Resumen

Los diagnósticos médicos son una fuente valiosa de información para evaluar el funcionamiento de un sistema de salud. Sin embargo, su utilización en sistemas de información se ve dificultada porque éstos se encuentran normalmente escritos en lenguaje natural. Este trabajo evalúa empíricamente tres métodos de Aprendizaje Automático para asignar códigos de acuerdo a la Clasificación Internacional de Enfermedades (décima versión) a 3.335 diferentes diagnósticos de neoplasias extraídos desde UMLS®. Esta evaluación se realiza con tres tipos distintos de preprocesamiento. Los resultados son alentadores: un conocido método de inducción de reglas de decisión y modelos de entropía máxima obtienen alrededor de 90% accuracy en una validación cruzada balanceada.

INTRODUCCIÓN

La evaluación de tecnologías en la atención sanitaria (ETS) mejora considerablemente la toma de decisiones en la atención al paciente, permitiendo una mayor eficiencia en el uso de los recursos y en la calidad de vida de las personas [1]. La evaluación de tecnologías médicas aporta elementos de juicio a las autoridades decisorias sobre la conveniencia de utilizar, difundir o aceptar determinadas tecnologías. También proporciona información a médicos y pacientes sobre el uso adecuado de algunas tecnologías en problemas de salud específicos, y orienta a los hospitales sobre las soluciones más adecuadas en términos de coste y eficacia. La APS-I es especialmente importante en los países en desarrollo, ya que normalmente son consumidores de tecnología y los recursos sanitarios son más limitados.

Una de las principales dificultades de la TAHC es que requiere un ajuste del riesgo, que es el término general para referirse a la "contabilización de los factores relacionados con el paciente antes de comparar los resultados de la atención" [2]. En este análisis, el "riesgo" no se corresponde únicamente con el riesgo de muerte, sino con un concepto más amplio que se engloba en tres grandes áreas: los resultados clínicos de la atención (por ejemplo, muerte, visión normal, etc.), los recursos utilizados (por ejemplo, la duración de la estancia) y los resultados centrados en el paciente (por ejemplo, la satisfacción sobre las preferencias de atención).

El uso del Ajuste de Riesgo para medir tanto la eficiencia como la eficacia ha adquirido recientemente una gran relevancia e incluso se está empezando a considerar en el cálculo de los pagos de los seguros, la asignación de recursos públicos y la evaluación del personal sanitario [2, 3].

• Materias:Métodos de enseñanza Algoritmo de diagnóstico Proceso de aprendizaje Salud pública Servicio de salud
• Subjects:Educational method Diagnostic algorithm Learning processes Public health Health services
• Palabras claves:Codificación clínica, vocabulario controlado, clasificación internacional de enfermedades, aprendizaje por máquina, procesamiento de lenguaje natural.
• Keywords:Clinical coding, controlled vocabulary, international classification of diseases, machine learning, natural language processing.