Archivo de categorías: Sector Salud

Entradas sobre el sector salud.

Respondiendo a bulos sobre medicamentos mediante Text Analytics

El pasado fin de semana estuvimos divirtiéndonos en el IV Hackathon de Salud con nuestros amigos del Grupo HULAT de la Universidad Carlos III de Madrid y del equipo que Text Mining for Life Sciences del Barcelona Supercomputer Center. En concreto tomábamos parte del reto de Sandoz #medicamentossinbulos, aplicando tecnología de text analytics al proceso de identificación y respuesta a bulos sobre medicamentos.

Un ejemplo de un caso de bulo puede ser este:

Ejemplo de bulo

Ejemplo de bulo

Podemos distinguir distintos tipos de bulos:

  • Describir una falsedad como si fuese una verdad, como en el ejemplo de arriba
  • Afirmaciones no probadas científicamente
  • Indicaciones o efectos adversos no relacionados con el fármaco en cuestión

La propuesta de valor que definimos durante el hackathon es:

Propuesta de Valor

Propuesta de Valor

 

El principal objetivo de nuestra solución es proporcionar información veraz, rápidamente, para reaccionar a un posible bulo. Esto incluye procesar fuentes externas de confianza, como la web de la Agencia Española del Medicamento o del Ministerio de Salud, entre otros, para, de forma inmediata, localizar datos fiables sobre un fármaco o una enfermedad.

Un caso de uso de este sistema se centra en profesionales de la salud: supongamos un paciente que está preguntando a su médico sobre una noticia que ha leído alertando contra el uso de una medicación que el paciente está consumiendo. Si en ese momento el profesional sanitario dispone de información sólida sobre esa noticia, puede responder al paciente referenciando a esas fuentes externas. Por ejemplo, el médico podría decir ‘la Agencia Española del Medicamento no ha publicado ninguna alerta sobre ese medicamento’ .

Durante el hackathon, preparamos una demostración en la que un bot, @trolabot, identificaba posibles bulos en una conversación de Telegram y proporcionaba a los interlocutores enlaces a contenidos veraces que permitían refutar el posible bulo.

Una herramienta de este estilo es también de utilidad para profesionales de la comunicación en el mundo de la salud, tanto influencers como agencias de comunicación.

El primer paso para identificar estos bulos pasa por saber que se menciona un medicamento a través de técnicas de reconocimiento de entidades. Esta tarea no es sencilla dada la dificultad para escribir esos nombres, como es el caso de la fenilpropanolamina. En general, el lenguaje de salud es muy particular, más complejo que el lenguaje común. Basta leer un informe de una consulta médica para darse cuenta. Por ello, para hacer un tratamiento automático de ese lenguaje es necesario contar con herramientas de text analytics capaces de adaptarse a ese lenguaje, incluyendo recursos léxicos y semánticos específicos del dominio, como pueden ser SNOMED, CIE (ICD en sus siglas en inglés), MedDRA, entre muchos otros. Como no podía ser de otra forma, estos recursos han sido preparados por profesionales de la medicina.

Una vez que sabemos que un post, una noticia o un mensaje de whatsapp hablan sobre un fármaco, es necesario determinar si se trata de un bulo. Para ello podemos explotar el tipo de lenguaje que se suele emplear en estos mensajes, donde aparecen palabras o expresiones casi específicas como ‘sanación’o frases como ‘XXX previene enfermedades como YYY’, donde XXX sería el nombre de un fármaco e YYY el nombre de cualquier enfermedad grave para la que no hay cura o para la que el fármaco no está indicado. Hay que tener en cuenta que existen fuentes de información fiable que permiten saber para qué enfermedades y síntomas está indicado un fármaco y para cuáles no. En definitiva, estamos ante un problema de clasificación de textos para el que se puede construir un modelo de clasificación específico. Dado que no se dispone de ejemplos de bulos suficientes como para entrenar un modelo basado en machine learning el punto de partida sería un modelo basado en reglas, extraídas por lingüistas a partir de los casos de bulos conocidos. Con el tiempo, los bulos recogidos pueden alimentar una colección que pueda emplearse para entrenar un nuevo modelo.

En nuestra propuesta para el reto #medicamentossinbulos tiene como núcleo las tecnologías de text analytics descritas y se distinguen dos fases:

Fase de entrenamiento/diseño del modelo de clasificación de bulos

Fase de entrenamiento/diseño del modelo de clasificación de bulos

Esta es la fase de entrenamiento en la que se combina el proceso de reconocimiento de entidades con el de clasificación. En nuestro caso, como decíamos, no hay datos suficientes sobre bulos en medicamentos como para entrenar un modelo basado en machine learning así que se han desarrollado reglas similares a la que se muestra a continuación.

Ejemplo de regla de identificación de bulos

Ejemplo de regla de identificación de bulos ” ‘fármaco’ produce ‘síntoma/enfermedad”

 

Fase de predicción del sistema de identificación de bulos

Fase de predicción del sistema de identificación de bulos

En la fase 2 se aplican en tiempo real los modelos entrenados anteriormente sobre contenidos que pueden provenir de un sistema de monitorización de medios sociales como Twitter, blogs especializados, etc.

Aunque el premio del reto fue para otra gran idea relativa a la identificación segura de lotes de medicamentos retirados, pasamos un buen rato compartiendo experiencias y aprendiendo con los participantes y mentores del hackathon. ¡Veremos qué pasa el año que viene!

 


Farmacovigilancia: Escuchando la voz del paciente

Farmaco-vigilancia: Escuchando la voz del paciente.

Para la industria farmacéutica, es esencial escuchar y comprender los comentarios que sus pacientes actuales y potenciales comunican a través de todo tipo de canales y puntos de contacto.

Si bien existe un protocolo para comunicar a las autoridades, de las reacciones adversas a medicamentos identificadas, solo se informa de un 5 a un 20% de ellas. Afortunadamente, las conversaciones sobre medicamentos, síntomas, afecciones y enfermedades pueden analizarse para aprender más sobre ellas. La inteligencia artificial contribuye de manera decisiva a monitorear los eventos adversos y comprender su impacto en cada fase del desarrollo.

Las narraciones de los pacientes sobre los medicamentos y sus efectos adversos en las redes sociales representan una fuente de datos adicional para el monitoreo de la seguridad de los productos farmacéuticos.

En MeaningCloud, hemos desarrollado una plataforma para automatizar el proceso de monitoreo de efectos adversos en las redes sociales.

Continuar leyendo


Nueva Demo de Salud: etiquetado de medicamentos, síntomas, enfermedades y efectos adversos

Los documentos del dominio de la salud muestran un vocabulario y una estructura lingüística específicos. Si echamos un vistazo a las historias clínicas electrónicas (HCE), también denominadas historias clínicas informatizadas (HCI), vemos que también aparececen datos no estructurados (es decir, texto libre). Este texto libre contiene nombres extraños de medicamentos y enfermedades que son incluso difíciles de leer. Por todas estas razones, las técnicas de analítica de texto deben adaptarse al dominio de la salud. Hemos reunido una serie de recursos en una demo que muestra cómo MeaningCloud puede etiquetar nombres de medicamentos, síntomas, enfermedades, procedimientos, etc.

Accede a la demo gratuita: https://www.meaningcloud.com/health-demo

Continuar leyendo


¿Qué es Real World Evidence y por qué es importante?

Real World Evidence. Blurred image of a hospital

La Real World Evidence (o Real World Data), en el área de salud se fundamenta en datos masivos recolectados de millones de pacientes en condiciones de la vida real, fuera del contexto de los ensayos clínicos. De este modo, más  allá de  la eficacia y las toxicidad de un tratamiento, se evalúa la a calidad de vida del paciente, la adherencia o  la capacidad de un paciente para hacer frente al coste del tratamiento. La analítica de texto es un componente esencial de de este área de conocimiento.

La austeridad y los recortes de precios relacionados con los medicamentos han puesto una presión sin precedentes en la industria farmacéutica. Se pide a los fabricantes que proporcionen información relacionada no sólo con la seguridad, el uso apropiado, y la eficacia, sino también sobre el valor clínico y económico de sus medicamentos.

Esta tendencia es global (no es solo un problema de España o de Europa) y es particularmente evidente en las áreas terapéuticas de alto costo (como la artritis reumatoide, la diabetes, y la oncología), donde se están introduciendo un gran número de nuevas y costosas terapias para el tratamiento de enfermedades crónicas.

Por otra parte, desde hace unos años disponemos de muchos nuevos datos (como las historias clínicas electrónicas) y herramientas analíticas sofisticadas que nos permiten extraer un valor considerable de ellos. Podemos evaluar los costes de las enfermedades,  la eficiencia de un tratamiento (sus costes, beneficios y riesgos), comparar la efectividad de tratamientos diversos o medir los resultados de las intervenciones a largo plazo.

Continuar leyendo


¿Pueden los antidepresivos causar malformaciones en el feto?

Puede que no sea lo más común que en el blog de una empresa de tecnología de la información se hable de antidepresivos y embarazos, lo entendemos perfectamente. Pero en MeaningCloud hemos comprobado que los temas de salud tienen una fuerte repercusión en medios sociales y las empresas del sector, incluyendo las farmacéuticas, harían bien en tratar de entender la conversación que se genera alrededor. ¿Cómo? Mediante la tecnología de análisis de texto, como veremos a continuación.

Mirando los datos recogidos por nuestro prototipo para la monitorización de temas de salud en medios sociales nos sorprendimos del repentino incremento de menciones del término ‘embarazo’ el día 10 de julio. Para saber el porqué de este dato, acudimos a los tuits que hablaban sobre ese estado de buena esperanza. Resulta que ese mismo día se había publicado una noticia sobre un estudio aparecido en el British Medical Journal sobre los efectos nocivos que los antidepresivos pueden causar en el feto durante el embarazo.
Continuar leyendo


Analizando datos sobre salud en medios sociales

El análisis de medios sociales puede ser una buena inversión en el área de salud. A la gente le encanta compartir información en los medios sociales, incluso datos sobre salud. ¡Sí, es verdad! Y constituye el punto de partida del trabajo de investigación titulado ‘Exploring Spanish health social media for detecting drug effects’, cuyo objetivo es monitorizar las conversaciones en medios sociales para averiguar cómo hablan los usuarios sobre su relación con el consumo de fármacos. Esto permite identificar posibles efectos adversos hasta ahora desconocidos relacionados con dichos fármacos. Aunque existe un protocolo oficial para informar a las autoridades competentes de la existencia de algún efecto adverso no documentado, se llegan a comunicar solamente un 5 – 20 % de ellos. Además, se pueden analizar las conversaciones sobre fármacos, síntomas, condiciones y enfermedades para obtener más información. Por ejemplo, es posible descubrir cómo los usuarios buscan medicamentos específicos a través de los medios sociales o cómo algunos se dedican a venderlos, a menudo de forma ilegal; muchos otros hablan de la mezcla de alcohol con drogas u otras sustancias ilegales. Por supuesto, no todo lo que aparece en internet es fiable—este es otro tema—, pero puede estimular el planteamiento de nuevas hipótesis.

drugs

El equipo de investigación Grupo de Bases de Datos Avanzadas de la Universidad Carlos III de Madrid ha llevado a cabo la investigación mencionada y ha desarrollado modelos híbridos para obtener el conocimiento necesario para identificar efectos adversos. La plataforma de procesamiento del lenguaje natural que ha permitido el análisis basado en esos modelos es MeaningCloud. Las capacidades de personalización que ofrece esta plataforma han sido decisivas, puesto que han facilitado la integración de vocabulario específico y otros conocimientos del dominio de la medicina. Como sabemos, los nombres de los medicamentos y de los síntomas pueden ser muy complicados y a menudo no es fácil escribirlos adecuadamente. Los resultados del algoritmo son prometedores, ya que su recall es un 10 % mayor que el de otros algoritmos conocidos. Puedes encontrar más detalles en el artículo científico publicado por la revista BMC Medical Informatics and Decision Making Journal. Estos desarrollos forman parte del proyecto TrendMiner y están disponibles en la página web: TrendMiner Health Analytics Dashboard, que recopila los comentarios de los usuarios de medios sociales sobre fármacos antidepresivos. La consola muestra los antidepresivos mencionados junto con los síntomas relacionados; haciendo clic en cada uno de ellos se puede consultar su evolución a lo largo del tiempo. Además, en la parte inferior de la página se muestran los textos originales que se han analizado para extraer dichas menciones, los nombres de medicamentos, síntomas, enfermedades y cualquier relación haya sido identificada entre ellos. Esas relaciones pueden revelar si un fármaco es adecuado para un determinado síntoma o si una enfermedad es, en realidad, un efecto adverso provocado por el medicamento mencionado. El prototipo permite también hacer búsquedas utilizando el código ATC (Anatomical Therapeutic Chemical Classification System) y el nivel correspondiente según este sistema de clasificación. Si se activa la opción ‘By Active Substance’ [‘por principio activo’], se buscará cualquier fármaco contenga el principio activo del producto buscado. Por otro lado, la funcionalidad de búsqueda predictiva permitirá encontrar más fácilmente la expresión correcta para referirse a un fármaco o a una enfermedad.

Las empresas del dominio de salud y las farmacéuticas ya pueden explotar su información no estructurada


En la industria farmacéutica y de salud
, tenemos a nuestra disposición nuevas herramientas de ciencia de datos capaces de extraer información valiosa sobre documentos de redacción libre como las historias clínicas electrónicas. Es posible explotar la información asociada a datos como el coste de tratamientos médicos, su eficiencia (precio, ventajas y riesgos), referencias a fármacos, efectos secundarios o resultados a largo plazo.

[/raw]


Efectos adversos de los medicamentos y medios sociales

Las reacciones adversas a medicamentos (RAM) son el problema más importante de seguridad en el campo de la salud. Se refieren a los efectos dañinos y no intencionados que producen los fármacos en el tratamiento de enfermedades y profilaxis, ya sea cuando se administran dosis normales, ya sea cuando se incurre en errores de medicación o usos incorrectos. Son la cuarta causa de muerte en pacientes hospitalizados en EEUU. Por ello, el área de la farmacovigilancia está recibiendo una gran atención debido a la gran incidencia de las RAM y al alto coste que llevan asociadas (entre el 15 y el 20 por ciento del gasto hospitalario se debe a complicaciones debidas a fármacos).

Determinadas RAM no se descubren durante los ensayos clínicos dado que no pueden conocerse hasta que el fármaco lleva varios años en el mercado. Por ello, las agencias de medicamentos deben vigilar las RAM una vez comercializado el medicamento, y el principal instrumento del que disponen son los sistemas de notificación voluntaria en los que profesionales y pacientes informan sobre sospechas de RAM (en España los pacientes pueden informar desde julio de 2012). Sin embargo, estos sistemas apenas se utilizan, pues se estima que solo se notifican entre un 5% y un 20% de las RAM, ya sea por la falta de tiempo, por la complejidad del proceso, por el poco conocimiento respecto a las RAM o por la mala coordinación entre niveles asistenciales.

En el marco del proyecto europeo TrendMiner se ha creado un prototipo para analizar comentarios en redes sociales que incorpora el procesamiento semántico de MeaningCloud para reconocer las menciones de fármacos, efectos adversos y enfermedades. El sistema visualiza la evolución de estas menciones y sus “coocurrencias”, es decir, registra qué fármacos se mencionan y con qué efectos adversos. Por ejemplo, el sistema monitoriza fármacos pertenecientes a la familia de los ansiolíticos y para ello no solo tiene en cuenta las menciones de los principios activos o medicamentos genéricos de este grupo (entre otros el lorazepam y el diazepam) sino también las marcas comerciales (como el Orfidal). Todas estas menciones se pueden analizar además en relación con sus efectos terapéuticos (entre los cuales están Orfidal indicado para ansiedad) y sus efectos adversos (tales como Orfidal puede producir temblores).

Para más información sobre el proyecto, desarrollado con la participación de la Universidad Carlos III de Madrid, ir al sitio web de la universidad.

Las empresas del dominio de salud y las farmacéuticas ya pueden explotar su información no estructurada


En la industria farmacéutica y de salud
, tenemos a nuestra disposición nuevas herramientas de ciencia de datos capaces de extraer información valiosa sobre documentos de redacción libre como las historias clínicas electrónicas. Es posible explotar la información asociada a datos como el coste de tratamientos médicos, su eficiencia (precio, ventajas y riesgos), referencias a fármacos, efectos secundarios o resultados a largo plazo.