Un estudio publicado recientemente por la revista Cell Reports Medicine revela que un modelo de machine learning que combine expedientes médicos electrónicos estructurados con notas clínicas consigue mejorar la predicción de crisis de salud mental respecto a los sistemas que  utilizan solo una de estas fuentes de datos. Se trata de un extenso estudio de ocho años de duración, llevado a cabo por Koa Health, proveedor de soluciones digitales de salud mental, en el que ha participado Roger Garriga, investigador del Departamento de Tecnologías de la Información y las Comunicaciones (DTIC) de la UPF. Garriga, también Lead Data Scientist de Koa Health, es el  autor principal del artículo publicada por Cell Reports Medicine.

El equipo de investigación ha monitorizado cerca 59.750 historiales anonimizados de pacientes, con el objetivo principal de predecir las crisis de salud mental en un marco temporal de 28 días. El estudio destaca la importancia de incorporar diversos tipos de datos para mejorar las predicciones. La combinación de datos estructurados y cuantitativos, como los datos demográficos y los datos diagnósticos; con datos cualitativos de las notas clínicas, que aportan un contexto subjetivo del estado de salud mental del paciente, afinan la exactitud de la predicción de crisis de salud mental.

La salud mental, un reto creciente para los sistema sanitarios

Una crisis de salud mental se define como cualquier situación en la que el paciente sea incapaz de funcionar con normalidad en su comunidad o en la que exista cualquier riesgo de hacerse daño a sí mismo o a otros individuos. Este tipos de crisis siguen suponiendo un gran reto para los sistemas de salud a nivel mundial. Con un aumento consistente en la demanda de servicios de salud mental y unos recursos cada vez más escasos, es esencial encontrar una manera de maximizar las técnicas efectivas de predicción.  

Una predicción más exacta de crisis de salud mental, como la que aporta este estudio, puede ayudar a los proveedores de servicios de salud mental y a los sistemas sanitarios en general a fomentar resultados positivos, optimizar la asignación de recursos, facilitar las intervenciones en el momento en que se requieren, consiguiendo salvar vidas y ayudando a que las personas con dificultades no dejen de recibir en ningún momento la atención que necesitan.

Roger Garriga (DTIC UPF y Koa Health): “Los modelos predictivos ofrecen la oportunidad de mejorar el proceso de toma de decisiones clínicas y facilitar intervenciones a tiempo enfocadas hacia la prevención. Esto supondría una transición del paradigma reactivo actual a un enfoque proactivo"

Roger Garriga, investigador del DTIC de la UPF y Lead Data Scientist en Koa Health, explica: “Las crisis de salud mental pueden tener un impacto profundo en el bienestar mental y social de los individuos que las sufren. Los modelos predictivos ofrecen la oportunidad de mejorar el proceso de toma de decisiones clínicas y facilitar intervenciones a tiempo enfocadas hacia la prevención. Esto supondría una transición del paradigma reactivo actual a un enfoque proactivo. Nuestro estudio demuestra la efectividad de las notas clínicas para predecir crisis de salud mental y subraya los beneficios de combinar de manera efectiva dichas notas con expedientes médicos electrónicos estructurados, con mejores resultados.” Garriga está vinculado al Artificial Intelligence and Machine Learning group del DTIC de la UPF.

El Dr. Oliver Harrison, CEO de Koa Health, añade: “El acceso a la atención para la salud mental sigue siendo un gran reto a nivel mundial. Demasiado a menudo, los servicios de salud mental son reactivos -gestionando crisis en urgencias, en vez de proactivos- detectando problemas antes de tiempo y evitando esas crisis. Añadiendo a nuestro trabajo en la publicación en la revista Nature Medicine del año pasado, esta investigación demuestra que el análisis de la combinación de notas clínicas y expedientes médicos electrónicos estructurados puede dar lugar a unas predicciones más robustas. Esto a su vez aporta una mayor esperanza de prevenir estas crisis, lo que evitaría sufrimiento a personas y un coste muy alto.”

João Guerreiro, Senior Applied Scientist en Koa Health, expone: “Hay una falta de claridad en torno a la estandarización de la toma de notas clínicas. En vista de esto, nuestro estudio introduce métodos para abordar tanto los retos de distintos estilos personales de doctores a la hora de tomar notas y también distintos volúmenes de notas clínicas por paciente. Nuestra investigación destaca la importancia de escoger un método de machine learning adecuado para tener en cuenta los sesgos que surgen cuando los casos más severos tienen un mayor volumen de notas, además del reto de combinar fuentes de datos estructuradas y no estructuradas.”

El Dr. Aleksandar Matic, Director de Investigación y Desarrollo en Koa Health, concluye : “A pesar de que los expedientes médicos electrónicos estructurados se están convirtiendo en un estándar, las notas clínicas siguen siendo una fuente de datos predominante en gran parte de los sistemas de salud. Nuestro estudio supone un hito, porque llama a una integración de ambos tipos de información con el fin de poder intervenir de manera preventiva. Si se combinan ambos modelos, se podrá desbloquear el potencial de revolucionar la toma de decisiones clínicas y mejorar los resultados en la prevención de crisis de salud mental.”

Artículo de referencia:

Roger Garriga, Teodora Sandra Buda, João Guerreiro, Jesús Omaña Iglesias, Iñaki Estella Aguerri, Aleksandar Matić. Combining clinical notes with structured electronic health records enhances the prediction of mental health crises. Cell Reports Medicine, 2023, 101260, ISSN 2666-3791, https://doi.org/10.1016/j.xcrm.2023.101260.