Un estudi publicat recentment per la revista Cell Reports Medicine revela que un model de machine learning que combini expedients mèdics electrònics estructurats amb notes clíniques aconsegueix millorar la predicció de crisi de salut mental respecte als sistemes que utilitzen només una d'aquestes fonts de dades. Es tracta d'un extens estudi de vuit anys de durada, dut a terme per Koa Health, proveïdor de solucions digitals de salut mental, en què ha participat Roger Garriga, investigador del Departament de Tecnologies de la Informació i les Comunicacions (DTIC) de la UPF. Garriga, també Lead Data Scientist de Koa Health, és l'autor  principal de l'article publicada per Cell Reports Medicine.

L'equip de recerca ha monitoritzat prop de 59.750 historials anonimitzats de pacients, amb l'objectiu principal de predir les crisis de salut mental en un marc temporal de 28 dies. L'estudi destaca la importància d'incorporar diversos tipus de dades per a millorar les prediccions. La combinació de dades estructurades i quantitatives, com les dades demogràfiques i les dades diagnòstiques; amb dades qualitatives de les notes clíniques, que aporten un context subjectiu de l'estat de salut mental del pacient, afinen l'exactitud de la predicció de crisi de salut mental.

La salut mental, un repte creixent per als sistema sanitaris

Una crisi de salut mental es defineix com a qualsevol situació en què un pacient sigui incapaç de fer vida normal en la seva comunitat o què hi hagi risc que es faci mal a si mateix o a d’altres persones. Aquest tipus de crisi continuen suposant un gran repte per als sistemes de salut a nivell mundial. Amb un augment consistent en la demanda de serveis de salut mental i uns recursos cada vegada més escassos, és essencial trobar una manera de maximitzar les tècniques efectives de predicció.

Una predicció més exacta de les crisi de salut mental, com la que aporta aquest estudi, pot ajudar als proveïdors de serveis de salut mental i als sistemes sanitaris en general a fomentar resultats positius, optimitzar l'assignació de recursos, facilitar les intervencions en el moment en què es requereixen, aconseguint salvar vides i ajudant perquè les persones amb dificultats no deixin de rebre en cap moment l'atenció que necessiten.

Roger Garriga (DTIC UPF i Koa Health): “Els models predictius ofereixen l'oportunitat de millorar el procés de presa de decisions clíniques i faciliten que es facin les intervencions a temps enfocades cap a la prevenció. Això suposaria una transició del paradigma reactiu actual a un enfocament proactiu”

Roger Garriga, investigador del DTIC de la UPF i Lead Data Scientist a Koa Health, explica: “Les crisis de salut mental poden tenir un impacte profund en el benestar mental i social dels individus que les pateixen. Els models predictius ofereixen l'oportunitat de millorar el procés de presa de decisions clíniques i facilitar intervencions a temps enfocades cap a la prevenció. Això suposaria una transició del paradigma reactiu actual a un enfocament proactiu. El nostre estudi demostra l'efectivitat de les notes clíniques per predir crisis de salut mental i subratlla els beneficis de combinar de manera efectiva aquestes notes amb expedients mèdics electrònics estructurats, amb millors resultats.” Garriga està vinculat al Artificial Intelligence and Machine Learning group del DTIC de la UPF.

El Dr. Oliver Harrison, CEO de Koa Health, afegeix: “L'accés a l'atenció per a la salut mental continua sent un gran repte a nivell mundial. Massa sovint, els serveis de salut mental són reactius -gestionant crisis en urgències, en comptes de proactius- detectant problemes abans d'hora i evitant aquestes crisis. Complementant el nostre treball divulgat a la revista Nature  Medicine l'any passat, aquesta recerca demostra que l'anàlisi de la combinació de notes clíniques i expedients mèdics electrònics estructurats pot donar lloc a unes prediccions més robustes. Això al seu torn aporta una major esperança de prevenir aquestes crisis, la qual cosa evitaria patiment a les persones i un cost molt alt.”

João Guerreiro, Sènior Applied Scientist a Koa Health, exposa: “Hi ha una falta de claredat entorn de l'estandardització de la presa de notes clíniques. En vista d'això, el nostre estudi introdueix mètodes per abordar tant els reptes de diferents estils personals de doctors a l'hora de prendre notes i també diferents volums de notes clíniques per pacient. La nostra recerca destaca la importància de triar un mètode de machine learning adequat per a tenir en compte els biaixos que sorgeixen quan els casos més severs tenen un major volum de notes, a més del repte de combinar fonts de dades estructurades i no estructurades.”

Dr. Aleksandar Matic, Director de Recerca i desenvolupament a Koa Health, conclou: “Malgrat que els expedients mèdics electrònics estructurats s'estan convertint en un estàndard, les notes clíniques continuen sent una font de dades predominant en gran part dels sistemes de salut. El nostre estudi suposa una fita, perquè crida a una integració de tots dos tipus d'informació amb la finalitat de poder intervenir de manera preventiva. Si es combinen tots dos models, es podrà desbloquejar el potencial de revolucionar la presa de decisions clíniques i millorar els resultats en la prevenció de les crisis de salut mental.”

Article de referència:

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.