captar la atención de los profesionales ante situaciones clave mediante recordatorios o alarmas.

Definición A continuación se desarrollan algunas de las definiciones más difundidas y aceptadas de los sistemas computarizados de soporte para la toma de decisiones clínicas.

3

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

Estos sistemas se basan en proveer al médico, paciente o cualquier individuo de información especifica del paciente o población, inteligentemente procesada en el momento preciso para garantizar un mejor proceso de atención, optimizar el cuidado de los pacientes y mejorar la salud pública [2]. También pueden ser señalados como sistemas diseñados para ayudar al profesional en la decisión médica en el tiempo y lugar donde esta ocurre [3]. Si bien surgieron antes del desarrollo de la computación moderna y fueron estructurados en papel en un inicio, pueden ser definidos actualmente como el uso de computadoras con el objeto de acceder a información relevante para disminuir el error médico, y mejorar el estado de salud y bienestar de los pacientes [4, 5].

Características Los CDSS tienen como principal característica generar información acerca de una necesidad puntual, de fácil acceso y lo más cercana a lo que haría el razonamiento humano. Esta información se pone a disposición del usuario, que puede ser médico, enfermero, bioquímico, farmacéutico o hasta el propio paciente que puede requerir estos datos en diferentes circunstancias a las que se adaptará la oferta. El primer desafío de los CDSS es utilizar información, procesarla y generar datos seguros, asociados a una necesidad específica. Esto requiere selección del conocimiento y procesamiento de datos que involucran algoritmos, reglas, inferencias, métodos de asociación, etc. Existe en nuestros días un interés creciente en el uso de los CDSS, el avance del desarrollo tecnológico y los crecientes reportes de éxito, han disminuido el escepticismo y la cautela que los usuarios mostraron al inicio del desarrollo de estos sistemas [6]. En el desarrollo de los CDSS dos puntos importantes deben ser tenidos en cuenta: • Qué tipo de CDSS es posible desarrollar, las circunstancias en las que serán más útiles y los aspectos técnicos que envuelven su desarrollo. • El factor organizacional, político y el plan de manejo del cambio que transformarán en exitosa la implementación de los CDSS El objetivo final es en definitiva generar una recomendación específica al paciente en el tiempo y lugar de la acción [4].

Evolución Histórica No existen dudas de que los CDSS aportan mejoras notables a los circuitos de atención clínica, pero si bien se han estado desarrollando desde hace ya varias décadas no han conseguido expandirse lo suficiente. Wright y Sittig describieron en un artículo la historia de los CDSS, dividiendo su evolución en cuatro etapas [2]: • • • •

CDSS aislados, desarrollados desde 1959. Sistemas integrados originados en 1967. Sistemas basados en Estándares desde 1989. Modelos de servicio desde 2005.

El siguiente gráfico de tiempo representa dicha evolución, la cual será detallada a posteriori.

Curso de Introducción a la Informática médica

4

Soporte para la toma de decisiones

Fig. 2: Evolución histórica de los CDSS

CDSS aislados Es en principio acertado, como proponen los autores, comenzar esta descripción comentando un artículo de 1959 de Ledley y Lusted “reasoning fundations of medical diagnosis; simbolic logic, probabiliti, and value theory aid our underestanding of how physicians reason” [7]. Ledley es el inventor de la tomografía computada corporal total y Lusted es líder en el campo de “medical decision making”. Ambos propusieron en 1959 un modelo probabilístico de diagnóstico médico, basados en sets teóricos y coordinados según inferencias Bayesianas. El artículo publicado en el Science fue un tutorial en estadística e inferencia probabilística para médicos. El sistema proponía una computadora analógica que utilizaba diferentes tipos de tarjetas. Estas tarjetas contenían un diagnóstico y una serie de perforaciones con los síntomas representativos. Por selección de las tarjetas que coincidían con los síntomas de un caso dado, el médico podía establecer diagnósticos diferenciales. Este era un sistema de fácil acceso y que permitía ser actualizado a medida que más pacientes se veían. Dos años después, Warner, del LDS Hospital y la Universidad de Utah publicaron un modelo matemático para el diagnóstico de las cardiopatías cardíacas congénitas [8]. Este modelo usaba tablas que mapeaban síntomas y signos con diagnósticos; basado en la frecuencia de la manifestación de cada síntoma o signo, y el sistema proponía un diagnóstico. Este sistema fue evaluado comparándolo con los diagnósticos post quirúrgicos con resultado exitoso. Collen publicó en 1964 un Sistema Multifásico para Screening y Diagnóstico. Cuando el paciente se acercaba al centro para la realización de estudios se le daba una serie de tarjetas con síntomas y preguntas por “si” o “no”. El paciente separaba luego las tarjetas en dos cajas, la de “si” y la de “no” y estos datos eran volcados al sistema que devolvía luego una serie de diagnósticos diferenciales [9]. En 1969, Bleich desarrolló un sistema que sugería un tratamiento para los desórdenes en el estado ácido-base. Este sistema fue único, porque proponía un tratamiento y no sólo un diagnóstico. El sistema se nutría de resultados de laboratorios, valores de signos vitales y hallazgos clínicos. Si faltaba alguna información necesaria para el proceso de “decisión”, el sistema le solicitaba al usuario la carga de

5

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

dicho dato. Si los datos estaban completos, el sistema arrojaba una nota de recomendación, escrita en el lenguaje habitual con el que se manejaban los especialistas, proponiendo un plan para que sea evaluado por el médico. El desorden ácido-base resultaba un campo especial para este dominio, ya que su manejo es bastante cerrado y algorítmico [10]. Dos años después en 1971 Dombal construyó un modelo probabilístico para el diagnóstico de dolor abdominal. Este sistema fue realmente importante, ya que mostró ser efectivo, cuando se comparó contra el gold standard que era el diagnóstico post quirúrgico. El diagnóstico arrojado por la computadora fue verdadero en el 91,8% de los casos, en comparación con el 79,6% que obtuvieron los médicos experimentados. No sólo superó el rendimiento de los médicos, sino que redujo el error a la mitad [11]. En los setenta el campo de la inteligencia artificial comenzó a influenciar la informática médica. En 1975 Shortliffe aplicó una relativamente nueva técnica para el modelado de un sistema (el MYCIN) usando el encadenamiento reverso en el campo de la prescripción de antibióticos. El médico podía ingresar todo lo que sabía sobre el proceso infeccioso de su paciente, el sistema aplicaba luego a esos datos una serie de reglas basadas en el conocimiento científico, el sistema podía así requerir más información al médico o sugerir la que consideraba la terapia antibiótica óptima para ese caso. Una primera evaluación del sistema arrojó que la terapéutica propuesta era aceptable en el 75% de los casos, y mejoró a medida que nuevas reglas se fueron incorporando [12]. La mayoría de estos primeros sistemas tomaban datos de parámetros clínicos y sugerían diagnósticos o tratamientos. El sistema ATTENDING, de Perry Miller de la Universidad Yale [13], tuvo un enfoque diferente. El usuario podía además de incorporar datos clínicos proponer un plan a seguir. El sistema realizaba entonces comentarios o sugerencias acerca del plan y permitía al usuario cambiar o modificar su plan propuesto. Este método de interacción fue llamado “Critiquing”. Estos tipos de sistemas fueron desarrollados luego para el manejo de respiradores mecánicos, hipertensión y otros dominios clínicos. Todos los sistemas comentados hasta aquí tienen algo en común: se limitan a un área específica de la medicina, como la prescripción de antibióticos o el diagnóstico de cardiopatías congénitas. El sistema INTERNIST-1 desarrollado por Randolph Miller [14] en los comienzos de los 80 intentó brindar soporte para la toma de decisiones en todo el ámbito de la medicina interna. El sistema fue testeado por expertos, y fue tan bueno como éstos en proponer el diagnóstico correcto. Una contribución clave del INTERNIST fue la manera en la que abstrajo el complejo campo del diagnóstico en tres conceptos: la fuerza de la evocación, la frecuencia y la importación, más adelante se profundizarán sobre estos conceptos. Poco después Barnett y colaboradores desarrollaron el DXplain [15], que a diferencia del INTERNIST fue desarrollado para explicar el razonamiento en el proceso diagnóstico. El DXplain esta aún disponible y adaptado a sistemas web [16] y a sistemas PDA. Todos estos sistemas caen dentro de los CDSS aislados, así, estos sistemas (usualmente, pero no exclusivamente, computarizados) funcionan separadamente de otros sistemas, para emplearlos, el médico debe buscar el sistema, loguearse, introducir la información de su caso y luego leer e interpretar los resultados. Estos sistemas tienen varias ventajas sobre otros tipos de CDSS. Primero, cualquier persona con acceso a la información clínica y manejo de la computadora lo puede realizar. Esto no requiere accesos especiales para ver información paciente específica o entrar a sistemas clínicos. No hay necesidad de estandarizar nada: arbitrariamente el sistema puede usar cualquier tipo de tecnología, estructura de ingreso de datos y formato de salida. Éstos sistemas son también fáciles de compartir, el creador puede entregar una copia de su sistema o colocarlo en un entorno web. A pesar de estas ventajas, este tipo de sistemas tiene algunas desventajas significativas y potencialmente descalificantes. Primero que el usuario tiene que buscar el sistema, o sea que éste no puede ser proactivo; una de las principales fuentes de error médico son los olvidos, y un sistema que no es proactivo no sirve

Curso de Introducción a la Informática médica

6

Soporte para la toma de decisiones en estos casos. La otra desventaja es más práctica, estos sistemas son extremadamente ineficientes para usar. Puede llevar hasta una hora ingresar los datos de un caso al INTERNIST, esto es aun más notorio cuando los datos a ingresar se encuentran en otros sistemas, pero como el CDSS aislado no interactúa con otros sistemas, deben ser cargados manualmente.

Sistemas integrados Para superar los problemas generados por la falta de integración, los desarrolladores comenzaron a integrar estos sistemas con el resto de los sistemas clínicos como los módulos de ingreso estructurado de órdenes médicas (CPOE) o las Historias Clínicas Electrónicas (HCE). El sistema HELP [17], desarrollado en el Hospital de LDS en Salt Lake City en 1967 fue el primer ejemplo de integración, este sistema fue inicialmente utilizado en cardiología pero se expandió luego al resto de las especialidades médicas como sistemas de laboratorio, unidades de enfermerías, y unidades de cuidados intensivos. El sistema HELP esta actualmente en uso en la mayoría de los hospitales del Intermountain Healthcare System. HELP es un sistema para la toma de decisiones basados en reglas bayesianas, que incluye módulos para funciones variadas y ha servido de soporte para otros proyectos exitosos como el sistema COMPAS [18] creado por Sittig para el manejo de respiradores artificiales, un sistema de muestras sanguíneas para laboratorio desarrollado por Gardner y un sistema de manejo de antibióticos creado por Evans entre otros. En 1973 Clement McDonald del Regenstrief Institute en Indiana desarrolló el Regenstrief Medical Record System (RMRS). Este sistema utiliza un gran número de reglas para generar sugerencias acerca del cuidado médico. Este sistema fue evaluado en un trabajo experimental. En la primera mitad del estudio, la mitad de los usuarios del RMRS recibían sugerencias basadas en las reglas del sistema, mientras que la otra mitad no las recibía. McDonald encontró que los médicos que recibieron la sugerencia aportada por el sistema llevaron a cabo la recomendación el 51% de las veces, mientras que solo el 22% de los profesionales no intervenidos, realizaron la práctica indicada. Aún más interesante, cuando el sistema fue retirado, los valores sobre dicha práctica descendieron a los números basales, por lo tanto, no poseía efecto educativo [19]. Además del HELP y el RMRS, una variedad de sistemas han sido usados para el soporte en la toma de decisiones clínicas desde los 80 y los 90. El WizOrder System [20], en uso en el Vanderbilt Hospital y disponible comercialmente, ha sido una importante plataforma de desarrollo, así como el Brigham Integrated Computing System (BICS) [21, 22] en uso en el Brigham & Women´s Hospital. El BICS es utilizado para una variedad de intervenciones clínicas, orientadas según especialidad, que entre otras funciones, alertan a los médicos sobre estudios demorados. La Veterans Health Administration ha sido líder también en este campo con su aplicación VISTA que ha tenido espectaculares resultados con intervenciones simples y rápidas que han convertido a este sistema en un sistema líder en el campo de los CDSS. Los CDSS integrados a los sistemas de información han solucionado algunos problemas, mientras que han creado otros. Estos sistemas tienen dos ventajas por sobre los sistemas aislados: primero los usuarios no tienen que cargar los datos contenidos en los otros sistemas y segundo, pueden ser proactivos, pueden alertar al usuario sobre interacciones entre drogas o errores en las dosis. La mayor desventaja de los sistemas integrados es que no son fáciles de compartir, estos sistemas creados para interactuar con un tipo específico de sistema clínico, no puede ser compartido con otro sistema que no tenga características similares. Estos sistemas requieren la utilización de controles terminológicos para la utilización del conocimiento, entonces, si una guía clínica es modificada en sus recomendaciones por la entidad que la generó, requiere revisar el sistema para ver en que sector de la regla influye este cambio. La mayoría de este tipo de sistemas que han resultado exitosos se desarrollaron en centros que han construidos también sus propios sistemas clínicos, por lo que esta limitante se ha visto sólo para los centros que adoptaron sistemas creados en otros hospitales. La mayoría de los trabajos sobre la efectividad de los CDSS provino de las instituciones mencionadas previamente.

7

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones Sistemas Basados en Estándares En respuesta a la imposibilidad de compartir el contenido de los sistemas de soporte, se han llevado a cabo varios esfuerzos para estandarizar a los CDSS. El principal fue el Arden Syntax [23]. Su versión inicial fue desarrollada en junio de 1989 en el Arden Homestead de New York. Este estándar combina la sintaxis usada por el sistema HELP y el sistema RMRS, debido a que estos fueron, y son, los sistemas mas destacados. • Las reglas contenidas en el Arden Syntax son llamadas Módulos de Lógica Médica (MLM). Este sistema divide a las reglas en tres secciones, llamadas “mantenimiento”, “biblioteca” y “conocimiento”. • La sección mantenimiento contiene meta datos acerca de la regla, como a quién pertenece, cuando fue creada, cuándo fue revisada o actualizada por última vez, y su estado de validación. • La sección biblioteca contiene meta datos que describen el rol clínico de la regla, su propósito, una explicación, palabras claves y la cita de la fuente original de la guía clínica o base de conocimiento en que se basa la regla. • La parte computarizada de la regla se encuentra en la sección conocimiento. Esta sección contiene subsecciones llamadas “tipo”, “datos”, “evocación”, “lógica”, “acción” y “urgencia”. En la versión actual de Arden Syntax, “tipo” es siempre el “dato que lidera la regla” y sobre el cual aporta soporte para la decisión. La sección “datos” es usada para leer valores, como resultados de laboratorio, listas de medicamentos o problemas existentes en el sistema clínico. La sección “evocación” contiene uno o mas disparadores que activan la regla, como por ejemplo el valor de potasio anormal que dispara un alerta. La sección “lógica” contiene la regla, generalmente del tipo SI __ ENTONCES y la sección acción indica que sucede cuando el contenido de la sección “lógica” se cumple, en el caso del Arden Syntax, generalmente el disparo de alertas. La sección “urgencia” contiene un valor de 1 a 100 que indica que importancia tiene la regla. El valor de la urgencia depende del implementador quien indica qué valor le otorga según las características de su centro. La Arden Syntax ha tenido un éxito comercial acotado. El sistema tiene dos limitantes importantes, la primera es que se basa en eventos específicos del paciente, como ser interacciones farmacológicas durante la prescripción indicada a un paciente o valores de laboratorio anormales. Otra limitación se relaciona con el vocabulario: el sistema no define el vocabulario estándar con el que se maneja, si dos sistemas clínicos utilizan Arden Syntax pero se basan en diferentes estándares de terminología, no pueden compartir la información, excepto que mapeen o modifiquen sus vocabularios. El sistema Arden ha sufrido numerosas modificaciones, y en su ultima versión se maneja con estándares de la American National Standars Institute (ANSI) y Health Level 7 (HL7). Desde la creación del Arden Syntax se han desarrollados numerosos estándares de representación e interoperabilidad para compartir CDSS, varios sin éxito, pero uno en particular, el Guideline Interchange Format (GLIF), desarrollado la década pasada ha tenido importantes avances. A diferencia de Arden, que se basa generalmente en alertas y recordatorios, el GLIF se enfoca en guías de practica clínica mas complejas, que incluyen fases y seguimiento durante cierto tiempo, pero, si bien su esquema ha sido bien descripto en la literatura, no ha tenido el éxito comercial esperado. Este sistema fue testeado en tres universidades: Stanford, Columbia y Harvard (el consorcio Intermed). El consorcio probó el sistema con aceptable éxito y valoró la potencia y los alcances del estándar, y trabajó en el refinamiento del mismo. Existen actualmente muchos otros estándares. El sitio www.openclinical.org ofrece una visión general sobre éstos, incluyendo el Arden y GLIF. El uso de estándares para representar, codificar, almacenar y compartir el conocimiento proporciona el marco ideal para la interoperabilidad de los CDSS, sin embargo también tiene algunas limitaciones

Curso de Introducción a la Informática médica

8

Soporte para la toma de decisiones y desventajas. Primero que existen muchos estándares para representar el conocimiento. Segundo que todo estándar limita lo que el usuario pretende ingresar en la regla. Hasta que la representación terminológica se estandarice completamente, quedan algunas cosas por resolver, como ser, cómo serán evaluados los CDSS, y cómo serán actualizadas sus bases clínicas.

Modelo de Servicio Muchos de los esfuerzos recientes han separado los sistemas de información clínicos de los CDSS y los han recombinado utilizando programas estándares de interface (Application Programming Interface API). El primer esfuerzo fue el de Shareable Active Guideline Environment (SAGE) [24, 25]. Este es un sistema propietario que puede interactuar con cualquier sistema clínico que sea SAGE compatible. El acercamiento que SAGE propuso en su interface que estandariza la interacción con los sistemas clínicos se llamo Virtual Medical Record (VMR). La principal ventaja de esto fue que resolvió el problema de vocabulario. SAGE especificó qué vocabulario se usaba para acceder y procesar la información médica, y cómo, los sistemas clínicos que utilizan sus propios estándares debe mapear con ésta. SEBASTIAN [26], un estándar mas reciente, descripto en 2005, desarrolló un acercamiento opuesto al propuesto por SAGE. Propone una interface estandarizada para los módulos de soporte para la toma de decisiones, y sólo realiza consultas limitadas al sistema clínico para obtener información. En este modelo cualquier sistema clínico que interaccione con SEBASTIAN puede realizar consultas a un sistema centralizado de reglas para la toma de decisiones. Este sistema tiene ventajas sobre los demás; ya que no queda limitado a un único centro ya que puede ser accedido desde Internet. Sin embargo SEBASTIAN tiene algunas demandas significativas a los sistemas a los cuales provee de CDSS. En primer lugar, SEBASTIAN puede requerir un set de datos que el sistema debe buscar y entregar. Segundo SEBASTIAN puede requerir la misma información para dos módulos de soporte diferente, por lo que el sistema clínico debe poder recuperar la misma información y entregarla en diferentes formas según el esquema de la regla que lo solicite. Por otro lado, esta información requerida puede ser mucha, lo que influiría en el rendimiento del sistema, aunque los testeos sobre el rendimiento han tenido resultados aceptables. SEBASTIAN es un sistema HL7 compatible con un futuro promisorio. El Hospital Italiano de Buenos Aires (HIBA) participa de un proyecto colaborativo con la Universidad de Duke, donde se encuentran los creadores de este sistema. Este proyecto se basa en el desarrollo de una herramienta de soporte para el screening de cáncer de mama. Recientemente se probó la sensibilidad y especificidad del sistema y los resultados preliminares de interacción entre SEBASTIAN y el sistema de información clínico del HIBA han sido más que satisfactorios. Estos sistemas representan grandes ventajas sobre los modelos anteriores, pero limitan a los sistemas clínicos a interactuar con sus interfaces. Por otro lado los sistemas sólo pueden otorgar un sistema de soporte a la vez, y el conocimiento en medicina y la información sobre un paciente son más complejos que la fragmentación que estos sistemas proponen.

Consideraciones finales Si bien los cuatros modelos propuestos fueron secuenciales en el tiempo, existen CDSS que se encuentran en desarrollo y que responden a los cuatro modelos. El tiempo ha ido inclinando la balanza a favor de los modelos más recientes y ha disminuido el uso de sistemas aislados, aunque no han sido completamente remplazados. El alcance del modelo definitivo esta lejos todavía, CDSS con características de las cuatro etapas convivirán durante varios años y es probable que nuevos modelos surjan en el futuro.

9

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

El campo para los CDSS con modelo de servicio es promisorio, debido a que impresionan ser los más versátiles, sobre todo con el advenimiento de HL7, que propone una estandarización en salud ampliamente aceptada por muchos de los actores. Una declaración formal sobre el estándar a utilizar por parte del Healthcare Information Technology Standard Panel, seria útil en este proceso, más aún si se suma en este camino la certificación de las HCE por parte de la Certification Commision for Health Information Technology. La American Health Information Technology ha marcado el rumbo con la creación del comité de CDSS. Así la estandarización y estabilización de los sistemas de representación terminológica, influirán positivamente en el desarrollo de los CDSS [27]. Cada etapa tiene sus propias ventajas y desventajas, que han sido comentadas, pero hay desventajas comunes a los cuatro modelos: • Primero: todos los sistemas se limitan al conocimiento que puede ser representado por los estándares. • Segundo: todos tienen serias problemas con la identificación de conceptos médicos (terminológicas). • Tercero: la información de los pacientes puede provenir de varias fuentes y los sistemas deben ser muy robustos para poder buscar la información en todas esas fuentes de forma que no afecten de forma importante el desempeño de los sistemas. Los CDSS se han implementado exitosamente en muy pocos centros. El advenimiento de nuevas tecnologías y el trabajo conjunto de los especialistas por normalizar la estructura y los estándares de interoperabilidad resulta en claros beneficios para el desarrollo futuro de nuevos y mejores CDSS.

Estructura En un sistema de información en salud los CDSS están conformados por los siguientes elementos:

Fig. 3: Sistemas clínicos de soporte para la toma de decisiones

Curso de Introducción a la Informática médica

10

Soporte para la toma de decisiones

• Bases de conocimiento: son el repositorio de información clínica (tanto centrada en el paciente como basada en el conocimiento médico) que alimenta las reglas. • Motor de reglas o inferencia: lugar donde se almacenan las reglas médicas que son disparadas por elementos desencadenantes o por monitores de eventos clínicos. • Productos de salida: son los diferentes resultantes que generan las reglas, como ser alarmas, recordatorios, e-mails, armado de listas, etc.

Bases de conocimiento Wyatt define a la información en salud como los datos y conocimiento que los sistemas inteligentes (humanos o artificiales) utilizan para la toma de decisiones. En el contexto de la informática médica dicha información puede ser clasificada, como lo planteo Hersh en [28]: • Basada en el conocimiento: esta es la información contenida en la literatura, tanto en libros, publicaciones periódicas, bases de referencias bibliográficas etc. • Centrada en el paciente: la información referida a la carga mórbida de los pacientes, generalmente contenida en los registros médicos.

Información basada en el conocimiento Este tipo de información y cómo acceder a ella será abordada en profundidad en la próxima unidad, pero a los fines de la presente, describiremos brevemente Haynes propuso en 2001 una organización de la información basada en el conocimiento en su pirámide de las 4S [29]:

Fig.4: Pirámide de la Evidencia • eStudios: contenidos en las bases de referencia bibliográficas que apuntan a los artículos publicados en las revistas médicas, por ejemplo el MEDLINE, EMBASE, LILACS, etc. • Síntesis: Bases secundarias donde se encuentran revisiones que, basadas en los estudios contenidos en las bases de referencia bibliográficas, intentan sintetizar la evidencia disponible sobre algún tema, por ejemplo, la base de la colaboración Cochrane.

11

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

• Sinopsis: también llamados resúmenes, son publicaciones que seleccionan estudios y son comentados y contextuados con un análisis crítico de la metodología con la cual fueron realizados y su utilidad en la práctica asistencial, por ejemplo el EBM journal. • Sistemas: están en la punta de la pirámide y son precisamente la información contextual brindada en el momento de tomar las decisiones por sistemas informáticos que se basan en la información del resto de la pirámide y el contexto de los datos de los pacientes. Información centrada en el paciente Es la información sobre datos particulares de cada paciente, la misma también se puede representar en una pirámide según el grado de control terminológico e informatización que se posee sobre dichos datos: • Datos que conoce el paciente y su entorno: esta es la información menos controlada, coloquial, dispersa, y no contenida en ningún sistema, por ejemplo lo que conoce el paciente y sus allegados sobre sus antecedentes de salud y enfermedad. • Datos contenidos en registros en papel: como ya vimos en la unidad sobre registro médico es información narrativa, fragmentada, duplicada y no controlada. • Datos contenidos en múltiples sistemas: información que está en sistemas informáticos pero no controlada, resultados de exámenes complementarios que están en computadoras pero que terminan imprimiéndose para los registros en papel, dicha información generalmente no se encuentra codificada en forma estándar. • Datos contenidos en una HCE o en un PHR codificados adecuadamente: nuevamente están en la punta de la pirámide, se nutren de los niveles inferiores y si están bien codificados y en conjunto con la mejor evidencia de la información centrada en el conocimiento permiten la creación de sistemas de soporte para la toma de decisiones.

Fig.5 Pirámide de la información centrada en el paciente Integración de las bases de conocimiento Ambas pirámides pueden unirse por sus puntas en un común denominador: los sistemas clínicos de soporte para la toma de decisiones computarizados. En ambas puntas el elemento fundamental es el control terminológico para nutrir como materia prima a las reglas que disparan dichos sistemas, de manera que la computadora pueda comprender de una manera inequívoca sobre lo que va a decidir.

Curso de Introducción a la Informática médica

12

Soporte para la toma de decisiones Para poder alimentar las reglas es necesario que la información contenida en las dos pirámides de información (la del conocimiento médico y la de los pacientes) este correctamente controlada en forma unívoca (es decir sin ambigüedad), como puede observarse en la figura a continuación.

Fig. 6: Integración de las bases de conocimiento y su grado de control terminológico Conociendo cuáles son las dos fuentes de información que nutren estos sistemas y cómo se integran, se genera la siguiente inquietud, ¿de dónde obtenemos cada tipo de información? ¿Por qué capturar el conocimiento de expertos? Existen numerosas razones por las que capturar el conocimiento de expertos es de extrema utilidad en el desarrollo de los CDSS. Históricamente la transmisión de la información se realizaba personalmente, y así aquellos afortunados en formarse en centros de excelencia, gozaban de los beneficios de trabajar junto al “maestro”. Con el correr de los tiempos, este esquema se expandió y ya no fue posible preservar la relación lineal de maestro-alumno. Pero el tiempo trajo también avances tecnológicos, que permitieron, como en el caso de los CDSS, capturar y utilizar este conocimiento con los siguientes objetivos: • Preservación del conocimiento: salvar esta “sabiduría” es de extrema importancia. Este conocimiento no está muchas veces documentado, o si lo está, tarda algún tiempo en transformarse en información de utilización masiva. • Distribución del conocimiento: una vez capturado, este conocimiento es fácilmente distribuible, y es de suma utilidad, no solo para el desarrollo de los CDSS, sino también para todo tipo de programas, incluyendo aquellos que intervienen en los procesos de

13

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

formación. • Conocimiento como base para el soporte de la decisión: las nuevas tecnologías permitieron entonces utilizar este conocimiento para su utilización en el soporte de la decisión clínica, y lo hicieron a partir de dos esquemas principales que a continuación se detallan. El primero se basaba en la adquisición del conocimiento y su representación por parte de un ingeniero en información quien desarrolla luego el esquema o motor de reglas a partir del cual se estructuraba el CDSS

Fig.7: Circuito de adquisición de conocimiento El segundo se basa en volcar ese conocimiento a sistemas de computación sin soporte de reglas para ser luego capturados según necesidad por los CDSS

Fig.8: Circuito de adquisición de conocimiento, con sistemas computacionales Estos límites no están tan claramente delimitados, es más se podría decir que se unificaron, existen sistemas que capturan el conocimiento de expertos e ingenieros que trabajan tanto en el proceso de captura de ese conocimiento, como en generación de reglas para la utilización del conocimiento ya capturado. ¿De dónde surge la información basada en el paciente? Estos datos provienen de información que conoce el paciente y su entorno, ésta es la información menos controlada; viene también de los datos contenidos en registros en papel, en formato narrativo, fragmentado, duplicado y no controlado. También proviene de la información contenida en múltiples sistemas, algunos informáticos como ser resultados de exámenes complementarios que están en computadoras pero que terminan imprimiéndose para los registros en papel. Finalmente se llega a los datos contenidos en una HCE o a un Registro Personal en salud codificados adecuadamente, éstos están en la punta de la pirámide, se nutren de los niveles inferiores y si están bien codificados y en conjunto con la mejor evidencia de la información centrada en el conocimiento permiten la creación de sistemas de soporte para la toma de decisiones. Esta información contenida

Curso de Introducción a la Informática médica

14

Soporte para la toma de decisiones en las HCE se integra a los CDSS a partir del monitor de eventos clínicos o un motor de reglas. Estos sistemas detectan eventos y sugieren acciones basadas en ellos.

Motor de reglas Es el lugar donde se almacenan las reglas médicas que son disparadas por elementos desencadenantes o por monitores de eventos clínicos. Es en definitiva la estructura que utiliza el conocimiento capturado que se describió recién. Una regla es la representación del conocimiento médico en un dominio particular que respeta el flujo lógico de la decisión médica para llegar a tomar una decisión. Estas reglas representan en un “mapa” las características de una situación particular, como puede ser el caso de una recomendación diagnóstica. Del mismo modo una vez seleccionado el diagnóstico, el sistema puede representar las opciones para elegir un tratamiento, generar una recomendación, etc. Para generar estas reglas es necesario representar el conocimiento médico a partir de diferentes esquemas y estructuras, se desarrollarán a continuación las más importantes. Data Mining La minería de datos o Data Mining es la ciencia que busca reconocer patrones a partir de la clasificación o descripción de un conjunto de datos. Esta disciplina se ha extendido dentro de varios dominios, incluyendo la estadística, la ingeniería y las ciencias de la computación. Con la evolución de las tecnologías, incluso en el ámbito de la salud, gran cantidad de datos han podido ser estudiados y clasificados a partir de este método, creando para ello un gran número de estrategias de mining. Una de las principales ventajas en la utilización de la minería de datos en el desarrollo de los CDSS ha sido su capacidad de generar nuevo conocimiento. A diferencia de los CDSS basados en reglas en donde el conocimiento debe ser evaluado y transformado en reglas previo a la elaboración del sistema, los CDSS basados en data mining proveen la capacidad de reconocer nuevos patrones a partir del cual se pueden generar nuevos productos de salida. Varios casos de éxito han sido reportados en las últimas décadas [30-35], entre ellos un caso de éxito pionero en el campo de la minería de datos fue MYCIN [12] que fue comentado previamente. Regresión logística Se dice que un proceso es binominal cuando sólo tiene dos posibles resultados: “éxito” y “fracaso”, siendo la probabilidad de cada uno de ellos constante en una serie de repeticiones. Los modelos de regresión logística son modelos que permiten estudiar si una variable binominal depende, o no, de otra u otras variables (no necesariamente binominales). Ejemplo: Se quiere comparar la eficacia de dos tratamientos alternativos para una misma enfermedad. Asumiendo que el proceso “curar” sólo tiene dos resultados: sí o no y que la probabilidad de curación es la misma para todos los enfermos, se está frente a un proceso binomial. Este esquema intenta resolver entonces si este proceso está asociado, o no, con el tratamiento, es decir, si la probabilidad de curación dado el tratamiento A es igual, o distinta, a la probabilidad de curación dado el tratamiento B. La regresión logística se ha utilizado en innumerables casos para el desarrollo de los CDSS y se sigue utilizando, como por ejemplo aquellos que evalúan síndromes respiratorios agudos o lesiones

15

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

mamarias en resonancias magnéticas nucleares [36, 37]. Modelos de aprendizaje Las técnicas de inteligencia artificial, más conocidas comúnmente como modelos de aprendizaje, fueron un primer esquema limitado para la representación del conocimiento médico. Los modelos más populares en este campo son: Árboles de clasificación

Los árboles de clasificación surgen de dividir el conocimiento en ramas a partir de las cuales de desarrollaran nuevas preguntas. El árbol tendrá entonces tantas ramas como datos necesarios hasta generar una respuesta o posibilidad. Pueden observar la siguiente figura con un ejemplo sencillo para entenderlo más claramente.

Fig. 9: Árboles de Clasificación Si bien resultan esquemas sencillos de fácil representación, tienen la limitante de que son univariados, o sea, sólo se puede seleccionar una de las ramas en cada nivel del árbol. De todas maneras estos esquemas fueron exitosos en su momento, tal es el caso del sistema creado por Goldman en 1982, que generaba soporte para determinar cuando un paciente con dolor de pecho debía ser internado. Este tipo de sistemas fue uno de los primeros en demostrar la utilidad de los árboles de clasificación, evaluaba la posibilidad de padecer un infarto a partir de 9 factores, priorizando la sensibilidad del sistema en desmedro de internar pacientes con falsos positivos. Redes neuronales

El uso de redes neuronales ha sido utilizado en varios dominios de la medicina, particularmente en las áreas de cuidados críticos. Estas redes son modelos altamente flexibles compuestos por varias unidades de proceso. Cada una de estas unidades puede incorporar información y propagar nuevo conocimiento que puede activar nuevas funciones.

Curso de Introducción a la Informática médica

16

Soporte para la toma de decisiones

Fig. 10: Redes neuronales Las redes neuronales usan modelos lógicos para la activación de sus unidades, tales como las transmisiones cerebrales, de ahí su nombre, así una nueva unidad no podrá ser activada si no se cumplen ciertos valores determinados para tal función. Desde mediados de los años 80s se han reportados casos exitosos de uso de redes neurales, impulsados seguramente por su gran flexibilidad. Tal es el caso de un sistema para el control de nódulos mamarios u otro que evalúa bronquiolitis en niños en una central de emergencias [38, 39].

Productos de Salida Los productos de salida son las diferentes resultantes que surgen de las reglas, que pueden ir desde el acceso a la información relacionada, la generación de recordatorios y alarmas y hasta la solicitud de estudios. Se verán más adelante, a modo de introducción se puede comentar que éstos se dividen en tres grupos: • Acceso a fuentes de información • Herramientas para focalizar la atención • Herramientas proveedoras de información paciente específicas

Clasificación de los CDSS No existe una única clasificación para los CDSS, varios autores han propuestos diferentes modos de clasificarlos. En los inicios Metzger y colaboradores [40, 41] clasificaron los CDSS según varias dimensiones y los dividieron según el momento en el que aportan el soporte (antes, durante o después del acto médico),

17

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

si este soporte era activo o pasivo, e intentaron dividirlo según su complejidad de uso a partir de una escala creada para tal fin. Tal vez esta clasificación no prosperó debido al avance de los sistemas de soporte, ya que por definición, los CDSS aportan soporte en el momento en el que se produce el acto. Otra clasificación es la de Wright, Sittig: • • • •

Sistemas aislados Sistemas integrados Sistemas basados en estándares Modelos de servicio

Eta Berner en su libro sobre los CDSS propone una división simple de los sistemas separándolos en dos grupos [3], los basados en el conocimiento y los no basados en el conocimiento, no porque estos últimos no contengan información científica, sino como forma de separar aquellos que sólo aportan información para determinado hecho de aquellos que requieren de un motor de reglas para la generación del producto de salida. Para Lord y Wiggins una forma práctica de clasificar los CDSS es según el área donde juegan su rol principal [42], los divide según aporten soporte en: • • • • • • •

Decisiones dificultosas, por ejemplo el ingreso a la central de emergencias. Decisiones simples y repetitivas, como las practicas preventivas. La disminución del error, el tiempo y la variabilidad en la realización de prácticas. Sistemas diagnósticos, ya sea basado en imágenes o no. Alertas para circunstancias críticas. Promoción de la educación y traspaso de experiencias. Generación de nuevo conocimiento.

Por ultimo Greenes propone clasificar a los CDSS a partir de su estructura, más específicamente desde sus productos de salida. Esta clasificación es la que se utilizará de ahora en más en este curso al describir CDSS. Esta clasificación separa a los sistemas de soporte en: • Acceso a fuentes de información • Infobuttons • Herramientas para focalizar la atención • Recordatorios. • Alarmas. • Herramientas proveedoras de información paciente específica • Asistentes para el diagnóstico. • Asistentes para la selección de estudios. • Asistentes para la selección de tratamiento. • Asistentes para la evaluación del pronóstico. • Guías de práctica clínica.

Acceso a fuentes de información Las necesidades de información de los médicos al momento de la atención son frecuentes, y muy a menudo no son resueltas en tiempo y forma. Covell describió en 1985 que los médicos tenían dos preguntas cada tres pacientes que atendían, y que sólo el 30% de estas preguntas eran respondidas a

Curso de Introducción a la Informática médica

18

Soporte para la toma de decisiones tiempo, más adelante, varios autores reportaron otros valores, pero no menos importantes, la misma problemática [43-47]. El médico puede tomar mejores decisiones si tiene acceso a información relevante, al momento de necesitarla, sobre todo en la actualidad, donde la generación de nuevo conocimiento supera a la capacidad humana de recordar. Por lo tanto si se logra acercar el conocimiento que el médico necesita, en el momento en el que lo necesita, se estará otorgando una herramienta de soporte para la decisión robusta y efectiva [48]. En la actualidad, los profesionales realizan una serie de actividades limitadas que orientan a determinar qué tipo de soporte de información necesitan, a la vez, la información del paciente que ingresa puede orientar también a cuál sería la necesidad de información. Éstos profesionales se encuentran frente a una computadora al tomar la decisión, por lo que están en el lugar indicado para recibir el soporte. En definitiva, los sistemas de información en salud, mediante el procesamiento de la información deberían adelantarse a la necesidad que podría aquejar al profesional, así frente a un médico que recibe un urocultivo positivo para Proteus mirabillis podría preguntarse por qué ese paciente tiene ese germen en la orina, si ese resultado es significativo o no, o cuál será el tratamiento indicado es este caso. Si el sistema presenta al profesional estas preguntas y sus respuestas será de gran utilidad. La interacción de esta herramienta de soporte con los sistemas de salud ha sido extensamente estudiada [49, 50]. Los procesos actuales de evaluación de la necesidad de información, el avance en los controles terminológicos y los progresos técnicos han facilitado el desarrollo de ésta herramienta. Surgen así los infobuttons, los cuales se desarrollarán en profundidad por ser una herramienta en expansión. Infobuttons Los infobuttons son herramientas que permiten acceso a información especifica del contexto y es otorgada al médico en el momento en que éste la necesita, mediante procesos que anticipan su necesidad de información [51]. Si bien es conocido que los médicos utilizan herramientas web para la consulta de sus dudas [52], los infobuttons surgen como una herramienta fundamental para optimizar este proceso, ya que no sólo aporta la información existente en Internet, sino que la contextualiza al paciente especifico que se está atendiendo y adelanta las necesidades para permitir elegir de un menú más acotado, sin limitar la posibilidad de extenderlo. Esta herramienta mejoró la performance de uso de información en Internet, lo que se evidenció en mejoras en la calidad del cuidado médico [53, 54]. Si bien se comprobó que es una herramienta útil, existen algunas barreras para la implementación de estos sistemas. Ely en el 2005 [55] describió las quejas más comunes de los usuarios: dudas acerca de que exista una respuesta a su pregunta, preferencias por consultar a un referente antes que a un sistema, falta de tiempo para leer la información otorgada, que la pregunta no era lo suficientemente importante para ser respondida en ese momento, desconfianza en el lugar de procedencia de la información. Por otro lado y en lo que corresponde netamente al sistema acusaban de que no ofrecía lo que necesitaba puntualmente, o que no eran correctas las opciones que mostraba por anticipación. Infobuttons de la Universidad de Columbia

Este proyecto fue patrocinado por la National Library Medicine de los Estados Unidos, y tradujo, utilizando UMLS como diccionario, los conceptos clínicos que estaban codificados con ICD9 a términos MeSH para automatizar las búsquedas bibliográficas. Estos infobuttos, que fueron llamados “the Medline buttons” permitían a los usuarios obtener información acerca de los diagnósticos o procedimientos de

19

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

sus pacientes que mediante codificación ICD9 eran enlazados a Medline [56]. La interacción de los infobuttons fue dificultosa, uno de los principales escollos fue representar en un esquema la necesidad de información. Esto se resolvió generando consultas o queries genéricas, por ejemplo: “es causada por ”, estos datos se completaban luego con la necesidad especifica del usuario. Solucionados los obstáculos se reportaron casos exitoso de uso, como el del New York Presbiterian Hospital y su sistema de salud WebCIS [57]. Infobuttons del Intermountain Healthcare

En septiembre del 2001, el Intermountain integró infobuttons a la lista de problemas, medicaciones y resultados de laboratorio de su sistema de información y lo llamo HELP2. El infobutton era localizado en cercanías de cada concepto dentro de estos módulos, así el profesional haciendo click sobre el botón, obtenía una lista de preguntas relacionadas. El HELP2 codificaba esa información y obtenía el conocimiento de diferentes bases disponibles. Para la codificación utilizaban ICD9, LOINC y el National Drug Code. Los infobuttos fueron soportando mejoras y obtuvieron un uso del 60% entre 2001 y 2004. Estandarización de los Infobuttons

Una de las mayores complicaciones es la integración de los infobuttons con los Sistemas de Salud, que requieren muchas veces de la generación de múltiples interfases (API – Application Program Interface) [58] como se observa en la siguiente Figura.

Fig. 11: Estandarización de los Infobbutons Para solucionar esta dificultad HL7, a través de su Comité técnico para los CDSS ha desarrollado un estándar que reemplazaría a las múltiples API. Este estándar soluciona los dos grandes problemas de los infobuttons, que son la interacción de éstos con los sistemas de salud, y su interacción con las bases de conocimiento científico. La transacción típica de mensajería HL7 seria: • El médico utiliza el infobutton. • El sistema de información envía un mensaje HL7 al infobutton manager, con la información de interés (generalmente el concepto próximo al infobutton), los parámetros de contexto (edad y sexo del paciente, rol o especialidad del profesional, ámbito

Curso de Introducción a la Informática médica

20

Soporte para la toma de decisiones

• • • • •

ambulatorio o de internación). El infobutton manager recibe el mensaje, lo procesa y devuelve una pagina HTML con una lista de preguntas aplicables a dicha información en ese contexto. El usuario selecciona una pregunta y esta vuelve por mensajería HL7 al manager. El manager corre esa pregunta mediante mensajería HL7 hacia la base de conocimiento. La base de conocimiento responde vía HL7 al manager. El manager envía al usuario una pagina HTML con la respuesta solicitada.

Fig. 12: HL7 Infobutton Manager El éxito de los infobuttons está comprobado, su uso se ha extendido notablemente en los últimos años, y surgen como una herramienta promisoria para el acceso a la información especifica que de soporte a la decisión permitiendo así mejorar los parámetros de cuidado y seguridad.

Herramientas para focalizar la atención En este grupo entran todos los productos de salida que tiene por objeto impactar en la atención del usuario, ya sea de manera activa o intrusiva como las alertas, o de forma pasiva, sin interferir en el flujo de trabajo del usuario, como son los recordatorios. Recordatorios Los recordatorios son consignas que se muestran en la HCE que sirven para recordar a los médicos que realicen diversas acciones, por ejemplo el cumplimiento de algunas prácticas preventivas (test de screening, inmunizaciones, etc.). Son no intrusivas o pasivas, es decir NO interfieren el flujo de trabajo. Los recordatorios basados en computadoras no son una idea nueva, Clement McDonald en 1976 publicó un artículo en NEJM [19], sobre un sistema de recordatorios basados en computadoras que se imprimían las recomendaciones y reunió a un grupo de médicos para ver cuán efectivos eran los recordatorios en diferentes situaciones simuladas con el objeto de reducir errores. Obtuvo en aquel entonces cierta reducción en la tasa de fallas, pero el sistema estaba lejos de la perfección. Por eso hizo la observación “humans are not perfectable”. Clement McDonald también desarrolló un sistema que demostró aumentar la realización de medidas preventivas en los inicios de los 80 [59], otra vez, el estudio tenía como metodología darle a los médicos material impreso sobre dichas practicas.

21

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

Otro estudio vino de la mano de O. Barnett [60] que estudió los efectos de recordatorios para médicos en el tratamiento antibiótico de pacientes que tenían un cultivo positivo para estreptococo beta hemolítico grupo A para prevenir la fiebre reumática, una complicación infrecuente que ocurre con las faringitis estreptocócicas. Estos recordatorios lograron reducir el número de casos no tratados, pero al igual que en otros casos ya comentados, cuando los recordatorios fueron quitados el comportamiento volvió a la línea de base. Las conclusiones de estos estudios son esencialmente que el comportamiento de los médicos vuelve a su línea de base cuando los recordatorios son removidos lo que implica que el efecto no es educativo. Lo que los recordatorios logran es recordar a los médicos que realicen las prácticas que ya saben que deben realizar, y cuando los recordatorios son removidos los médicos no las hacen. Esto puede observarse en la siguiente Figura extraída del trabajo de Barnett donde se muestra que la proporción de pacientes con faringitis estreptocócica no tratados fue prácticamente eliminada hasta que los recordatorios fueron eliminados y luego el tratamiento volvió a su estado de base.

Fig.13: Efecto de los recordatorios sobre los médicos Casos de uso

• Los recordatorios tienen muchos usos. Un reciente estudio randomizado controlado muestra como recordatorios utilizados de forma rutinaria para el control de pacientes con diabetes y enfermedad coronaria, incluidos dentro de la HCE, mejoraron los resultados de cuidado en estos pacientes [61]. • Se utilizan para reducir controles de laboratorio innecesarios, especialmente cuando los sistemas informáticos permiten el ingreso de órdenes rutinarias, como por ejemplo hacer un control diario de sangre y determinar la fecha en que debe dejar de realizarse. En uno de los tantos estudios que David Bates realizó [62] demostró efectividad en disminuir la solicitud de exámenes de laboratorio al mostrar un recordatorio de los pedidos redundantes más frecuentes. • Una revisión sistemática en el 2003 mostró una gran cantidad de beneficios de los recordatorios [63] entre los que figuran: • • • •

Cambios apropiados en la clase de medicación prescripta. Uso de antibióticos de espectro más reducido. Aumento de la prescripción por genéricos. Mejoría las actividades relacionadas con la administración de medicación como

Curso de Introducción a la Informática médica

22

Soporte para la toma de decisiones la solicitud de tests diagnósticos para monitorear una droga determinada. • Mejoría en la adherencia de pacientes a la medicación. • Esta revisión también muestra que los sistemas de recordatorios que actúan de forma prospectiva son mejores que aquellos que actúan de forma retrospectiva brindando un feedback al médico ya que no generan respuestas apropiadas al momento de la prescripción (o toma de decisiones). Barreras y facilitadoRes de los recordatorios

Un estudio de Saleem y col. [64] estudió las barreras y los facilitadores del uso de recordatorios en la Veterans Administration (VA): • Falta de coordinación entre los enfermeros y los médicos de lo que debían realizar. • Utilización de los recordatorios cuando el médico estaba sin el paciente. • Utilización cuando los datos apropiados no podían ser recolectados por alguna razón o cuando las acciones recomendadas no podían ser implementadas. • Los recordatorios aumentaban la cantidad de trabajo para los médicos. • Había una falta de flexibilidad de los recordatorios. • Eran disparados por reglas muy simples, y los pacientes no siempre eran tan “simples”. • Aspectos concernientes a la interfase del usuario ya que mucho de los recordatorios eran poco funcionales y requerían de muchos pasos adicionales para que el médico lograra actuar sobre el recordatorio. Facilitadores: Es lo que este grupo consideró que puede mejorar el uso de los recordatorios: • Limitar el número de recordatorios, los médicos no soportan muchos recordatorios y sugerencias. • Ubicar estratégicamente las computadoras para que los médicos puedan actuar con los recordatorios. • Integrarlos al flujo de trabajo, así cuando los recordatorios aparecen sea fácil llevar a cabo la acción. • Capacidad del sistema de permitir a los usuarios documentar problemas, incluso los de usabilidad, y que estos sean resueltos por los administradores. Alarmas Son un tipo de acercamiento más veloz que advierte a los médicos sobre ciertas circunstancias clínicas específicas. Estas son intrusivas o activas e interfieren en el flujo de trabajo durante el registro. Por ejemplo alertar al médico sobre interacciones entre drogas, valores anormales de laboratorio, ingreso erróneo de dosis, etc. [65]. ¿De donde sale la información que alimenta las alertas? Las alertas y recordatorios usualmente están generadas por un tipo de sistemas llamados monitores de eventos clínicos. Estos sistemas detectan eventos y sugieren acciones basadas en ellos permitiendo la integración de CDSS con la HCE. Los monitores de eventos clínicos y su tecnología no son nuevos, Hripcsak [66] escribió un trabajo hace una década y notó en ese momento, que la tecnología de los monitores de eventos había sido utilizada por otras industrias por más de 20 años. Los monitores de eventos clínicos están compuestos por tres componentes, lo primero que sucede es un evento, que cuando sucede dispara una regla y si se cumple una condición entonces la regla genera una acción que usualmente es mostrar un mensaje. Como ejemplo se puede ver que:

23

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

• Un evento puede ser ordenar un test. • La condición puede ser un resultado extremadamente anormal del test. • La acción puede ser notificar al médico para que haga algo. Los monitores de eventos utilizan la lógica condicional. Utilizan principalmente reglas simples. Para poder aplicar las reglas se deben filtrar los datos según una serie de validaciones: • ¿Es reciente el valor que se está mirando en el sistema? • ¿O es un valor de laboratorio anormal de potasio de hace 5 años? • ¿Es válido el valor que se está mirando? Los médicos clínicos saben, cuando una muestra de sangre se hemoliza (se rompen los glóbulos rojos de la sangre) los niveles de potasio aparecen elevados, por lo tanto es importante conocer la validez del estudio. Lo que realmente se busca hacer con la lógica condicional es lograr compartir las reglas, así cada hospital o sistema de salud no tiene que realizar necesariamente todas sus reglas. Para este propósito fue elegido el modelo de la lógica condicional, que usa un lenguaje estándar similar a los lenguajes informáticos como el comentado Arden Syntax [23].

Fig. 14: Lógica Condicional del Brigham and Women´s Hospital En la Figura precedente se observa el diagrama del sistema de alertas del Brigham and Women´s Hospital, uno de los líderes en sistemas de registro médico electrónico. Consta de una base de datos de pacientes y un set de reglas. Todos los nuevos datos pasan primero por el monitor de eventos

Curso de Introducción a la Informática médica

24

Soporte para la toma de decisiones clínicos y si alguna condición es detectada, la regla dispara un mensaje al programa de notificación que comunicará al médico a cargo de ese paciente sobre este evento anormal. Si el mencionado programa dispara una notificación en el medio de la noche, cuando los médicos del staff están habitualmente fuera del hospital, la notificación se envía al pager del médico de guardia que recibe un mensaje que dice “8888” y este debe ingresar al sistema para leer la notificación que aparece al momento de loguearse, y así puede realizar las acciones pertinentes. Así es como las alertas, se entregan a los médicos de forma rápida, para temas como resultados de laboratorios críticos o bacteriemias severas. Además de la notificación al médico el sistema tiene un “Modo Seguro”: si el médico no recibe la alerta en una cantidad de tiempo estipulada (si no accede a la computadora a ver la notificación), a los 15 minutos se sigue con el próximo paso que es poner en la pantalla de la computadora del piso en color rojo la regla, que seguramente será vista por la enfermera y avisará al médico para que realice una acción, si no sucede esto en 30 minutos la computadora del piso se telecomunica con uno de los telefonistas que reciben la alerta y avisan al piso.

Fig. 15: Etapas de las reglas del Brigham and Women´s Hospital Kuperman y colegas [67] también evaluaron la eficacia de estas alertas y estos son los resultados: • El tratamiento se realizó un 38% más rápido (1,0 horas vs 1,6 horas). • Hubo menos tiempo hasta que la condición que disparó la alerta se resolvió (promedio 8,4 horas vs 8,9 horas). • No hubo diferencias en el número de efectos adversos. Casos de Uso

• David Bates en uno de sus primeros trabajos [68] encontró que laboratorios críticos pueden ser manejados apropiadamente cuando se informan con un sistema de alertas que podría prevenir hasta un 4,1% de los eventos adversos totales que ocurren en un hospital. Y otro 5,5% puede ser prevenido simplemente mejorando la comunicación de los resultados de laboratorio. • En un estudio en 1990, obviamente previo a que cualquier sistema de registro electrónico este disponible, Tate [69] notó que sólo el 50% de los resultados de laboratorios que

25

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

implican una amenaza a la vida del paciente son correctamente tratados. Niveles de potasio muy anormales y otros resultados de laboratorio severamente anormales, eran tratados en parte y no en su totalidad, principalmente porque los médicos no eran notificados a tiempo como la situación ameritaba. • Kuperman [70] notó que en resultados de laboratorio críticos, alrededor de ¼ de estos no recibían un tratamiento adecuado en las siguientes 5 horas, a pesar de que eran resultados de laboratorio que exigían una acción rápida. • Poon [71], muestra que los médicos están aún descontentos con el reporte de resultados de laboratorio y que desean funcionalidades como ayuda para el seguimiento de resultados hasta que estén completos, con intervención si algún laboratorio anormal necesita tratamiento, ya sea enviado cartas a los pacientes y mejorando el flujo de trabajo de forma eficiente para ver los laboratorios y poder actuar en consecuencia y guardarlos de manera útil para su posterior utilización. Consideraciones sobre las alarmas

Hay un número importante de consideraciones sobre las alertas que los desarrolladores de alertas deben tener en cuenta: ¿Cómo se debe notificar a los médicos sobre las alertas?

• Vía Pager • Generar una llamada telefónica automática o humana • Enviarle un email • ¿Cómo controlar el volumen de información?, por un lado se desea informar a los médicos pero por otro no hay que sobrecargarlos con alertas. • • ¿Qué sucede con los aspectos médico-legales de las alarmas? • • ¿Qué se debe hacer si los médicos no responden a las alarmas a tiempo? • • ¿Cómo detectar las alertas? Es relativamente fácil con reglas cuando hay datos numéricos o datos codificados donde las reglas son relativamente fáciles de realizar. Pero cuando la información importante se encuentra en texto libre, se hace mucho más difícil. • • ¿Cómo estandarizar los sistemas de alertas? Aquí es donde la Arden Syntax gana importancia. Arden Syntax forma parte de la familia de estándares utilizados en informática médica.

Herramientas que proveen información específica del paciente Asistentes para el diagnóstico En los comienzos del desarrollo de las computadoras en los años 50 y 60 se reconoció que tenían el potencial para mejorar el soporte para la toma de decisiones en Salud. Las primeras aproximaciones se focalizaron en la aplicación de la inteligencia artificial [72] y sistemas expertos para mejorar los diagnósticos médicos. Pero resultó que éste no era el mejor lugar donde centrar la atención. Los diagnósticos guiados por computadoras demostraron ser muy difíciles de realizar. Estos sistemas requerían mucho tiempo y no proveían la información que los médicos necesitaban. El Prof. Miller escribió un trabajo en 1990 [73] donde decía que el modelo de “Oráculo Griego” impuesto,

Curso de Introducción a la Informática médica

26

Soporte para la toma de decisiones donde la computadora debía procesar la información ingresada y dar un diagnóstico era inapropiado e inútil para la medicina. Aquí fue que comenzó la transición de los sistemas de soporte tal como los conocemos ahora, particularmente con el crecimiento de las HCE. Otra investigación sobre la evolución de los CDSS evidenció que los sistemas de soporte para diagnóstico son menos efectivos que los sistemas de soporte terapéutico, actualmente en boga. La revisión sistemática de Garg [1] hizo una reseña de la historia de los sistemas de soporte que también promovía este cambio de enfoque. Este tipo de asistentes al diagnóstico no fueron inútiles, sino que sentaron las bases intelectuales de las técnicas utilizadas hoy en día en los modernos y actualizados sistemas de soporte para la toma de decisiones. Teorema de Bayes

Una forma de representación del conocimiento para los sistemas expertos de diagnóstico es la estadística bayesiana. El teorema de Bayes calcula la probabilidad de algo (en este caso la probabilidad del diagnóstico) basándose en las probabilidades previas (…“lo que ya sabíamos”…) sumada a la nueva información que se obtuvo. Teniendo en cuenta algunas apreciaciones del teorema de Bayes, como por ejemplo la independencia condicional de los hallazgos, toda la nueva información que se da por cierta se asume que es completamente independiente una de otra y que hay exclusividad mutua de enfermedades, que para el caso de diagnóstico médico, significaría que no puede ocurrir más de una enfermedad a la vez. La fórmula matemática de esta teoría es la siguiente:

Según esta fórmula la probabilidad (P) de que una enfermedad (i) se calcula en base a la evidencia u observaciones (E) presentes dentro de un set de posibles enfermedades (j). Básicamente la probabilidad de una enfermedad, dados uno ó más hallazgos, se calcula desde la probabilidad previa de tener la enfermedad (es decir la probabilidad de existencia de esta enfermedad antes de que se obtuvieran los nuevos hallazgos) y después de la aparición de estos nuevos hallazgos. A manera de ejemplo de implementación de la lógica bayesiana se encuentra el Sistema de Dolor Abdominal de Leeds [74], desarrollado en Leeds, Reino Unido e implementado en 1975. La información era recolectada desde los registros en papel creados por los médicos y luego ingresada en el sistema de Leeds que utilizaba los datos para calcular la probabilidad de apendicitis en un paciente con dolor abdominal agudo, un importante desafío en el diagnóstico médico. El sistema resultó ser más eficaz que los médicos para el diagnóstico, teniendo un 92% de certeza vs. un 55-80% de certeza de los médicos ante la misma situación y evaluaba mejor que los profesionales 6 de 7 categorías de enfermedades. El problema radicaba en utilizar el sistema era engorroso, quizás su limitante más significativa era la dificultad de trasladar a otros entornos u hospitales [75]. Las estadísticas bayesianas son dependientes de la exactitud del conocimiento acerca de las probabilidades de los hallazgos en una enfermedad dada y éstas son diferentes entre un hospital y otro. Y no sólo eso, el sistema no encajaba en el workflow asistencial de otro hospital por la forma en la que evaluaban el dolor abdominal, estaba diseñado de manera muy personalizada a la atención en Leeds. La principal desventaja de la estadística bayesiana es que los hallazgos deben ser condicionalmente independientes (independientes unos de otros). En medicina, en la mayoría de los hallazgos de las enfermedades, ó al menos algunos de los hallazgos no son independientes, como fiebre y aumento de los glóbulos blancos que son producto del mismo desarrollo patológico. Las enfermedades perse pueden no ser mutuamente exclusivas, los pacientes pueden tener más de una enfermedad ó los síntomas pueden ser atribuidos a más de una de las enfermedades que tiene. Cuando existen múltiples

27

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

hallazgos y enfermedades la aplicación del teorema bayesiano se hace casi impracticable debido a que la complejidad informática se incrementa considerablemente. Algoritmos

Los algoritmos clínicos, también conocidos como mapas u diagramas de flujo, son representaciones esquemáticas a partir de las cuales se pueden seguir distintos caminos y así llegar a los distintos nodos. Existen los nodos de información (de forma cuadrada) donde uno se informa y luego pasa al nodo de decisión (rombos) donde uno toma la decisión del sendero a seguir. El siguiente ejemplo cotidiano muestra cómo funcionan los algoritmos:

Fig. 16: Algoritmos Los algoritmos clínicos se han usado desde hace bastante tiempo y son utilizados de varias formas. Una de las ventajas de esta vía de abordaje es que los algoritmos clínicos permiten representar el conocimiento en forma gráfica llevando a los usuarios paso a paso a través del algoritmo y son relativamente fáciles de codificar. Si el paciente tiene un índice elevado de azúcar en sangre se debe seguir este camino y si no, se sigue éste otro. Pero existen algunas limitaciones: una es que se debe seguir el camino predefinido: si las tareas no son realizadas en el orden del algoritmo se puede generar una situación difícil de resolver. No tiene en cuenta resultados anteriores ni tampoco se puede tratar de alcanzar algo que esté fuera de los límites preestablecidos del algoritmo, otras etiologías ó tratamientos distintos. Así como tampoco se puede generar nuevo conocimiento, solamente se puede utilizar el conocimiento ya establecido. Sin lugar a dudas los algoritmos clínicos fueron los cimientos de las modernas guías de práctica clínicas utilizadas por las aplicaciones informáticas en la actualidad.

Curso de Introducción a la Informática médica

28

Soporte para la toma de decisiones Razonamiento Heurístico / Puntaje

Esencialmente en este acercamiento se representa el conocimiento como perfiles de hallazgos que ocurren en las enfermedades. Hay medidas de importancia y de frecuencia para cada uno de esos hallazgos que permiten:

• •

Calcular un puntaje por cada enfermedad con todos los hallazgos que se tienen y generar los diferentes diagnósticos. Si el puntaje de las primeras enfermedades se encuentra por encima de un valor de corte asignado se puede realizar el diagnóstico.

Existe una numerosa cantidad de ejemplos exitosos, algunos todavía vigentes en la actualidad tales como: Internist -1 / QMR

Este el primero de los sistemas que utilizó esta metodología [14]. El abordaje original tuvo como objetivo desarrollar un sistema experto en diagnóstico médico. El sistema intentaba representar el conocimiento de la manera en que un médico encararía el problema y llegaría al diagnóstico. El INTERNIST-1 evolucionó al Quick Medical Reference (QMR) [76, 77] donde el objetivo cambió cuando se reconoció que realizar el diagnóstico no era lo más importante que el sistema podía realizar, en lugar de eso, el usuario podía explorar la base de conocimiento, aprendiendo sobre los hallazgos y las enfermedades, cuán frecuentes eran, con qué probabilidad se presentaban, lo que se veía en esa enfermedad particular en cuanto a signos y síntomas asociados. Dxplain

Este fue un sistema construido con los principios de INTERNIST-1/QMR pero que desarrolló una mayor cobertura de enfermedades [15]. Este sistema aún se encuentra disponible: http://www.lcs.mgh.harvard.edu/projects/ dxplain.htm Illiad

El último de estos sistemas intentó agregar la estadística bayesiana a su metodología para arribar a los diagnósticos [78]. Caso de uso Internist El Internist surgió como un CDSS aislado del sistema de Salud. En lo que respecta a la representación del conocimiento esencialmente estaba estructurado en los siguientes componentes: • Perfil de enfermedad: una lista de todos los hallazgos que certeramente se encuentran en una enfermedad. • Hallazgos: son ítems de información que se pueden obtener o medir de los pacientes, datos de la historia del paciente, examen físico y cualquier tipo de examen complementario. Cada hallazgo tiene un coeficiente de importancia, que informa cuán importante es para explicar la enfermedad (por ejemplo la fiebre es un hallazgo importante para algunas enfermedades pero es poco específico y muy frecuente en otras enfermedades, por lo tanto es poco importante para explicar algunas enfermedades, a diferencia de dolor torácico para explicar infarto de miocardio). • Restricciones: Las enfermedades/hallazgos tienen propiedades como las restricciones (por ejemplo que un hombre no puede quedar embarazado y una mujer no puede desarrollar cáncer de próstata).

29

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

Para cada hallazgo que ocurre en cada enfermedad, hay 2 mediciones: fuerza de evocación y frecuencia.

Fuerza de Evocación

Muestra la chance de una enfermedad dado un hallazgo y tiene un puntaje de 0 a 5: • Cuando la Fuerza de Evocación es baja, quiere decir que el hallazgo es relativamente poco específico para la enfermedad y puede o no estar presente. • Cuando la Fuerza de Evocación es alta, quiere decir que el hallazgo es patognomónico (característico), por ende que la presencia del hallazgo diagnostica la enfermedad.

Frecuencia

Es la chance de un hallazgo dada una enfermedad. Por lo tanto, un hallazgo puede: • Ocurrir raramente en una enfermedad, y en ese caso tendría un puntaje de 1 • Ocurrir todo en todos los casos, y en ese caso tendría un puntaje de 5

En el Perfil de Enfermedad para Infarto Agudo de Miocardio (ver siguiente imagen):

Fig. 17: Perfil de Enfermedad para Infarto Agudo de Miocardio Puede observarse una lista de diferentes sistemas como muestra la pantalla del programa y los hallazgos que pueden encontrarse para la Enfermedad Infarto Agudo de Miocardio: • Síntomas como dolor de pecho subesternal tiene una alta Frecuencia, ya que es muy común que aparezca ante un infarto, pero con una Fuerza de Evocación baja, lo cual informa que es algo poco específico. • Síntomas como el dolor de pecho subesternal que no cede con Nitroglicerina ó dolor subesternal opresivo, tienen alta Fuerza de Evocación, por ser específicos del Infarto. • Síntomas como el dolor abdominal tienen baja Fuerza de Evocación y baja Frecuencia; aunque sucede en los infartos miocárdicos, es un dato poco específico. Pero: ¿como se llega al diagnóstico? Esencialmente lo que sucede es que el usuario ingresa los hallazgos positivos y negativos y el sistema crea hipótesis diagnósticas de enfermedades para cualquier enfermedad que tiene uno o más hallazgos positivos ingresados. Por lo tanto cada hipótesis diagnóstica tendrá un puntaje que tiene un componente positivo basado en la Fuerza de Evocación de los diferentes

Curso de Introducción a la Informática médica

30

Soporte para la toma de decisiones hallazgos y luego tiene un Puntaje negativo (de sustracción) por los hallazgos que se esperaba que sucedieran pero no están presentes, que resta puntaje del puntaje de los hallazgos positivos. Luego las diferentes enfermedades están clasificadas y ordenadas según el puntaje. Cuando un diagnóstico logra un puntaje mayor a 80 puntos, que es el obtenido con un hallazgo patognomónico (hallazgo con Fuerza de Evocación de 5), los muestra como posibles diagnósticos. Al medir la efectividad del INTERNIST-1 quedó demostrado que era tan bueno como el panel de expertos de los ateneos clínicos del New England Journal of Medicine [14]. Sin embargo había un número importante de limitaciones: • Larga curva de aprendizaje: los usuarios tardaban en entender que era la Fuerza de Evocación y la Frecuencia que mostraba el sistema. • Consumía mucho tiempo el ingreso de los datos: al igual que otras aplicaciones de su época (incluso en los 90). • Los dilemas diagnósticos: es decir la necesidad de contar con múltiples diagnósticos diferenciales, no son una verdadera necesidad de información de los médicos en la práctica asistencial diaria, todos los médicos tienen dilemas diagnósticos pero no tienen un gran cúmulo de preguntas sin responder para las cuales el sistema les sería útil. • La base de conocimiento que tenía el INTERNIST-1, con más de 500-600 enfermedades, era incompleta para la práctica de un médico clínico, que probablemente requiere, al menos, del doble de enfermedades. Asistentes para la selección de Estudios Los asistentes para el diagnostico marcaron la base de los métodos para la estructura de representación del conocimiento en los CDSS; muchos de estos modelos aquí utilizados tuvieron origen en el soporte para el diagnóstico. A continuación se detallan los modelos que más sobresalieron: Análisis de la decisión

Desde el artículo de Ledley y Lusted en 1959 se han publicado innumerables trabajos sobre la necesidad de sistemas que soporten la toma de decisiones referidas a la selección de estudios. Howard Raiffa desde los 70, fue pionero en el desarrollo del análisis de la decisión, a partir del cual surgieron luego los árboles de clasificación y los algoritmos. Pero hubo que esperar hasta mediados de los 70 para que se incorporara este esquema a los sistemas de soporte. El análisis de la decisión surge como un árbol de dos ramas a partir del cual se debía responder una pregunta por si o no, similar a los actuales árboles de clasificación. Se diferenciaban en estar estructurados únicamente en preguntas que se respondían por si o no, a diferencias de los árboles modernos en los que se pueden seleccionar diferentes opciones para seguir avanzando en el árbol. Sin duda fueron el comienzo de lo que ahora se conoce unificadamente como árboles de clasificación. Asistentes para la selección del tratamiento Reglas de producción

Se basa en la representación del conocimientos en reglas si – entonces o if - then. El conocimiento esta codificado en reglas que combinan evidencias provenientes de distintas fuentes para llegar a una recomendación. Esto también es conocido como Sistemas Expertos Basados en Reglas. Dicho sistema utiliza un método simple para producir la línea de razonamiento denominado encadenamiento. Existen dos tipos de encadenamientos, el encadenamiento hacia delante y el encadenamiento hacia

31

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

atrás (o encadenamiento reverso). El encadenamiento hacia atrás tiene la habilidad de generar nuevo conocimiento ya que se propone obtener un objetivo, mientras que el encadenamiento hacia adelante simplemente cumple con los pasos establecidos por el algoritmo clínico (ver tabla). El sistema funciona en forma similar a los algoritmos clínicos siguiendo pasos predeterminados, siguiendo las reglas. En este caso el motor de inferencia comienza desde el principio de la base hasta que llega a una conclusión final. Supongamos tres reglas: Encadenamiento hacia • R1: Si A y B Entonces D adelante • R2: Si B Entonces C • R3: Si C y D Entonces E Si A y B están presentes, inferimos D de R1 e inferimos C de R2. Con D y C inferidos, inferimos E de R3. El motor de inferencia comienza con una resultante y obtiene conocimiento que justifica esa conclusión. Siguiendo con las mismas tres reglas: • R1: Si A y B Entonces D Encadenamiento hacia • R2: Si B Entonces C atrás • R3: Si C y D Entonces E Si conocemos E, entonces R3 implica que C y D son ciertas. Por tanto, R2 implica que B es cierta (de C) y R1 implica que A y B son ciertas (de D). Encadenamiento hacia adelante y encadenamiento hacia atrás Los sistemas expertos basados en reglas tienen un lugar importante en la Informática Médica. Uno de los primeros sistemas basados en reglas fue MYCIN [12], este software surgió de la tesis doctoral del Dr. Shortliffe. El sistema MYCIN tiene como ámbito de aplicación la selección de antibióticos para enfermedades infecciosas, particularmente meningitis y bacteriemia utilizando el encadenamiento hacia atrás. El programa posee cierta inteligencia, realiza múltiples preguntas intentando encontrar las respuestas a las reglas que genera para arribar al diagnóstico y realiza estas preguntas implacablemente hasta llegar al objetivo. Este sistema resultó mejor ó al menos tan bueno como los médicos con los que se comparó. En un estudio de evaluación se tomaron 10 casos de meningitis que fueron evaluados por médicos expertos y MYCIN y el resultado era juzgado por otros médicos expertos [79]. Las recomendaciones de los expertos eran aceptables en un 43-63% de las veces comparado con un 65% de MYCIN y en ningún caso MYCIN falló en la recomendación de un antibiótico que cubriera el espectro de la infección (aunque no siempre recomendó la mejor opción). Seguramente aquellos que provienen del ámbito asistencial no escucharon hablar de este sistema ni conocen otros de este tipo que actualmente estén en uso, por lo cual sería pertinente preguntarse qué pasó con ellos: Por varias razones, el encadenamiento hacia atrás, otras veces llamado búsqueda inicial profunda, podía llevar a MYCIN a focalizar en una dirección completamente errónea. En otras palabras era perseguir una meta que por el objetivo pactado es prácticamente imposible llegar y eso hace que vaya en una dirección errada. Otro problema era que este sistema basado en reglas era extenso y difícil de mantener, sólo para meningitis y bacteriemia MYCIN tenía 400 reglas. El seguimiento de metas basadas en reglas puede funcionar mejor en dominios más acotados como en la interpretación de pruebas pulmonares funcionales, donde el espectro de enfermedades y la cantidad de datos están disponibles y son relativamente pequeños. Por último, como muchos otros sistemas, MYCIN era lento y requería mucho tiempo, no sólo el seguimiento de metas basadas en reglas sino

Curso de Introducción a la Informática médica

32

Soporte para la toma de decisiones también en el ingreso de datos engorroso basado en comandos (no existían interfases gráficas en ese entonces). Algoritmos

Este esquema fue y es muy utilizado para el soporte en la selección del tratamiento, pero como fue discutido anteriormente, tiene algunas limitaciones importantes, entre ellas la imposibilidad de salirse de los limites preestablecidos por el algoritmo y la de generar nuevo conocimiento. Reglas Heurísticas

Las regla heurísticas intentan representar el conocimiento como perfiles de hallazgos que ocurren en las enfermedades. Hay medidas de importancia y de frecuencia para cada uno de esos hallazgos que permiten calcular un puntaje por cada enfermedad con todos los hallazgos que se tienen para seleccionar diferentes tratamientos. Si el puntaje de los primeros tratamientos se encuentra por encima de un valor de corte asignado se puede inferir que esa será la terapéutica indicada. Asistentes para el pronóstico Mediante las herramientas descriptas anteriormente, estos sistemas intentan generar soporte para determinar el pronóstico de una enfermedad. Dentro de estos sistemas se encuentran también aquellos relacionados a evaluar la calidad de vida. Las herramientas utilizadas para esto no son diferentes a las utilizadas para los sistemas descriptos antes. Guías de prácticas clínicas Tradicionalmente la medicina fue considerada un arte, y su práctica se basaba en experiencias individuales tomando como regla las opiniones de los expertos o lideres. En las últimas décadas ha tomado su lugar un movimiento que intenta basar la práctica de la medicina en la evidencia. Esta evidencia proviene de estudios con resultados medibles y auditoria clínica. La influencia del reporte del Institute of Medicine (IOM) “To err is Human” puso este tema en el centro de la agenda en salud. El reporte recomienda la utilización de tecnología de la información para la reducción de error. Las guías de práctica clínica surgieron en los 70 para generar flujo sistemático en el cuidado de los pacientes. El objetivo de estas guías es eliminar el error, reducir el número de pedidos injustificados y garantiza el correcto cuidado de los pacientes. Estas guías fueron creadas comúnmente por paneles de expertos en determinadas áreas y distribuidas luego al resto de los profesionales. Al inicio estas guías eran desarrolladas en textos narrativos o tablas, que muchas veces no coincidían con el flujo habitual de trabajo. El desafió fue entonces generar sistemas de soporte computarizados que reflejaran estas guías y permitieran cumplir con los objetivos para los que habían sido formuladas. Estos sistemas resultaron ser útiles tanto para la generación de soporte al momento de la atención como para la formación de nuevos profesionales. Tal vez el modelo más utilizado para estos sistemas fue el de los algoritmos clínicos, pero actualmente y debido a la complejidad que presenta el avance de la medicina, varios de los esquemas desarrollados arriba se ha incorporado con éxito a la estructura de esta herramienta.

33

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

CDSS: impacto clínico y desafíos futuros. Los sistemas para el soporte en la toma de decisiones han resultado ser herramientas exitosas para el mejoramiento de los procesos de salud, ya sea en la disminución del error médico, en la mejora de la solicitud de prácticas preventivas o en la auditoria de procesos de salud. Garg en 2005 realizó un estudio sistemático donde evaluó 100 artículos que hablaban de los beneficios de los CDSS en el desempeño de los profesionales y los resultados sobre los pacientes [1]. Este estudio encontró datos interesantes como la evidencia de que el desempeño médico mejoró en el 64% de las veces en que se estudió un CDSS, siendo la mejoría del 40% para herramientas de soporte diagnóstico, del 76% para los recordatorios, 72% para las herramientas de manejo de enfermedades crónicas y 62% para las alarmas de interacciones farmacológicas. Si bien los datos fueron concisos y válidos para la evaluación en este sentido, no lo fue así para comprobar mejoría en los pacientes, por no contar estos estudios con herramientas estadísticas correctas a la horra de evaluar estos datos. Por otro lado Garg, encontró en su estudio que las herramientas que tiene carácter intrusivo sobre el workflow resultaron ser mas efectivas (17% más) que las que aportan soporte de manera pasiva. Resta en la actualidad realizar más y mejores estudios que comprueben la influencia positiva de los CDSS en el cuidado de la salud. Si bien las mejoras han sido reportadas en innumerables trabajos, no se han desarrollados estudios científicos con significado clínico estadístico apropiado. Kawamoto y colaboradores realizaron también un estudio sistemático que intentó dilucidar cuáles eran las características de los CDSS que mejoraban la practica clínica [80]. Analizó 70 estudios con resultados similares a los de Garg con respecto a la mejora en el desempeño profesional (68%). Pero el dato más importante que este artículo incorporó, es la descripción de cuáles son las características de los CDSS relacionadas a la mejora en la práctica asistencial. De las 15 características evaluadas, Kawamoto halló resultados con significado estadístico en cuatro, a saber: • Provisión de la recomendación de manera intrusiva, dentro del flujo asistencial. Los resultados fueron favorables en este sentido, en contra de los sistemas que generan advertencias de manera pasiva, que deben ser localizadas por el usuario. • Generación automática de la recomendación. Si el sistema arroja que debe realizarse cierto estudio de laboratorio, es productivo que la misma herramienta lo solicite y no sólo que advierta al médico que debería realizarlo. • Generar la recomendación en el momento y lugar en donde se toma la decisión. • CDSS como parte del sistema de atención computarizado, o sea, dentro mismo de la historia clínica electrónica de cada paciente, y no como parte de otros aplicativos, como pueden ser los sistemas de laboratorio o imágenes. Kawamoto considera que para lograr mejores estudios que permitan establecer con mas claridad cuáles son las características que direccionen a los CDSS hacia el éxito, es necesario que los desarrolladores de estas herramientas reporten sus sistemas con el máximo nivel de detalle posible ya sea desde lo técnico como luego de los resultados a la hora de la implementación y la interacción con los usuarios. Por otro lado es importante también que se generen sistemas de soporte experimentales, que generen nuevo conocimiento en el ámbito de los CDSS. Los CDSS surgen como una herramienta promisoria dentro de los sistemas de salud, son el punto final de sistemas clínicos avanzados, y son el ejemplo mas fidedigno de la importancia entre la terminología, la interoperabilidad y el resto de los componentes de un sistema. Sin duda que el desarrollo de esta herramienta recién comienza. Sittig y colaboradores describieron a partir de un consenso con expertos los 10 grandes desafíos de los CDSS [81]:

Curso de Introducción a la Informática médica

34

Soporte para la toma de decisiones

• Mejorar las interfaces humano – computadora. Los CDSS deberían, sin obstaculizar, pero con efectividad, ofrecer al médico piezas claves de información y conocimiento dentro del contexto en el que es necesario tomar una decisión. • Resumir por niveles la información del paciente y ofrecerla de manera accesible, según el perfil de quien lo necesite. • Priorizar y filtrar las recomendaciones al usuario. El principal desafío es generar información apropiada al área de desempeño, a partir por ejemplo de ranking por prioridades, y evitar así la fatiga de alertas. • Combinar las recomendaciones para pacientes con comorbilidades a fin de eliminar redundancias, contraindicaciones o exclusiones, teniendo en cuenta no sólo las patologías sino también sus tratamientos. • Usar la información contenida en texto libre, teniendo en cuenta que existen estudios que reportan que hasta el 50 % de la información del paciente esta registrada de esta forma. • Selección “pensada” del contenido del CDSS. La decisión de qué contenidos se desarrollan o implementan primero debe estar basada en múltiples factores y requieren de un amplio análisis en el lugar de implementación de la herramienta. • Data mining o minería de datos en fuentes de información clínica para la creación de nuevos CDSS. Hay indudablemente nueva y valiosa información para ser utilizada, basada en conocimientos clínicos que no han sido aún totalmente sintetizados para ser puestas al servicio del usuario. • Diseminar casos exitosos en el diseño, desarrollo e implementación de los CDSS. • Crear una arquitectura de sistemas que permita la distribución de los CDSS por módulos o servicios. • Crear un repositorio Web de Sistemas de Soporte en la toma de decisiones que posibilite su acceso y utilización vía Internet. Las Herramientas para el soporte en la toma de decisiones, la razón de ser de los sistemas de salud, han demostrado ser herramientas de alta calidad, que aportan beneficios certeros en las instituciones que los han implementado. Son el resultado final de la interacción entre los diferentes componentes en los sistemas de información con alto nivel de desarrollo. Permiten ver resultados favorables para la salud de los pacientes pero requieren el esfuerzo de diseñar los diferentes componentes del sistema para que logren una correcta interacción. Sin duda que su implementación requiere de sistemas de salud avanzados y sólidamente conformados, pero en definitiva, y pese a lo dificultoso que puede resultar su implementación, resultan en beneficios para la institución que los adopta, y en definitiva, para sus pacientes, objetivo final de toda institución de salud. Por tanto este componente resulta una herramienta fundamental a la hora de proyectar los sistemas de información en salud.

35

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

Bibliografía 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27.

Garg, A.X., et al., Effects of computerized clinical decision support systems on practitioner performance and patient outcomes: a systematic review. Jama, 2005. 293(10): p. 1223-38. Wright, A. and D.F. Sittig, A four-phase model of the evolution of clinical decision support architectures. Int J Med Inform, 2008. Berner, Development and Evaluation of CDSS, in Clinical Decision Support Systems. Theory and Practice. Greenes, in Clinical Decision Support - The road ahead. Kohn, L., To err is human: an interview with the Institute of Medicine’s Linda Kohn. Jt Comm J Qual Improv, 2000. 26(4): p. 227-34. Osheroff, J., Teich,JM, Middleton BF, Steen EB, Wright A, Detmer DE, A roadmap for national action on CDSS. AMIA, 2006. Ledley, R.L., LB, Reasoning fundations of medical diagnosis; simbolic logic, probability, and value theory aid our understanding of how physicians reason. Science, 1959. Warner, H.R., et al., A mathematical approach to medical diagnosis. Application to congenital heart disease. Jama, 1961. 177: p. 177-83. Collen, M.F., et al., Automated Multiphasic Screening and Diagnosis. Am J Public Health Nations Health, 1964. 54: p. 741-50. Bleich, H.L., Computer evaluation of acid-base disorders. J Clin Invest, 1969. 48(9): p. 1689-96. de Dombal, F.T., et al., Construction and uses of a ‘data-base’ of clinical information concerning 600 patients with acute abdominal pain. Proc R Soc Med, 1971. 64(9): p. 978. Shortliffe, E.H., et al., Computer-based consultations in clinical therapeutics: explanation and rule acquisition capabilities of the MYCIN system. Comput Biomed Res, 1975. 8(4): p. 303-20. Miller, P.L., Critiquing anesthetic management: the “ATTENDING” computer system. Anesthesiology, 1983. 58(4): p. 362-9. Miller, R.A., H.E. Pople, Jr., and J.D. Myers, Internist-1, an experimental computer-based diagnostic consultant for general internal medicine. N Engl J Med, 1982. 307(8): p. 468-76. Barnett, G.O., et al., DXplain. An evolving diagnostic decision-support system. Jama, 1987. 258(1): p. 67-74. Science, M.L.o.C. DXplain. 2005; Available from: http://www.lcs.mgh.harvard.edu/dxplain.asp. Kuperman, G.L., et al., The impact of the HELP computer system on the LDS Hospital paper medical record. Top Health Rec Manage, 1991. 12(1): p. 1-9. Sittig, D.F., et al., Computerized management of patient care in a complex, controlled clinical trial in the intensive care unit. Comput Methods Programs Biomed, 1989. 30(2-3): p. 77-84. McDonald, C.J., Protocol-based computer reminders, the quality of care and the nonperfectability of man. N Engl J Med, 1976. 295(24): p. 1351-5. Geissbuhler, A. and R.A. Miller, Clinical application of the UMLS in a computerized order entry and decision-support system. Proc AMIA Symp, 1998: p. 320-4. Bates, D.W., et al., The impact of computerized physician order entry on medication error prevention. J Am Med Inform Assoc, 1999. 6(4): p. 313-21. Teich, J.M., et al., Response to a trial of physician-based inpatient order entry. Proc Annu Symp Comput Appl Med Care, 1993: p. 316-20. Hripcsak, G., Rationale for the Arden Syntax. Comput Biomed Res, 1994. Parker, C.G., et al., Detailed clinical models for sharable, executable guidelines. Stud Health Technol Inform, 2004. 107(Pt 1): p. 145-8. Ram, P., et al., Executing clinical practice guidelines using the SAGE execution engine. Stud Health Technol Inform, 2004. 107(Pt 1): p. 251-5. Kawamoto, K. and D.F. Lobach, Design, implementation, use, and preliminary evaluation of SEBASTIAN, a standards-based Web service for clinical decision support. AMIA Annu Symp Proc, 2005: p. 380-4. Wright, A. and D.F.P.D. Sittig, SANDS: An Architecture for Clinical Decision Support in a National Health Information Network. AMIA Annu Symp Proc, 2007. 2007(2007): p. 816-820.

Curso de Introducción a la Informática médica

36

Soporte para la toma de decisiones 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 41. 42. 43. 44. 45. 46. 47. 48. 49. 50. 51. 52. 53. 54. 55.

37

Hersh, W.R., Medical informatics: improving health care through information. Jama, 2002. 288(16): p. 1955-8. Haynes, R.B., Of studies, syntheses, synopses, and systems: the “4S” evolution of services for finding current best evidence. ACP J Club, 2001. 134(2): p. A11-3. Bertani, A., et al., Flat foot functional evaluation using pattern recognition of ground reaction data. Clin Biomech (Bristol, Avon), 1999. 14(7): p. 484-93. Bins, M., et al., Classification of immature and mature cells of the neutrophil series using morphometrical parameters. Cytometry, 1983. 3(6): p. 435-8. Burroni, M., et al., Melanoma computer-aided diagnosis: reliability and feasibility study. Clin Cancer Res, 2004. 10(6): p. 1881-6. Gordon, H.S., et al., Mortality after noncardiac surgery: prediction from administrative versus clinical data. Med Care, 2005. 43(2): p. 159-67. Leonard, J.E., J.B. Colombe, and J.L. Levy, Finding relevant references to genes and proteins in Medline using a Bayesian approach. Bioinformatics, 2002. 18(11): p. 1515-22. Perou, C.M., et al., Molecular portraits of human breast tumours. Nature, 2000. 406(6797): p. 747-52. Gibbs, P. and L.W. Turnbull, Textural analysis of contrast-enhanced MR images of the breast. Magn Reson Med, 2003. 50(1): p. 92-8. Wang, T.L., et al., Establishing a clinical decision rule of severe acute respiratory syndrome at the emergency department. Ann Emerg Med, 2004. 43(1): p. 17-22. Joo, S., et al., Computer-aided diagnosis of solid breast nodules: use of an artificial neural network based on multiple sonographic features. IEEE Trans Med Imaging, 2004. 23(10): p. 1292-300. Walsh, P., et al., An artificial neural network ensemble to predict disposition and length of stay in children presenting with bronchiolitis. Eur J Emerg Med, 2004. 11(5): p. 259-64. Metzger, J., CDSS for de independient physician practice. 2002. Perreault, L.M., JB, A pragmatic framework for underestanding CDSS. 1999. Lord, W.W., DC, Medical decision support system, the wide realm of possibilities. 2006. Dee, C. and R. Blazek, Information needs of the rural physician: a descriptive study. Bull Med Libr Assoc, 1993. 81(3): p. 259-64. Ely, J.W., R.J. Burch, and D.C. Vinson, The information needs of family physicians: case-specific clinical questions. J Fam Pract, 1992. 35(3): p. 265-9. Green, M.L., M.A. Ciampi, and P.J. Ellis, Residents’ medical information needs in clinic: are they being met? Am J Med, 2000. 109(3): p. 218-23. Osheroff, J.A., et al., Physicians’ information needs: analysis of questions posed during clinical teaching. Ann Intern Med, 1991. 114(7): p. 576-81. Wyatt, J.C., Clinical questions and information needs. J R Soc Med, 2000. 93(4): p. 168-71. Chueh, H. and G.O. Barnett, “Just-in-time” clinical information. Acad Med, 1997. 72(6): p. 512-7. Cimino, J.J. and S. Sengupta, IAIMS and UMLS at Columbia-Presbyterian Medical Center. Med Decis Making, 1991. 11(4 Suppl): p. S89-93. Greenes, R.A., A “building block” approach to application development for education and decision support in radiology: implications for integrated clinical information systems environments. J Digit Imaging, 1991. 4(4): p. 213-25. Cimino, J.J., G. Elhanan, and Q. Zeng, Supporting infobuttons with terminological knowledge. Proc AMIA Annu Fall Symp, 1997: p. 528-32. Cimino, J.J., et al., Generic queries for meeting clinical information needs. Bull Med Libr Assoc, 1993. 81(2): p. 195-206. Thompson, C., et al., Research information in nurses’ clinical decision-making: what is useful? J Adv Nurs, 2001. 36(3): p. 376-88. Westbrook, J.I., A.S. Gosling, and E. Coiera, Do clinicians use online evidence to support patient care? A study of 55,000 clinicians. J Am Med Inform Assoc, 2004. 11(2): p. 113-20. Ely, J.W., et al., Answering physicians’ clinical questions: obstacles and potential solutions. J Am

Curso de Introducción a la Informática Biomédica

Soporte para la toma de decisiones

56. 57. 58. 59. 60. 61. 62. 63. 64. 65. 66. 67. 68. 69. 70. 71. 72. 73. 74. 75. 76. 77. 78. 79. 80. 81.

Med Inform Assoc, 2005. 12(2): p. 217-24. Cimino, J.J., et al., The MEDLINE Button. Proc Annu Symp Comput Appl Med Care, 1992: p. 81-5. Cimino, J.J., et al., Use of online resources while using a clinical information system. AMIA Annu Symp Proc, 2003: p. 175-9. Del Fiol, G., HL7 infobutton standard API propolsal draft. 2004. McDonald, C.J., et al., Reminders to physicians from an introspective computer medical record. A two-year randomized trial. Ann Intern Med, 1984. 100(1): p. 130-8. Barnett, G.O., Quality assurance through automated monitoring and concurrent feedback using a computer-based medical information system. 1978. Sequist, T.D., et al., A randomized trial of electronic clinical reminders to improve quality of care for diabetes and coronary artery disease. J Am Med Inform Assoc, 2005. 12(4): p. 431-7. Bates, D.W., A randomized trial of a computer-based intervention to reduce utilization of redundant laboratory tests. Am J Med, 1999. Bennett, J.W. and P.P. Glasziou, Computerised reminders and feedback in medication management: a systematic review of randomised controlled trials. Med J Aust, 2003. 178(5): p. 217-22. Saleem, J.J., et al., Exploring barriers and facilitators to the use of computerized clinical reminders. J Am Med Inform Assoc, 2005. 12(4): p. 438-47. Bates, D.W., et al., Detecting adverse events using information technology. J Am Med Inform Assoc, 2003. 10(2): p. 115-28. Hripcsak, G., Design of a clinical event monitor. Comput Biomed Res, 1996. Kuperman, G.J., et al., Improving response to critical laboratory results with automation: results of a randomized controlled trial. J Am Med Inform Assoc, 1999. 6(6): p. 512-22. Bates, D.W., D.L. Boyle, and J.M. Teich, Impact of computerized physician order entry on physician time. Proc Annu Symp Comput Appl Med Care, 1994: p. 996. Tate, K.E., R.M. Gardner, and L.K. Weaver, A computerized laboratory alerting system. MD Comput, 1990. 7(5): p. 296-301. Kuperman, G.J., et al., How promptly are inpatients treated for critical laboratory results? J Am Med Inform Assoc, 1998. 5(1): p. 112-9. Poon, E.G., et al., “I wish I had seen this test result earlier!”: Dissatisfaction with test result management systems in primary care. Arch Intern Med, 2004. 164(20): p. 2223-8. Mullins, J., Whatever happened to machines that think?,. 2005. Miller, R.A.a.F.E.M., Jr., , The demise of the “Greek Oracle” model for medical diagnostic systems. 1990. deDombal, F.T., Computer-aided diagnosis and decision-making in the acute abdomen. J R Coll Physicians Lond, 1975. 9(3): p. 211-8. Berg, M., Rationalizing Medical Work. 1997. Miller, R., F.E. Masarie, and J.D. Myers, Quick medical reference (QMR) for diagnostic assistance. MD Comput, 1986. 3(5): p. 34-48. Miller, R.A., et al., The INTERNIST-1/QUICK MEDICAL REFERENCE project--status report. West J Med, 1986. 145(6): p. 816-22. Warner, H.R., Jr., Iliad: moving medical decision-making into new frontiers. Methods Inf Med, 1989. 28(4): p. 370-2. Yu, V.L., et al., Antimicrobial selection by a computer. A blinded evaluation by infectious diseases experts. Jama, 1979. 242(12): p. 1279-82. Kawamoto, K., et al., Improving clinical practice using clinical decision support systems: a systematic review of trials to identify features critical to success. Bmj, 2005. 330(7494): p. 765. Sittig, D.F., et al., Grand challenges in clinical decision support. J Biomed Inform, 2008. 41(2): p. 387-92.

Curso de Introducción a la Informática médica

38