martes, enero 30, 2024

Implementación de alertas clínicas utilizando un Servidor de Terminología con SNOMED CT en Bases de Datos Graph

Este artículo describe la aplicación de un servidor terminológico (TS) dentro de una institución de salud en Uruguay, cuya arquitectura se basa en SNOMED CT y bases de datos gráficas (NoSQL). El objetivo de este proyecto es aplicar el uso del servicio terminológico desde una perspectiva clínica, estadística, de gestión, de apoyo a la decisión y de investigación, entre otras, sin comprometer el rendimiento.

Particularmente, este artículo expone el uso del TS como apoyo a los sistemas de alerta asociados a pacientes con diabetes mellitus.

1. Introducción

Los servicios terminológicos (ET) son componentes esenciales en el desarrollo de una Historia Clínica Electrónica (HCE), ya que su implementación fortalece la calidad semántica de los datos registrados durante el acto clínico.

Además, SNOMED CT es una terminología clínica global que cubre una amplia gama de especialidades, disciplinas y requisitos médicos y de atención.

Con SNOMED CT, la información clínica se registra utilizando identificadores que hacen referencia a conceptos definidos formalmente como parte de la terminología [1], esto permite que el registro de la información clínica tenga un nivel de detalle adecuado mediante el uso de conceptos clínicos relevantes.

SNOMED CT también es una ontología que contiene un modelo de poli jerarquía, lo que significa que un código se puede agrupar en diferentes categorías, formando gráficos acíclicos dirigidos (DAG).

Por este motivo, el uso de bases de datos orientadas a gráficos se adapta perfectamente a la implementación de esta terminología, permitiendo un análisis más rico del contenido y estructura de la terminología.

Las bases de datos gráficas aportan una serie de ventajas potenciales sobre los sistemas de bases de datos tradicionales.

Las bases de datos de gráficos también brindan una gran flexibilidad para agregar nuevos nodos y relaciones al gráfico sin afectar las consultas existentes [4] [7].

El objetivo de este trabajo es evaluar la amplitud, profundidad y aplicabilidad de SNOMED CT para generar diferentes tipos de alertas médicas mediante la ejecución de búsquedas y consultas de SNOMED CT al servidor de terminología.

Incluye la generación de alertas médicas que permitan reconocer y avisar si el paciente puede tener algún tipo de diabetes mellitus, y qué controles se deben realizar próximamente.

Además, se muestran alertas si se encuentran resultados de laboratorio fuera de rango (por ejemplo, hemoglobina glicosilada elevada).

Por otro lado, las alertas clínicas están diseñadas para prevenir la fatiga de alerta, que ocurre cuando los médicos se sienten abrumados o insensibilizados ante las alertas CDS (apoyo a la decisión clínica) debido a su gran número, naturaleza intrusiva o falta de relevancia para una situación clínica. 2][6][8].

Las estrategias adoptadas para minimizar la fatiga de las alertas son:

1)     aumentar la especificidad de las alertas,

2)     permitir a los usuarios personalizar las alertas CDS,

3)     utilizar el enfoque del factor humano para diseñar alertas.

2. Métodos

En primer lugar, se creó una base de datos de gráficos que contiene el modelo conceptual de SNOMED CT.

La implementación del TS se realizó utilizando los archivos RF2 de la Versión Internacional, Edición en Español y la extensión Uruguay de SNOMED CT. Actualmente, el TS se está ejecutando con la versión internacional 2021-12-15.

En cuanto a la base de datos de gráficos, se utiliza Neo4j Desktop versión 1.4.15.

Neo4j es una plataforma de base de datos gráfica basada en Java que admite transacciones con propiedades ACID (atomicidad, coherencia, aislamiento y durabilidad).

Las consultas al servidor de terminología se realizan utilizando el lenguaje declarativo de Neo4j (Cypher).

Los clientes acceden al servidor de terminología a través de un servidor de aplicaciones Glassfish que utiliza protocolos SOAP o REST según los servicios web invocados.

El servidor consulta en primera instancia un Lexicon (en desarrollo) (una herramienta lingüística con las variaciones morfológicas y usos gramaticales de las palabras), accediendo posteriormente al Servidor de Terminología mediante el protocolo Bolt.

El servidor de terminología se ha implementado en una amplia gama de situaciones clínicas como servicios de emergencia, consultas externas y servicios de atención de hospitalización.

En el acto clínico, el médico registra el diagnóstico del paciente utilizando el soporte del servidor de terminología.

Además, enfatiza que el médico puede acceder a los términos más utilizados personalmente o a términos relacionados con la especialidad, para mejorar sus búsquedas de diagnóstico.

Por otro lado, los medicamentos, procedimientos y estudios clínicos también se registran en la HCE (Registro Médico Electrónico) mediante SNOMED CT.

Actualmente, el TS es utilizado por casi 400 médicos y aproximadamente 1.530.000 diagnósticos fueron registrados en el HCE utilizando el servidor de terminología.

La consulta de acceso al TS para búsquedas de diagnóstico realizadas por médicos desde la HCE, incluye las siguientes funcionalidades:

·        Análisis del texto introducido por el léxico.

·        Buscar el conjunto obtenido del léxico en la base de datos.

·        Devolución de los términos y la codificación asociada que fue solicitada por la consulta.

Además, el sistema generador de alertas utiliza el TS para obtener la jerarquía descendiente de un diagnóstico considerando los objetivos de las alertas.

A continuación, presentamos el acceso mediante un conjunto de pasos considerando alertas asociadas a pacientes con diabetes mellitus:

1)     Identificar si el paciente es diabético mediante el uso de una expresión ECL (Expression Constraint Language) [5] Por ejemplo: hallazgos Alert (ecl Query, ID de paciente) → hallazgos Alert(“<< 73211009 |Diabetes mellitus|”, 1234567)

2)     Verificar la exactitud de la expresión ECL.

3)     Transforma la consulta ECL en una consulta Cypher, que trae como resultado la colección de términos de SNOMED CT (118 en este caso, Figura 2 y Figura 3).

4)     Con el conjunto de términos de SNOMED CT y el ID del paciente, el motor consulta la HCE buscando en el diagnóstico del paciente

Si el diagnóstico del paciente coincide con un diagnóstico de diabetes mellitus, el sistema realiza diferentes tipos de consultas buscando evidencia de estudios clínicos recientes con resultados anormales o fuera de rango (ej. hemoglobina glicosilada, glucosa en sangre), dentro del año anterior.

La siguiente figura (Figura 2), corresponde a los resultados de jerarquía para el término “diabetes mellitus”-





Resultados

Como resultado del procedimiento explicado anteriormente, podemos concluir que la alerta afectó al 2,28 % de la población de julio a diciembre de 2022.

Los médicos recibieron una serie diferente de alertas significativas para 1503 pacientes diabéticos en una población de 4506 diabetes mellitus identificadas.

En la tabla 1 se muestran los resultados en detalle, por rango de edad y sexo.

El mayor número de alertas responden al rango de edad entre 20 y 44 años. La mayor incidencia para mujeres fue entre 20 y 44 años (301), y para hombres fue de 45 a 64 años (286).

3. Conclusiones

El uso de un Servidor de Terminología basado en SNOMED CT, permitió trabajar con una mayor granularidad de los diagnósticos médicos. Además, el desarrollo de un TS con una arquitectura de base de datos gráfica utilizando SNOMED CT como base del modelo de datos, permite consultas más completas. Además, navegar a través de una base de datos jerárquica no relacional aumenta significativamente el rendimiento. Podemos navegar por la ontología eligiendo los niveles de especificidad en los términos de recuperación, y se puede incluir la integración de extensiones para su uso en un país concreto gracias a las características de SNOMED CT. Todo lo anterior nos ha permitido construir un sistema de alerta robusto y preciso. Las alertas generadas proporcionaron información valiosa a 71 médicos (que atendieron a 1503 pacientes), permitiéndoles prescribir estudios y tratamientos que de otro modo no se habrían detectado convenientemente.

Podemos concluir que, el uso de este tipo de servidor de Terminología y terminología de SNOMED CT, facilita la implementación de todo tipo de sistemas de alerta aplicables a cualquier patología..

References

[1] “SNOMED CT Implementation”. https://confluence.ihtsdotools.org/display/DOCSTART/3.+Using+SNOMED+CT+in+Clinical+Informationn . [last accessed May 30, 2022].

[2] “Decision Support with SNOMED CT” https://confluence.ihtsdotools.org/display/DOCCDS?preview=/123897761/123898159/doc_SnomedDecisionSupport_Current-en-US_INT_20210311.pdf . [last accessed March 15, 2022].

[3] “SNOMED CT Terminology Services Guide” https://confluence.ihtsdotools.org/download/attachments/115872287/doc_TerminologyServicesGuide_Current-en-US_INT_20200930.pdf?version=1&modificationDate=1601449419000&api=v2  [last accessed May 13, 2022]

[4] “Validation and simplification of expression constraints” https://confluence.ihtsdotools.org/download/attachments/110339978/202001_e-Poster_Vincente%20Gimenez.pdf?version=1&modificationDate=1608226289000&api=v2  [last accessed May 13, 2022]

[5] SNOMED CT Expression Constraint Language Specification and Guide. SNOMED International. 2022

[6] Al-Hablani B. The Use of Automated SNOMED CT Clinical Coding in Clinical Decision Support Systems for Preventive Care. Perspect Health Inf Manag. 2017 Jan 1;14(Winter):1f. PMID: 28566995; PMCID: PMC5430114.

[7] Robert Campbell McColl, David Ediger, Jason Poovey, Dan Campbell, and David A. Bader. 2014. A performance evaluation of open source graph databases. In Proceedings of the first workshop on Parallel programming for analytics applications (PPAA '14). Association for Computing Machinery, New York, NY, USA, 11–18. https://doi.org/10.1145/2567634.2567638

[8] Greibe K. Development of a SNOMED CT based national medication decision support system. Stud Health Technol Inform. 2013;192 1147. PMID: 23920921

[9] Silva Layes, E., Bondarenco, M., Machiavello, D., Frola, F., & Lemos, M. (2019). Implementation of a terminology server with SNOMED CT in graph databases. In MEDINFO 2019: Health and Wellbeing e-Networks for All (pp. 1584-1585). IOS Press.

 

Autores:

Elizabeth Silva, SMQS, elizabeth.silva@smqs.com.uy, Salto, Uruguay

Daniel Machiavello, SMQS, dmaki44@gmail.com, Salto, Uruguay

Marcelo Bondarenco, SMQS, mbondarenco@smqs.com.uy, Salto, Uruguay

Leído en Science Direct

No hay comentarios.: