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
