Metodología para asistir la toma de decisiones diagnóstica a partir del descubrimiento del conocimiento implícito en Historias Clínicas

Autores/as

  • Ivett E. Fuentes Universidad Central “Marta Abreu” de Las Villas, Villa Clara
  • Damny Magdaleno Universidad Central “Marta Abreu” de Las Villas, Villa Clara
  • María M. García Universidad Central “Marta Abreu” de Las Villas, Villa Clara

Palabras clave:

Agrupamiento, descubrimiento de conocimiento, HCE, XML, clasificación

Resumen

La proliferación de información disponible en los centros hospitalarios a partir del uso extendido de las historias clínicas en formato electrónico (HCE) es arrolladora. Disponer de información sistematizada, gestionarla de forma efectiva y segura es esencial para garantizar mejores prácticas de salud. La gestión de información clínica se vuelve cada vez más compleja y desafiante; debido a que los repositorios de HCE son heterogéneos, grandes, diversos y dinámicos; lo que dificulta compartir la información y reutilizarla. Si bien los medios tecnológicos actuales y las necesidades impuestas por modelos emergentes de gestión clínica favorecen el uso extendido de HCE; la llamada Sociedad de la Información está siendo superada por la necesidad de nuevos métodos capaces de procesar esta información de forma eficiente y eficaz. En este trabajo se analiza la importancia que tiene el agrupamiento documental en la gestión del conocimiento desde la información clínica. Se presenta una metodología para el agrupamiento de HCE teniendo en cuenta los diferentes factores de la HC y los datos recogidos en cada uno de ellos a partir de la anamnesis o interrogatorio y el examen físico; con el propósito de identificar automáticamente la relación de los pacientes a través de sus síntomas o signos. Se propone una variante para asistir la toma de decisiones diagnóstica de un nuevo paciente, mediante una clasificación supervisada que utiliza la información relevante proporcionada por la metodología presentada. Finalmente la interpretación de los resultados muestra la factibilidad de la propuesta.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Engelbrecht R. K4Health. Knowledge for Health. Integrating EHR and Knowledge for better health care. Status of the EoI and work items. EUROREC. Berlin. 13-14 December.

Brau, B., et al., Extensible Markup Language (XML) 1.0., in W3C Recommendation. 1998.

C.D., M., Raghan, P. & Schütze, H. Introduction to Information Retrieval. 2008. Cambridge University Press.

Zwaanswijk, M., R. A. Verheij, F. J. Wiesman y R. D. Friele. Benefits and problems of electronic information exchange as perceived by health care professionals: an interview study. BMC Health Services Research, 11:256. Doi:10.1186/1472-6963-11-256. (2011)

Dalamagas, T., Cheng, T., Winkel, K.-J. & Sellis, T. A Methodology for Clustering XML Documents by Structure. Information Systems (2006).

Dick R. S., Oteen E. B., Detmer D. E. (eds). The computer-based patient record: An essential technology for health care. Revised Edition Washington, D.C.: The National Academy Press. 1997. Capítulo 2. p. 74-99. http://books.nap.edu/books/0309055326/html/R1.html.

Gervas J. La historia clínica electrónica: muchas promesas y pocos hechos. Aten Primaria. 2008;40(Supl 1):13

Guerrini, G., M. Mesiti, and I. Sanz, An Overview of Similarity Measures for Clustering XML Documents. 2006.

Wilde, E. and R.J. Glushko, XML fever. Comm. ACM, 2008. 51(7): p. 40-46. doi: 10.1145/1364782.1364795

Wang, G., et al., RPE query processing and optimization techniques for XML databases. J. Comput. Sci. Technol., 2004. 19(2): p. 224-237.

Bertino, E. and E. Ferrari, XML and data integration. IEEE Internet Comput., 2001. 5(6): p. 75-76. doi: 10.1109/4236.968835

Algergawy, A., et al., XML Data Clustering: An Overview, in ACM Computing Surveys. 2011. doi: 10.1145/1978802.1978804

Kruse, R., C. Doring, and M.-J. Lesor, Fundamentals of Fuzzy Clustering, in Advances in Fuzzy Clustering and its Applications, J.V.d. Oliveira and W. Pedrycz, Editors. 2007, John Wiley and Sons: Est Sussex, England. p. 3-27.

Ji, T., X. Bao, and D. Yang, FXProj – A Fuzzy XML Documents Projected Clustering Based on Structure and Content. LNAI 7120, 2011: p. 406-419.

Yousuke, W., K. Hidetaka, and Y. Haruo, Similarity search for office XML documents based on style and structure data. International Journal of Web Information Systems., 2013. 9(2): p. 100-117. doi: 10.1108/IJWIS-03-2013-0005

Kaufman, L. and P.J. Rousseeuw, Finding groups in data: an introduction to cluster analysis. Wiley Series in probability and mathematical statistics. 1990: John Wiley and Sons.

Martín, C. 2007. Aprendizaje Automático Y Minería De Datos Con Modelos Gráficos Probabilísticos. DEA, Universidad De Granada.

Tekli, J.M. and R. Chbeir, A Novel XML Document Structure Comparison Framework based-on Subtree Commonalities and Label Semantics. Elsevier, 2011. 11(2011). doi: 10.1016/j.websem.2011.10.002

Pinto, D., M. Tovar, and D. Vilarino. BUAP: Performance of K-Star at the INEX’09 Clustering Task. in INEX 2009 Workshop Pre-proceedings. 2009. Woodlands of Marburg, Ipswich, Queensland, Australia. doi: 10.1007/978-3-642-14556-8 43

Vries, C. et al. (2011). Overview of the INEX 2010 XML mining track: clustering and classification of XML documents, in Lecture Notes in Computer Science, Springer: Amsterdam.

Kurgan, L., W. Swiercz, and K.J. Cios. Semantic mapping of xml tags using inductive machine learning. in 11th International Conference on Information and Knowledge Management. 2002. Virginia, USA.

Shin, K. and S.Y. Han, Fast clustering algorithm for information organization., in In: Proc. of the CICLing Conference. 2003, Lecture Notes in Computer Science. Springer Verlag (2003). p. 619–622. doi: 10.1007/3-540-36456-0 69

MacQueen, J.B., Some methods for classification and analysis of multivariate observations, in Proc. 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967: Berkeley, University of California. p. 281-297.

Sim I., Gorman P., Greenes R. A., Haynes R. B., Kaplan B., Lehmann H., Tang P. C. Clinical decision support systems for the practice of evidence-based medicine. J. Am Med Inform Assoc 2001; 8: 527-34.

Xiong, H., J. Wu, and J. Chen. K-means clustering versus validation measures: a data distribution perspective. in Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD 2006). 2006. Philadelphia, PA, USA: ACM Press. doi: 10.1109/TSMCB.2008.2004559

Costa, G., et al., Hierarchical clustering of XML documents focused on structural components. Data & Knowledge Engineering. 2013. 84: p. 26-46. doi: 10.1016/j.datak.2012.12.002

Magdaleno, D., I.E. Fuentes, and M.M. García, Clustering XML Documents using Structure and Content Based in a Proposal Similarity Function (OverallSimSUX). Computación y Sistemas, 2015.

Descargas

Publicado

2024-03-19

Cómo citar

[1]
Fuentes, I.E. et al. 2024. Metodología para asistir la toma de decisiones diagnóstica a partir del descubrimiento del conocimiento implícito en Historias Clínicas. Ciencias matemáticas. 29, 2 (mar. 2024), 99–105.

Número

Vol. 29 Núm. 2: Diciembre, 2015

Sección

Artículo Original

Licencia

Derechos de autor 2015 Ciencias Matemáticas

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Esta licencia permite copiar y redistribuir el material en cualquier medio o formato bajo los siguientes términos: se debe dar crédito de manera adecuada, no se puede hacer uso del material con propósitos comerciales, y si remezcla, transforma o crea a partir del material, no podrá distribuir el material modificado. Bajo la licencia mencionada, los autores mantienen los derechos de autor de su trabajo.