Acceso usuarios
Ane G. Domingo Aldama, Marcos Merino Prado, Alain García Olea, Josu Goikoetxea Salutregi, Koldobika Gojenola Galletebeitia 
, Aitziber Atutxa Salazar
Este estudio presenta una metodología totalmente automatizada para estudios de predicción temprana en entornos clínicos, aprovechando la información extraída de informes de alta hospitalaria no estructurados. El proceso propuesto utiliza los informes de alta para respaldar los tres pasos principales de la predicción temprana: selección de cohortes, generación de conjuntos de datos y etiquetado de resultados. Mediante el procesamiento de los informes de alta con técnicas de procesamiento del lenguaje natural, podemos identificar de manera eficiente las cohortes de pacientes relevantes, enriquecer los conjuntos de datos estructurados con variables clínicas adicionales y generar etiquetas de alta calidad sin intervención manual.
Este enfoque aborda el principal problema de los registros médicos electrónicos (RME) codificados que son los datos faltantes o incompletos, capturando información clínicamente relevante que a menudo está infrarrepresentada. Evaluamos la metodología en el contexto de la predicción de la progresión de la fibrilación auricular (FA), demostrando que los modelos predictivos entrenados con conjuntos de datos enriquecidos con información de informes de alta logran una mayor precisión y correlación con los resultados reales en comparación con los modelos entrenados únicamente con datos estructurados de RME, al tiempo que superan las puntuaciones clínicas tradicionales. Estos resultados demuestran que la automatización de la integración de texto clínico no estructurado puede agilizar los estudios de predicción temprana, mejorar la calidad de los datos y aumentar la fiabilidad de los modelos predictivos para la toma de decisiones clínicas.
This study presents a fully automated methodology for early prediction studies in clinical settings, leveraging information extracted from unstructured discharge reports. The proposed pipeline uses discharge reports to support the three main steps of early prediction: cohort selection, dataset generation, and outcome labeling. By processing discharge reports with natural language processing techniques, we can efficiently identify relevant patient cohorts, enrich structured datasets with additional clinical variables, and generate high-quality labels without manual intervention. This approach addresses the frequent issue of missing or incomplete data in codified electronic health records (EHR), capturing clinically relevant information that is often underrepresented. We evaluate the methodology in the context of predicting atrial fibrillation (AF) progression, showing that predictive models trained on datasets enriched with discharge report information achieve higher accuracy and correlation with true outcomes compared to models trained solely on structured EHR data, while also surpassing traditional clinical scores. These results demonstrate that automating the integration of unstructured clinical text can streamline early prediction studies, improve data quality, and enhance the reliability of predictive models for clinical decision-making.
