A233. Big data en la asistencia sanitaria (II)

Autor: Juan B. López-Messa
Complejo Universitario Hospitalario de Palencia.
© REMI, http://medicina-intensiva.com. Julio 2017.
 
FUENTES Y APLICACIONES DEL BIG DATA EN SALUD
  
Un sistema sanitario en continuo aprendizaje debe utilizar la tecnología de la información y la infraestructura de datos sanitarios para aplicar la evidencia científica a nivel asistencial, al mismo tiempo que registra información de dicha asistencia para promover la innovación en los cuidados sanitarios y alimentar nuevos descubrimientos científicos. En un círculo continuo los avances científicos alimentarían la evidencia, ésta a su vez alimentaría la asistencia sanitaria y finalmente ésta última y a través de los datos obtenidos de ella alimentaría la ciencia en sí misma. Se produce un cambio de concepto. La evidencia científica informa la práctica clínica, pero al mismo tiempo la propia práctica clínica alimenta la evidencia.
  
Los datos procedentes del sistema sanitario son necesarios para determinar si se cumplen los criterios de calidad de la asistencia y las fuentes de datos pueden tener diferentes orígenes:
  
1. Registros sanitarios electrónicos (RSE)
2. Registros clínicos
3. Registros de datos administrativos
  
Los RSE están disponibles en la gran mayoría de los hospitales y pueden ser utilizados a nivel local, regional, nacional o internacional. En general incluyen datos demográficos de los pacientes, historial médico, tratamientos y consumo de recursos, y pueden ser fuente de investigación.
  
Los registros clínicos, definidos como bases de datos observacionales de condiciones clínicas y tratamientos, proporcionan la mayor fuente de datos para generar evidencia e investigación. Por ejemplo encontraríamos el Registro de la AHA (Get with de Guidelines) de ictus, parada cardiaca o insuficiencia cardiaca.
  
Los registros de datos administrativos, como los del CMBD, pueden ser de gran utilidad para analizar incidencia de enfermedades, manejo de las mismas y resultados asistenciales. Tienen sus limitaciones, pues generalmente no están basados en codificación adecuada, no incluyen algunos aspectos de la asistencia como las preferencias de los pacientes o nivel socio-económico, no detectan eventos relativos a la calidad asistencial ni las indicaciones para la realización de muchos procedimientos [16, 17].
  
Existen otras fuentes suplementarias de datos, unos procedentes de los propios pacientes, como síntomas, estado funcional, calidad de vida, nivel socioeconómico, lugar de residencia o incluso variables fisiológicas como presión arterial, frecuencia cardiaca, peso, temperatura corporal o glucemia. Las primeras obtenidas a través de cuestionarios, y las segundas a través de modernos dispositivos de mediciones fisiológicas mediante dispositivos implantables internos o externos (dispositivos de prenda o “wearables”). Y otros tipo censales, relativos al entorno donde viven los pacientes, como tipo de vivienda, características de la ciudad donde habitan (polución, transporte, etc.), climatología, tipo de alimentación, situación económica y política, etc. [18].
  
Monitorizar de forma continua la situación de salud de los pacientes aportará una ingente cantidad de datos y podrá por una lado servir para prevenir o detectar situaciones de riesgo, y por otro para aportar la información que podría ser utilizada en el futuro por los profesionales para tratar y predecir la evolución de otros pacientes.
   
Entre los objetivos fundamentales de la utilización de los datos estarían el diseño de métodos de tratamiento y cuidados para pacientes y poblaciones, y el estudio y mejora de métodos de asistencia sanitaria, tratando de innovar y conducir la futura investigación clínica.
   
Y como aplicaciones finales podrían considerarse el análisis predictivo y apoyo a las decisiones clínicas, la mejora de la calidad e implementación de los avances científicos y la utilización de los RSE para seleccionar los pacientes para futuros estudios clínicos y apoyar la propia realización de nuevos ensayos clínicos.
  
Debemos destacar las aplicaciones de tipo predictivo, de gran interés para clínicos, pacientes y el propio sistema. Estas serían:
  
- De los pacientes con alto consumo de recursos
- De reingresos hospitalarios
- De riesgo de eventos adversos y complicaciones
- De descompensaciones clínicas
- De la trayectoria del proceso patológico
  
Entre otras experiencias desarrolladas podemos mencionar el Registro Electrónico de Anestesia (AIMS; Anesthesia Information Management System), que genera una gran base de datos de los pacientes, los tipos de cirugía y anestesia, así como las medicaciones utilizadas y los eventos aparecidos. Su explotación puede ayudar a predecir los posibles eventos que puedan aparecer y las respuestas a los diferentes tipos de anestesia ante distintos tipos de cirugía [19].
  
Por otro lado, muy recientemente se han presentado los resultados de una encuesta realizada entre profesionales, clínicos, líderes médicos y ejecutivos de áres relativas a la salud, sobre qué aspectos consideran más importantes como fuentes de datos dentro del sistema sanitario, así como su evolución en los próximos 5 años. Los datos clínicos son los considerados más relevantes para el 95% en la actualidad y el 82% en 5 años. Le siguen los datos relativos a costes con 56%. Los relativos a los datos proporcionados por los propios pacientes estarían en un 30% pero llegarian al 40% en 5 años. Las preferencias de los pacientes estarían en un 21%, y detacarían la importancia de los datos de la genómica que estarían en el 17% en la actualidad, pero creciendo hasta el 40% en 5 años.
  
Se incrementará por tanto la información generada por los propios pacientes y por los datos de genómica, en lo que denominaríamos medicina personalizada, reforzada por los datos, y que podría mejorar los resultados de la atención a los pacientes e incluso reducir los costes sanitarios.
  
Así mismo, los encuestados consideraron que en la actualidad el uso de los datos de los RSE solo es efectivo para el 36% y que su utilidad podría llegar a se de utilidad para el 81% en coordinación, el 79% en mejorar la toma de decisiones y el 68% en análisis de predicción. Finalmente, sobre la situación actual de los Big data en la asistencia sanitaria, el 32% consideraron que ya hoy en día tiene aplicaciones y un 44% que tendrá aplicaciones en años venideros [20].
  
Muy recientemente también se ha publicado en la revista Medicina Intensiva [21] un artículo de opinión sobre los sistemas de información clínica, de progresiva implantación en las unidades de cuidados intensivos (UCI) y que representan un claro modelo específico de RSE. Los autores concluyen que los datos son y serán el eje de la asistencia y la investigación, y resaltan la importancia de su desarrollo en las UCI por su valor como Big data, a partir de los cuales facilitar la toma de decisiones clínicas de los profesionales, la investigación y proporcionar a pacientes y profesionales valoraciones pronósticas incluso instantáneas, así como de predicción y prevención de posibles eventos [22, 23]. En clara concordancia con lo anterior, Cowie y col. [24] consideran que los RSE generalmente contienen datos demográficos, de estadísticas vitales, datos administrativos, elementos de información adicional o complementaria, información farmacológica, datos clínicos y finalmente datos de los propios pacientes, bien en relación a su situación de fragilidad o calidad de vida, o bien obtenidos a través de dispositivos que analizan su estado fisiológico de forma instantánea. Y por tanto son de gran utilidad para mejorar la eficiencia de los estudios clínicos, ofrecer nuevos campos de investigación, soportar análisis de efectividad comparada y diseños de nuevos ensayos clínicos.
  
UTILIDADES Y DESARROLLOS
   
Las áreas de investigación potenciales para el uso del Big data incluyen los estudios de efectividad comparativa, sobre resultados en salud y el desarrollo e innovación. Esta última es un área con un tremendo potencial de impacto en sanidad. Utilizando y analizando herramientas del Big data tales como sistemas de predicción y algoritmos con datos de estudios clínicos, patrón de enfermedades y datos genómicos, pueden aportar información a la denominada medicina personalizada que pueden llevar a una mayor eficiencia del sistema sanitario. 
   
Por otro lado, aumentar la transparencia de los datos a través de una disponibilidad pública de los mismos podrá tener un importante impacto en proveedores y pacientes. Esta disponibilidad pública servirá para que los pacientes estén mejor informados y los profesionales sanitarios realicen un mejor desempeño. 
  
La llegada del Big data a los cuidados sanitarios marca un punto de inflexión para los proveedores de cuidados sanitarios, y quienes valoren las oportunidades de su uso mejorarán el valor de su desempeño y les convertirá en líderes, dejando atrás a quienes no los utilicen [25].
  
Se han desarrollado y experimentado ya diversas experiencias en el uso del Big data. Na y col. han presentado un estudio en pacientes con insuficiencia cardiaca, sobre un RSE. Analizaron el funcionamiento del modelo de “aprendizaje automático” para pre-diagnosticar insuficiencia cardiaca usando un RSE longitudinal de atención primaria. Las fuentes de datos correspondían a los dominios de diagnóstico, medicaciones, datos de laboratorio, hospitalizaciones, datos demográficos y hábitos, imágenes médicas, signos vitales y signos y síntomas generalmente relacionados con la insuficiencia cardiaca (edema de pulmón, disnea, disnea paroxística nocturna, edemas de extremidades). El modelo se desarrolló en varios periodos o ventanas, uno inicial u observacional, tras el que se establece el riesgo de enfermedad, seguido de otro de predicción, que al finalizar determina un diagnóstico, para finalmente establecer un vector de proceso [26]. Otras experiencias han analizado el campo de la emergencia. Janke y col. han estudiado la utilidad de las grandes bases de datos de pacientes en medicina de emergencias y su valor predictivo, alejándose de los métodos de análisis tradicionales de búsqueda de asociación causal o de estratificación de riesgo. Resaltan las ventajas del análisis de datos en tiempo real para predecir evolución clínica, pero ponen de manifiesto las dificultades de su desarrollo en cuanto al adecuado diseño e infraestructura de las bases de datos, su operatividad para los usuarios y la autorización de los propios pacientes [27].
  
Otro ejemplo de utilización de datos fisiológicos de los pacientes y empleo de métodos analíticos distintos, es el estudio basado en información del proyecto “Telemonitoring to Improve Heart Failure Outcomes” que compara métodos de “aprendizaje automático” con regresión logística, aplicados sobre una extensa base de datos, para la predicción de reingresos de pacientes con insuficiencia cardiaca, demostrando mayor grado de predicción de estos nuevos métodos [15].
  
También, analizando bases de datos de pacientes con insuficiencia cardiaca, como el registro de la AHA de esta patología, mediante estos nuevos métodos, han logrado comparar la calidad de cuidados según distintos tipos de hospital [28]. 
  
Finalmente, utilizando métodos de “aprendizaje automático,” sobre una gran base de datos de 24 hospitales Spertus y col. encontraron los factores asociados a la evolución de los pacientes, con mayor fiabilidad que los análisis convencionales de modelos de regresión logística [29].
  
En resumen, existirían 4 maneras en que el Big data puede ayudar a avanzar en la misión de la prestación de servicios de salud mejorando la calidad y la eficiencia: 1) ampliando considerablemente la capacidad de generar nuevos conocimientos; 2) ayudando en la difusión más simple del mismo, compartiendo los análisis a través de la red; 3) trasladando iniciativas de medicina personalizada a la práctica clínica, integrando sistemas biológicos (genómica) con los RSE, y 4) transfiriendo la información de forma rápida y directa a los pacientes, por un lado asociando datos médicos a otros datos personales (hábitos, situación económica, educación, tipo de trabajo) y por otro facilitando su acceso a dicha información [2].
  
ALGUNOS MODELOS CERCANOS DE LA UTILIZACIÓN DEL BIG DATA EN EL CAMPO DE LA SALUD
  
Próximos a nuestro entorno al menos dos proyectos se están desarrollando en España. En Cataluña se está trabajando en un proceso participativo y deliberativo del programa público de analítica de datos en investigación e innovación en salud [30]. Y por otro lado el Proyecto Savana Médica [31]. Este último es una plataforma que se asienta sobre cualquier Historia Clínica Electrónica, combinando datos estructurados y no estructurados y a través de tecnología de inteligencia artificial da valor a la documentación clínica existente y ofrece diferentes productos relativos a consultas específicas; en estos momentos ya se utiliza en algunos centros sanitarios españoles.
  
Estos modelos, utilizando las grandes bases de datos junto con lo que aportarían los propios datos de los pacientes, en genómica o microbiótica, así como de información sobre su situación fisiológica a través de dispositivos de prenda o wearables, conducirían a lo que se denominaría Medicina de Precisión. Con sistemas como estos se podría evolucionar hacia la denominada Medicina Personalizada y sería un área de Medicina Generadora de Evidencia, a diferencia de la hasta ahora denominada Medicina Basada en la Evidencia
  
DESAFÍOS Y LIMITACIONES
  
Aunque la ciencia actual presenta ciertas limitaciones centradas fundamentalmente en un tamaño limitado de ensayos, no tener en cuenta objetivos primarios que cumplan con los deseos de los pacientes y otros objetivos, como calidad de vida, estado mental, etc., no medición o evaluación de interacciones de los fármacos o dispositivos ensayados, un elevado coste y la no publicación de resultados no convenientes para los patrocinadores, la utilización de la ciencia basada en el Big data también tienen grandes limitaciones, pues sirve para encontrar asociaciones y no causalidad, precisa métodos analíticos sofisticados y no por todos los actores considerados fiables, presenta datos incompletos en muchos registros y sobre todo y generalmente falta de datos importantes de los pacientes, como socioeconómicos, psicológicos y biológicos.
  
Por tanto, se sugiere que lo ideal sería una interacción entre la ciencia clásica actual y la ciencia del Big data, en lo que se denominaría Big Science, cuyas características serían aunar los ensayos clínicos con el Big data, analizar gran número de pacientes y de diferentes orígenes, culturales, geográficos, requiriendo una amplia colaboración internacional y una necesaria filosofía de colaboración en lugar de competitividad [32].
  
El progreso de la medicina se ha producido fundamentalmente en el paso de la creencia al conocimiento basado en la ciencia. Sin embargo, está limitada en su habilidad de aprendizaje de la práctica clínica incluso ante los procesos experimentales que ocurren en el día a día. Disponemos en la actualidad de la posibilidad de manejar bases de datos complejas de diversas dimensiones y de gran tamaño procedentes de ese día a día y de aplicaciones matemáticas capaces de reducir la complejidad de los datos. Esta disponibilidad de datos se debe a la transformación de información médica y documentación clínica en formato digital. El conocimiento adquirido de esta manera proporcionará la oportunidad de disponer de información relevante, segura y significativa. Pero para un adecuado progreso son necesarios elementos de correcto entrenamiento en el manejo de esas grandes bases de datos, el desarrollo de herramientas analíticas para su adecuada aplicación, la posibilidad de una replicación de resultados y fundamentalmente la transparencia y diseminación compartida de toda la información. Para ello serán necesarios dos elementos importantes, por un lado la adecuada inversión económica necesaria para el desarrollo tanto de las bases de datos como de los elementos de análisis, y la colaboración de diversas organizaciones para el desarrollo de la investigación y la necesidad de compartir dicha información [33].
   
Así mismo, no deberá desestimarse que en la utilización de grandes registros sanitarios existe la posibilidad de violaciones de la seguridad, bien por fallos involuntarios o intervenciones maliciosas, siendo imprescindibles adecuadas medidas de seguridad, en lo que se ha denominado “buena higiene de datos” [34]. A diferencia de otras industrias, en el ámbito de la salud, resulta difícil obtener valor de fuentes de datos heterogéneas para su integración y análisis. Las bases de datos de salud suelen estar protegidas por las instituciones que las controlan y aisladas con el fin de proteger la privacidad de los datos personales de los pacientes. Es necesario, por tanto, enlazar las diferentes bases de datos a fin de obtener resultados que influyan sobre los cuidados sanitarios tras su análisis, pero es necesaria también una legislación adecuada al respecto y avanzar incluso a la obtención sistemática de permisos o “consentimientos informados” de los propios pacientes, para facilitar compartir los datos, permitir un análisis global en beneficio de otros pacientes y del propio sistema sanitario [35].
  
Otro aspecto importante es prestar atención a la calidad de los datos que se incluyan en el Big data para su análisis. El valor derivado del análisis de datos debe ser el primer determinante de la calidad de los mismos. Las instituciones que se embarquen en el análisis del Big data deben disponer de un “mapa de ruta” para una aproximación sistemática a la calidad de los datos y deben generar sus propios sistemas de valoración, verificación y control de la calidad de la información [36, 37]. Este aspecto relativo a la calidad de los datos se pone de manifiesto claramente en el reciente estudio publicado por Ahsmad y col., en el que se demuestran importantes diferencias de exactitud entre un registro específico clásico y los registros electrónicos automatizados en enfermedades cardiovasculares, donde los primeros consiguen mayor exactitud [38].
  
Por otro lado, existen varias barreras importantes para la adopción generalizada de grandes datos en la atención de la salud. A primera vista, parece que no hay incentivos fuertes o patrocinadores que potencien su uso dentro en los grupos clínicos u hospitales; no parecen resueltos los problemas de seguridad; y además, las plataformas actuales de RES están fragmentadas y tienen una interoperabilidad limitada. Finalmente, habrá considerables problemas de privacidad, que requerirán soluciones similares y quizás incluso más extensas que aquellos necesarios para proteger los datos financieros confidenciales en otros sectores [2].
  
A pesar de todas las limitaciones del Big data, en la actualidad muchos procesos son difíciles de analizar a través de ensayos clínicos, como podría ser el caso de la parada cardiaca. La utilización de grandes registros o bases de datos y el empleo de herramientas analíticas, puede aportar información y evidencia para la práctica asistencial [39].
  
Un posible paso intermedio ya bastante extendido, es la aplicación de los análisis de propensión a grandes bases de datos intentando suplantar de alguna manera a los ensayos clínicos, comparando retrospectivamente grupos homogéneos de pacientes y su respuesta ante diferentes procedimientos o terapias [40-44].
   
BIG DATA Y BIOÉTICA
  
La innovación no debe olvidar los aspectos éticos y los derechos fundamentales de las personas. Hasta ahora la anonimización de los datos ha representado la garantía que permitía cumplir con las regulaciones de protección de datos personales. Pero actualmente está acreditado que dicha anonimización no garantiza la privacidad de los datos personales, puesto que mediante técnicas de ingeniería informática es posible volver a conectar los datos con la persona a quien pertenecen. Es necesario por tanto, encontrar una base que legitime el análisis de datos personales de salud a gran escala. Por todo ello, el Grupo de Opinión del Observatorio de Bioética y Derecho de la Universidad de Barcelona ha presentado algunas recomendaciones [45], de las que entre otras se podrían destacar. Exigir se solicite y se obtenga el consentimiento expreso de los usuarios para la utilización de datos de salud con fines diferentes para los que se obtuvieron, estableciendo excepciones a dicha exigencia en estudios de vigilancia epidemiológica, registros sanitarios oficiales y estudios observacionales de salud pública que cuenten con un dictamen favorable de un comité de ética en investigación. Establecer mecanismos de control en el tratamiento de los datos con responsabilidad de los organismos públicos. Promover un código ético para la reutilización de datos de salud. Reforzar la formación en deontología y ética profesional de los implicados en la custodia y manejo de los datos. Y contribuir al desarrollo de una cultura de respeto a la intimidad y la confidencialidad de los datos personales, dada la especial protección que requieren los datos sanitarios. 
   
CONCLUSIONES
   
La era digital ha provocado la confluencia de la medicina con la tecnología y la ciencia básica para desarrollar nuevas aplicaciones para mejorar la asistencia sanitaria, la medicina de precisión y la obtención automática de información médica para facilitar la toma de decisiones. El rápido progreso de la ciencia sanitaria se basaría en tres aspectos:
  
1- Big data, con la agregación de información de gran volumen y compleja procedente de RSE, redes sociales, bases de datos genómicas y datos fisiológicos proporcionados por dispositivos móviles. 
  
2- Iniciativas abiertas para facilitar la disponibilidad de datos clínicos, de investigación y de fuentes procedentes de los propios pacientes, que puedan ser compartidas.
  
3- Técnicas analíticas de los Big data, de inteligencia artificial, que pueden realizar análisis de información estructurada y no estructurada.
  
Pero el desarrollo de todo ello tiene importantes implicaciones, como la necesidad de formación en la ciencia de los datos, la creación de equipos de trabajo e investigación formados por investigadores básicos, bioinformáticos, ingenieros, clínicos, gestores sanitarios, empresas, etc, y la financiación, a través de inversiones de instituciones sanitarias, empresas, sociedades científicas y profesionales, etc. [46].
  
Los rendimientos finales, serán la elaboración de nuevos sistemas de medida basados en la innovación, la creación de nuevas revistas dedicadas en exclusiva a la ciencia de los datos como las ya existentes “Big Data Research” o “Journal of Big Data”, redes sociales del sector de salud, etc.
   
La implicación de los futuros profesionales en el conocimiento y manejo de las grandes bases de datos será imprescindible. Los clínicos implicados en la práctica diaria deberán participar en la elaboración de las bases de datos, para así ser de utilidad para el futuro desarrollo de dicha práctica.[47]. El Big data promete transformar la rápida colección de datos en salud y convertirlos en conocimiento de utilidad para aplicar una medicina personalizada. Los métodos tradicionales de investigación clínica no pueden manejar la gran cantidad de datos en volumen, variedad, velocidad y veracidad. Los estudios observacionales podrían complementar los ensayos clínicos en la generación de hipótesis, establecer preguntas para futuros estudios y definir las condiciones clínicas, aunque de ninguna manera cuestionar su valor como método para la experimentación científica [48, 49].
  
Los ejemplos de utilización del Big data en sanidad son todavía escasos y plantean problemas no resueltos sobre si se producirá una transformación del modelo asistencial o simplemente supondrá un incremento de información sin utilidad práctica [50].
  
Aunque el Big data promete transformar el cuidado de la salud, en el ciclo de las tecnologías emergentes, probablemente “el aprendizaje automático y otras herramientas informáticas cabalgan por encima del pico de expectativas infladas" y es necesario apreciar mejor las capacidades y limitaciones de la tecnología [51].
  
La gran cantidad de datos que se pueden conseguir precisa de un claro y definido sistema de gobierno, regulación de su utilización, protección de privacidad y seguridad en su administración y almacenaje.
  
Finalmente, dos grandes incógnitas se plantean por tanto. ¿Sustituirá el Big data los clásicos sistemas de recogida de datos y su análisis? ¿podrá la tecnología substituir el pensamiento médico?

Autor: Juan B. López-Messa
Complejo Universitario Hospitalario de Palencia.
© REMI, http://medicina-intensiva.com. Julio 2017.
   
BIBLIOGRAFÍA
  1. Viktor Mayer-Schönberger y Kenneth Cukier. Big data, la revolución de los datos masivos. Noema, 2015.
  2. Murdoch TB, Detsky AS. The inevitable application of Big data to health care. JAMA 2013; 309: 1351-1352.
  3. José María Alvarez-Pallete, presidente de Telefónica. El Pais 19/06/2017.
  4. Pallarés G. Big data. Cómo usar los datos para que nadie se quede atrás. El País 18/01/2017.
  5. Poterack KA, Ramakrishna H. Converting data into information and knowledge: The promise and the reality of electronic medical records. Ann Card Anaesth 2015; 18: 290-292.
  6. Weil AR. Big Data In Health: A New Era For Research And Patient Care. Health Aff 2014; 33: 1110.
  7. Kesselheim AS, Avorn J. New "21st Century Cures" Legislation: Speed and Ease vs science. JAMA 2017; 317: 1481-1482.
  8. Sherman RE, Anderson SA, Dal Pan GJ eta l. Real-world evidence-what can it tell us? N Engl J Med 2016; 375: 2293-2297.
  9. Kim J. Big data, health informatics, and the future of cardiovascular medicine. J Am Coll Cardiology 2017; 69: 899-901.
  10. Wang L, Alexander CA. Big data in medical applications and health care. Am Med J 2015; 6: 1-8.
  11. Herland M, Khoshgoftaar TM, Wald R. A review of data mining using big data in health informatics. Journal of Big data 2014; 1: 2.
  12. Sakr S, Elgamma A. Towards a comprehensive data analytics framework for smart healthcare services. Big Data Research 2016; 4: 44-58.
  13. Groenevld PW, Rumsfeld JS. Can Big data fulfill his promise? Circ Cardiovasc Qual Outcomes 2016; 9: 679-682. 
  14. Simpao AF, Ahumada LM, Rehman MA. Big data and visual analytics in anaesthesia and health care. Br J Anaesthesia 2015; 115: 350-356.
  15. Mortazavi BJ, Downing NS, Bucholz EM, et al. Analysis of machine learning techniques for heart failure readmissions. Circ Cardiovasc Qual Outcomes 2016; 9: 629-640.
  16. Maddox TM, Albert NM, Borden WB, et al. The learning healthcare system and cardiovascular care. Circulation 2017; DOI:10.1161/CIR.0000000000000480.
  17. Smith MD, Institute of Medicine (US). Committee on the Learning Health Care System in America. Best Care at Lower Cost:The Path to Continuously Learning Health Care in America. Washington, DC: National Academies Press; 2013. https://www.nap.edu/catalog/13444/best-care-at-lower-cost-the-pathto-continuously-learning.
  18. Ser protagonista de tu salud. Diario El Pais 18/04/2017.
  19. Poterack KA, Ramakrishna. Converting data into information and knowledge: the promise and the reality of electronic medical records. Ann Card Anaesth 2015; 18: 290-292.
  20. Compton-Philips A. Care redesign. What data can really do for health care. NEJM Catalyst March 2017.
  21. Bodí M, Blanch Ll, Maspons R. Los sistemas de información clínica: una oportunidad para medir valor, investigar e innovar a partir del mundo real. Med Intensiva 2017; 41: 316-318.
  22. Ghassemi M, Celi LA, Stone DJ. State of the art review: The data revolution in critical care. Crit Care 2015; 19: 118.
  23. Cooke CR, Iwashyna TJ. Using existing data to address important clinical questions in critical care. Crit Care Med 2013; 41: 886-896.
  24. Cowie MR, Blomster JI, Curtis LH, et al. Electronic health records to facilitate clinical research. Clin Res Cardiol 2017; 106: 1-9.
  25. Cisami RJ, Zigrang TA, Sharamitaro AP. Application of big data in today’s healthcare environment. Health Capital Topics 2013; 6: 8.
  26. K, Steinhubl SR, de Filippi C, Dey S, Stewart WF. Early detection of heart failure using electronic health records. Practical implications for time before diagnosis, data diversity, data quantity, and data density. Circ Cardiovasc Qual Outcomes 2016; 9: 649-658.
  27. Janke AT, Overbeek DL, Kocher KE, Levy PD. Exploring the potential of predictive analytics and big data in emergency care. Ann Emerg Med 2016; 67: 227-236.
  28. Patel DB, Shah RM, Bhatt DL, et al. Guideline-appropiate care and in-hospital outcomes in patients with heart failure in teaching and non-teaching hospitals. Findings from get with the guidelines-Heart Failure. Circ Cardiovasc Qual Outcomes 2016; 9: 757-766.
  29. Spertus JV, Normand S-L, Wolf RMS, et al. Assessing hospital performance after percutaneous coronary intervention using big data. Circ Cardiovasc Qual Outcomes 2016;9:659-669 Murdoch TB, Detsky AS. The inevitable application of Big data to health care. JAMA 2013; 309: 1351-1352.
  30. Proyecto VISC+ Disponible en: http://aquas.gencat.cat/ca/projectes/analitica.dades.
  31. Savana Médica. https://www.savanamed.com.
  32. Montori VM. Big Science. Research collaboration for evidence-based care. Circ Caviovasc Qual Outcomes 2016; 9: 688-692.
  33. Krumholz HM. The promise of bib data. Opportunities and challenges. Circ Cardiovasc Qual Outcomes 2016; 9: 616-617.
  34. Bai G, Jiang J, Flasher R. Hospital risk of data breaches. JAMA Intern Med 2017; 273: 1-9.
  35. Weber GM, Mandl KD, Kohane IS. Finding the missing link for big biomedical data. JAMA 2014; 311: 2479-2480.
  36. Sukumar SR, Natarajan R, Ferrell RK. Quality of big data in health care. Int J Health Care Qual Assur 2015; 28: 621-634.
  37. Cresswell KM, Bates DW, Sheikh A. Why Every Health Care Organization Needs a Data Science Strategy? N Engl J Med Catalyst March 22, 2017.
  38. Ahmad FS, Chan C, Rosenman MB, et al. Validity of cardiovascular data from electronic sources: The Multi-Ethnic study of aterosclerosis and HealthLNK. Circulation 2017; DOI: 10.1161/CIRCULATIONAHA.117.027436.
  39. Angus DC. Wheter to intubate during cardiopulmonary resuscitation. Conventional wisdom vs Big data. JAMA 2017; 317: 477-478.
  40. Perman S, Stanton E, Soar J, et al. Location of in-hospital cardiac arrest in the United States-Variability in event rate and outcomes. J Am Heart Assoc 2016; 1: 37-45.
  41. Andersen L, Raymond TT, Berg RA, et al. Association between tracheal intubation during pediatric in-hospital cardiac arrest and survival. JAMA 2016; 316: 1786-1797.
  42. Sutton RM, French B, Meaney PA, et al. Physiologic monitoring of CPR quality during adult cardiac arrest: A propensity-matched cohort study. Resuscitation 2016; 106: 76-82.
  43. Haukoos JS, Lewis RJ. The propensity score. JAMA 2015; 314: 1637-1638.
  44. Bosch-Gaya, L. Matute-Blanco, D. Fernández-Rodríguez. Análisis estadísticos comparativos en los estudios epidemiológicos observacionales. Med Intensiva 2017. http://dx.doi.org/10.1016/j.medin.2017.02.005.
  45. Llàcer MR, Casado M, Buisán L (coordinadores). Grupo de Opinión del Observatori de Bioètica i Dret de la Universitat de Barcelona. Observatori de Bioètica i Dret. Documento sobre Bioética y Big data de salud: explotación y comercialización de los datos de los usuarios de la sanidad. Barcelona 2015.
  46. Bhavnani SP, Muñoz D, Bagai A. Data science in healthcare. Implicactions for early career investigators. Circ Cardiovasc Qual Outcomes 2016; 9: 683-687.
  47. Moskowitz A, McSparron J, Stone DJ, Celi LA. Preparing a New Generation of Clinicians for the era of Big Data. Harv Med Stud Rev 2015; 2: 24-27. 
  48. Nallamothu BK. Moving from big data to vital insights. Circ Cardiovasc Qual Outcomes 2016; 9: 615.
  49. Roski J, Bo-Linn GW, Andrews TA. Creating Value In Health Care Through Big Data: Opportunities and Policy Implications. Health Aff 2014; 33: 1115-1122.
  50. Van Poucke S, Thomeer M, Heath J, Vukicevic M. Are randomized controlled trials the gold standard? From clinical intelligence to prescriptive analytics. J Med Internet Res 2016; 18: e185.
  51. Chen JH, Asch SM. Machine Learning and Prediction in Medicine - Beyond the Peak of Inflated Expectations. N Engl J Med 2017; 376: 2507-2509.
 
(primera parte: A232)

No hay comentarios:

Publicar un comentario

Se ruega que los autores de los comentarios se identifiquen (nombre, apellidos, lugar de trabajo)

REMI 2237. El tipo de fractura pélvica predice el riesgo de hemorragia y la necesidad de intervencionismo

ARTÍCULO ORIGINAL:  Pelvic fracture pattern predicts the need for hemorrhage control intervention- Results of an AAST multi-institutional...