Entrades classificades amb: Salut

Publicada 4a edició de l’extensió catalana de SNOMED CT

Leer en castellano

El passat 16 de desembre es va publicar la 4a edició de l’extensió catalana de SNOMED CT que està basada en les versions internacionals INT del 31-07-2014, en l’ES-ARG del 30-10-2014 i en l’extensió espanyola de SNOMED CT del 31-07-2014. Aquesta versió de l’extensió conté:

  • 38 Subconjunts.
  • 2403 conceptes.
  • 5284 descripcions.
  • 3953 relacions.
  • 11904 registres al mecanisme d’historial.

Aquests components i mecanismes s’han creat per respondre a les necessitats dels següents dominis del Diccionari Clínic per iSalut:

  • Al·lèrgies. !nova versió
  • Anatomia patològica. !nova versió
  • Escales de valoració de pacients crònics.
  • Grups de profesionals. !nova versió
  • Immunitzacions actives i passives. !nova versió
  • Informe d’espirometria.
  • Informe de cribratge de càncer de mama. !nou domini
  • Notificació de reaccions adverses a immunitzacions. !nou domini
  • Oftalmologia. !nou domini
  • Prestacions. !nova versió
  • Variables Clíniques. !nou domini
  • WiFIS. !nou domini

El mateix dia 16 també es va publicar una nova versió del subconjunt de proves comparables de LOINC.

L’extensió catalana de SNOMED CT, així com les versions internacionals INT i ES-ARG es poden descarregar des de l’àrea de descàrrega de SNOMED CT del web de l’OFSTI.

Llegir en català

El pasado día 16 de Diciembre se publicó la 4a edición de la extensión catalana de SNOMED CT que está basada en las versiones internacionales INT del 31-07-2014, en la ES-ARG del 30-10-2014 y en la extensión española de SNOMED CT del 31-07-2014. Esta versión de la extensión contiene:

  • 38 Subconjuntos.
  • 2403 conceptos.
  • 5284 descripciones.
  • 3953 relaciones.
  • 11904 registros en el mecanismo de historial.

Estos componentes y mecanismos se han creado como respuesta a las necesidades de los siguientes dominios del Diccionario Clínico para iSalut:

  • Alergias. !nueva versión
  • Anatomía patológica. !nueva versión
  • Escalas de valoración de pacientes crónicos.
  • Grupos de profesionales. !nueva versión
  • Inmunizaciones activas y pasivas. !nueva versión
  • Informe de espirometría.
  • Informe de cribado de cáncer de mama. !nueva versión
  • Notificación de reacciones adversas a inmunizaciones. !nuevo dominio
  • Oftalmología. !nuevo dominio
  • Prestaciones. !nuevo dominio
  • Variables Clínicas. !nuevo dominio
  • WiFIS. !nuevo dominio

El mismo día 16 se publicó una nueva versión del subconjunto de pruebas comparables de LOINC.

La extensión catalana de SNOMED CT, junto con las versiones internacionales INT y ES-ARG se pueden descargar des del área de descarga de SNOMED CT de la web de la OFSTI.

This post is only available in Catalan and Spanish:
Llegir en català (Read it in Catalan)
Leer en castellano (Read it in Spanish)

Publicada una nova experiència de SNOMED CT per a la monitorització de nadons prematurs

Leer en castellano
Read It in English

S’ha publicat una nova experiència que ens arriba de mans del Institut d’Investigació Biomèdica de Girona i de la Universitat de Girona, a través de la participació en el projecte Europeu MoSHCA.

El resultat d’aquesta investigació conclou en el desenvolupament d’un subconjunt de SNOMED CT que inclou tot un conjunt de variables noves usades en la monitorització de nadons prematurs. Es preveu que de cara al 2015 es puguin incloure totes aquestes noves variables a SNOMED CT.

Gràcies a la capacitat expressiva de SNOMED CT possibilita realitzar un tractament semàntic de les dades en eines basades en intel•ligència artificial, eines que incorpora una aplicació dissenyada per proporcionar suport en la pressa de decisions del personal clínic i recomanacions proporcionades al pacient.. Quant a l’aplicatiu de monitorització que utilitza el subconjunt (NOAH), durant el 2014 s’han fet proves de concepte a l’Hospital Dr. Josep Trueta que han resultat satisfactòries.

Més enllà d’aquest estudi, es preveu ampliar l’investigació en estudir quin impacte té l’utilització d’apps en SNOMED CT dins l’atenció primària. I també de cara a l’any vinent s’espera ampliar les proves realitzades a altres hospitals de Barcelona.


Apartat experiències SNOMED CT

Llegir en català
Read It in English

 

Se ha publicado una nueva experiencia que nos llega de manos del Instituto de Investigación Biomédica de Gerona y de la Universidad de Gerona, a través de la participación en el proyecto Europeo MoSHCA.

El resultado de esta investigación concluye con el desarrollo de un subconjunto de SNOMED CT que incluye todo un conjunto de variables nuevas usadas en la monitorización de bebés prematuros. Se prevé que de cara al 2015 se puedan incluir todas éstas nuevas variables a SNOMED CT.

Gracias a la capacidad expresiva de SNOMED CT posibilita realizar un tratamiento semántico de datos en herramientas basadas en inteligencia artificial, herramientas que incorpora una aplicación diseñada para proporcionar soporte a la toma de decisiones del personal clínico y recomendaciones proporcionadas al paciente. En cuanto al aplicativo de monitorización que utiliza el subconjunto (NOAH), durante el 2014 se han realizado pruebas de concepto al Hospital Dr. Josep Trueta que han resultado satisfactorias.

Más allá de este estudio, se prevé ampliar la investigación en estudiar qué impacto tiene la utilización de apps en SNOMED CT dentro de la atención primaria. Y también de cara al año que viene se espera ampliar las pruebas realizadas a otros hospitales de Barcelona.


Apartado experiencias SNOMED CT

This post is only available in Catalan and Spanish:
Llegir en català (Read it in Catalan)
Leer en castellano (Read it in Spanish)

El CCI participa al WHO-FIC meeting

Leer en castellano
Read It in English

El Centre de Competències d’Integració va participar al WHO-FIC Meeting (World Health Organization-Family of International Classifications), organitzat per l’AQUAS (Agència de Qualitat i Avaluació Sanitàries) i que es va celebrar a Barcelona del 11 al 17 d’octubre.

El congrés es va organitzar en dues parts: del 11 al 15 d’octubre es van realitzar dues reunions internes de cada grup de treball entorn les FIC (mortalitat, educació i implementació, desenvolupament, informàtica i terminologia, actualització i revisió, etc.) i dijous i divendres es van fer sessions obertes de resum de la tasca feta durant l’any i plantejament del vinent. També hi va haver un espai d’exposició de pòsters, així com una sessió d’experiències locals (de Catalunya) i una altra d’iberoamericanes.

El CCI va presentar un pòster sobre el Diccionari Clínic per iSalut i un altre sobre l’ús de servidors terminològics des de les Estacions Clíniques de Treball (ECT). Els servidors terminològics són eines específicament dissenyades per treballar amb vocabularis controlats, els seus components (conceptes, descripcions i relacions) i mecanismes (subconjunts, mapejos, extensions i expressions post-coordinades), de manera que permeten representar-los, cercar-los, editar-los, distribuir-los, etc. Aquestes eines també presenten una sèrie de serveis (web) que es poden consumir des de les ECT per codificar la informació que s’hi recull sense que el professional assistencial hagi de treballar directament amb codis. Des del CCI s’ha desenvolupat una ECT simulada que permet veure com s’utilitzen els serveis web del servidor terminològic ITServer d’Indizen per registrar diferents tipus d’informació com les immunitzacions, reaccions adverses, antecedents, etc.

El pòster sobre el Diccionari Clínic per iSalut va ser triat com a un dels millors i a ser presentat en una breu comunicació. El grup també va participar a la taula d’experiències locals explicant més en detall el projecte Diccionari Clínic per iSalut.

A continuació es mostra el material presentat al congrés:

Pòster sobre l’ús de servidors terminològics des de les ECT

Pòster sobre el Diccinari Clínic per iSalut

Presentació del projecte Diccionari Clínic per iSalut

Llegir en català
Read It in English

El Centro de Competencias de Integración participó en el WHO-FIC Meeting (World Health Organization-Family of International Classifications), organizado por la AQUAS (Agencia de Calidad y Evaluación Sanitarias) y que se celebró en Barcelona del 11 al 17 de octubre.

El congreso se organizó en dos partes: del 11 al 15 de Octubre se realizaron dos reuniones internas de cada grupo de trabajo entorno las FIC (mortalidad, educación e implementación, desarrollo, informática y terminología, actualización y revisión, etc.) y el jueves y el viernes se hicieron sesiones abiertas de resumen de la actividad llevada a cabo durante el año y planteamiento del que viene. También hubo un espacio de exposición de pósteres, así como una sesión de experiencias locales (de Cataluña) y otra de iberoamericanas.

El CCI presentó un poster sobre el Diccionario clínico para iSalut y otro sobre el uso de servidores terminológicos des de las Estaciones Clínicas de Trabajo (ECT). Los servidores terminológicos son herramientas específicamente diseñadas para trabajar con vocabularios controlados, sus componentes (conceptos, descripciones y relaciones) y mecanismos (subconjuntos, mapeos, extensiones y expresiones post-coordinadas), de manera que permiten representarlos, buscarlos, editarlos, distribuirlos, etc. Estas herramientas también presentan una serie de servicios (web) que se pueden consumir des de las ECT para codificar la información que se recoge sin que el profesional asistencial tenga que trabajar directamente con códigos. Des del CCI se ha desarrollado una ECT simulada que permite ver cómo se utilizan los servicios web del servidor terminológico ITServer de Indizen para registrar diferentes tipos de información como las inmunizaciones, reacciones adversas, antecedentes, etc.

El poster sobre el Diccionario Clínico para iSalut se eligió como uno de los mejores y para ser presentado en una breve comunicación. El grupo también participó en la mesa de experiencias locales explicando más en detalle el proyecto Diccionario Clínico para iSalut.

A continuación se muestra el material presentado en el congreso:

Poster sobre el uso de servidores terminológicos desde las ECT

Poster sobre el Diccionario Clínico para iSalut

Presentación del proyecto Diccionario Clínico para iSalut

Llegir en català
Leer en castellano

The Centre of Competencies in Integration has participated in the WHO-FIC Meeting (World Health Organization-Family of International Classifications), organized by AQUAS (Agency of Health Quality and Evaluation) that was held in Barcelona from 11 to 17 of October.

The congress was organized in two parts: from 11 to 15 of October two internal meetings were realized of every work group regarding FIC (mortality, education and implementation, development, informatics and terminology, updated and revision, etc.) and on Thursday and Friday open sessions were done summarizing the work done during the year and the approach for the future one. It was also a space to expose the presented posters, as well as a session about local experiences (from Catalonia) and another of iberoamerican ones.

CCI presented a poster about the Clinical Dictionary for iSalut (eHealth) and another one regarding the use of terminology servers from Clinical Work Stations (CWS). Terminology servers are tools specially designed to work with controlled vocabularies, their components (concepts, descriptions and relationships) and mechanisms (subsets, mappings, extensions and post-coordinated expressions), as they allow us to search, represent, edit, distribute, etc. it. These tools also present (web) services that can be used from CWS to encode the recorded information without been necessary for physician to work with codes. In CCI we have developed a simulated CWS that shows how to use the web services from the ITServer of Indizen terminology server to record different kinds of information like immunizations, adverse reactions, history and past illness, etc.

The poster about the Clinical Dictionary for iSalut was selected as one of the bests and to be presented in a short communication. CCI also participated in the local experiences round table presenting the project of Clinical Dictionary in more detail.

The presented material is presented below:

Poster about the use of terminology servers from CWS

Poster about the Clinical Dictionary for iSalut

Slides about the Clinical Dictionary for iSalut project

Aplicació d’Intel·ligència Artificial en el reconeixement de la Llengua de signes catalana

Leer en castellano
Read It in English

En aquesta entrada s’explica breument la recerca realitzada per estudiar mecanismes per al reconeixement de la llengua de signes a partir d’imatges.

Aquest projecte es va plantejar degut a que des del CCI es vol potenciar la utilització de la intel·ligència artificial per aconseguir beneficis en àmbits relacionats amb la salut. En una societat on cada dia s’aposta més per la integració de les persones amb discapacitat i on la tecnologia cada dia és més present, es considera que cal cercar formes d’aprofitar-la per aquest fi.

En aquest projecte a més d’estudiar les possibilitats en l’àrea del reconeixement de la llengua de signes, es va realitzar una eina per facilitar l’aprenentatge i la millora en l’ús de la llengua de signes catalana (LSC). Aquesta eina permet fer una demostració d’una de les possibles aplicacions que podria tenir aquest algoritme. Addicionalment podria tenir moltes altres aplicacions, com per exemple un traductor per mòbils amb càmera que permetés la comunicació amb persones no familiaritzades amb la LSC.

Un dels punts claus en un sistema de reconeixement d’imatge és el sistema de captura d’aquestes. La tecnologia escollida és el dispositiu Kinect desenvolupat per Microsoft mitjançant el qual es capturen els signes duts a terme per l’usuari. El procés de captura es duu a terme utilitzant la càmera de profunditat que inclou Kinect. A més de capturar la profunditat, gràcies a la càmera d’infrarojos permet una major independència de la il·luminació disponible tant en la captura d’imatges d’entrenament com en la fase d’explotació.

Quan Kinect retorna la imatge de profunditat, imatge on es representa la profunditat amb diferents colors, aquesta es binaritza. Aquest procés consisteix en que si el valor d’un píxel supera el llindar el píxel serà d’un color (blanc o negre) i si no el supera serà de l’altre color. D’aquesta manera es pot separar les mans del fons.

Posteriorment la imatge binaritzada ha de passar un sistema de preselecció que s’encarrega de descartar les lletres que no coincideixin en orientació i nombre de vèrtexs amb la imatge d’entrada.

Després de la preselecció s’inicia l’algoritme d’agrupament Knn sobre les lletres preseleccionades, aquest algoritme utilitza dos paràmetres que són l’àrea de la mà segmentada en quatre porcions i el perímetre de la mà. L’algoritme Knn determina la lletra que ha realitzat l’usuari, comparant el valor dels dos marcadors de la mostra realitzada per l’usuari amb les mostres d’entrenament que té l’aplicació.

A la següent imatge es representa de forma resumida aquest procés.

L’algoritme de clustering Knn consta de dues parts. Prèviament a la fase d’explotació del algoritme es necessari realitzar una fase d’entrenament en la que es defineixen els clústers que corresponen a cadascuna de les lletres.

Per generar aquests clústers es proporciona a l’algoritme un conjunt d’imatges de mostra  etiquetades amb la lletra a que es corresponen. Les mostres d’entrenament són imatges dels signes realitzades per un grup de persones de diferents edats, sexes i races. En base a l’àrea segmentada de la mà i el perímetre d’aquesta es situen les mostres en l’espai formant els diferents clústers.

En la fase d’explotació inicialment es calcula el valor dels marcadors de la mostra a reconèixer per poder situar la nova mostra dins l’espai de mostres d’entrenament.

A continuació es calcula la distància euclidiana de la mostra a reconèixer amb totes les mostres d’entrenament utilitzant els valors dels marcadors dividits entre la seva variança per tal d’igualar el seu pes. Es necessari dividir els marcadors entre la variança per evitar que els de major variabilitat tinguin un pes major a l’algoritme.

Seguidament cal obtenir el conjunt de les K mostres d’entrenament amb major similitud i determinar quina lletra té un major nombre d’ocurrències. La lletra predominant és el resultat del reconeixement. Es a dir s’obté les mostres que estan més properes en l’espai a la imatge que es vol reconèixer, suposant que aquestes pertanyen a la mateixa lletra.

Per últim el procés de Knn es repeteix 25 vegades per signe, a partir de 50 imatges del signe realitzat, agafades no consecutivament per reduir l’efecte de possibles errors de captura. A aquestes 25 imatges es comprova que com a mínim hi hagi una lletra que hagi estat seleccionada pel Knn més cops que el valor definit pel marge d’acceptació, en cas contrari s’informa que el reconeixement ha fallat. El valor òptim del marge d’acceptació s’ha considerat de quinze, mitjançant proves empíriques amb diferents persones utilitzant l’aplicació.

Llegir en català
Read It in English

En esta entrada se explica brevemente la investigación realizada para estudiar mecanismos para el reconocimiento de la lengua de signos a partir de imágenes.

Este proyecto se planteó debido a que desde el CCI se quiere potenciar la utilización de la inteligencia artificial para conseguir beneficios en ámbitos relacionados con la salud. En una sociedad donde cada día se apuesta más por la integración de las personas con discapacidad y donde la tecnología cada día es más presente, se considera que hay que buscar formas de aprovecharla por este fin.

En este proyecto además de estudiar las posibilidades en el área del reconocimiento de la lengua de signos, se realizó una herramienta para facilitar el aprendizaje y la mejora en el uso de la lengua de signos catalana (LSC). Esta herramienta permite hacer una demostración de una de las posibles aplicaciones que podría tener este algoritmo. Adicionalmente podría tener otras muchas aplicaciones, como por ejemplo un traductor para móviles con cámara que permitiera la comunicación con personas no familiarizadas con la LSC.

Uno de los puntos claves en un sistema de reconocimiento de imagen es el sistema de captura de estas. La tecnología escogida es el dispositivo Kinect desarrollado por Microsoft mediante el cual se capturan los signos llevados a cabo por el usuario. El proceso de captura se realiza utilizando la cámara de profundidad que incluye Kinect. Además de capturar la profundidad, gracias a la cámara de infrarrojos permite una mayor independencia de la iluminación disponible tanto en la captura de imágenes de entrenamiento como en la fase de explotación.

Cuando Kinect devuelve la imagen de profundidad, imagen donde se representa la profundidad con diferentes colores, esta se binariza. Este proceso consiste en que si el valor de un píxel supera el umbral definido el píxel será de un color (blanco o negro) y si no lo supera será del otro color. De este modo se puede separar las manos del fondo.

Posteriormente la imagen binarizada tiene que pasar un sistema de preselección que se encarga de descartar las letras que no coincidan en orientación y número de vértices con la imagen de entrada.

Después de la preselección, se inicia el algoritmo de agrupamiento Knn sobre las letras preseleccionadas, este algoritmo utiliza dos parámetros que son el área de la mano segmentada en cuatro porciones y el perímetro de la mano. El algoritmo Knn determina la letra que ha realizado el usuario, comparando el valor de los dos marcadores de la muestra realizada por el usuario con las muestras de entrenamiento que tiene la aplicación.

En la siguiente imagen se representa de forma resumida este proceso.

El algoritmo de clustering Knn consta de dos partes. Previamente a la fase de explotación del algoritmo es necesario realizar una fase de entrenamiento en la que se definen los clústeres que corresponden a cada una de las letras.

Para generar estos clústeres se proporciona al algoritmo un conjunto de imágenes de muestra etiquetadas con la letra a que se corresponden. Las muestras de entrenamiento son imágenes de los signos realizadas por un grupo de personas de diferentes edades, sexos y razas. En base al valor del área segmentada de la mano y el perímetro de esta se sitúan las muestras en el espacio formando los diferentes clústeres.

En la fase de explotación inicialmente se calcula el valor de los marcadores de la muestra a reconocer para poder situar la nueva muestra dentro del espacio de muestras de entrenamiento.

A continuación se calcula la distancia euclídea de la muestra a reconocer con todas las muestras de entrenamiento utilizando los valores de los marcadores divididos entre su varianza para igualar su peso. Es necesario dividir los marcadores entre la varianza para evitar que los de mayor variabilidad tengan un peso mayor en el algoritmo.

Seguidamente hay que obtener el conjunto de las K muestras de entrenamiento con mayor similitud y determinar qué letra tiene un mayor número de ocurrencias. La letra predominante es el resultado del reconocimiento. Es decir se obtiene las muestras que están más cercanas en el espacio a la imagen que se quiere reconocer, suponiendo que estas pertenecen a la misma letra.

Por último el proceso de Knn se repite 25 veces por signo, a partir de 50 imágenes del signo realizado, cogidas no consecutivamente para reducir el efecto de posibles errores de captura. En estas 25 imágenes se comprueba que como mínimo haya una letra que haya sido seleccionada por el Knn más veces que el valor definido por el margen de aceptación, en caso contrario se informa que el reconocimiento ha fallado. El valor óptimo del margen de aceptación se ha considerado de quince, mediante pruebas empíricas con diferentes personas utilizando la aplicación.

This post is only available in Catalan and Spanish:
Llegir en català (Read it in Catalan)
Leer en castellano (Read it in Spanish)

Publicada nova experiència de mans de l’ICS pel subconjunt d’immunitzacions al eCAP

Leer en castellano
Read It in English

Tenim una nova experiència que ens arriba de mans de l’ICS (Institut Català de la Salut). A finals d’aquest any tindran incorporat el subconjunt d’immunitzacions de SNOMED CT a l’estació clínica de treball d’atenció primària (eCAP).

Aquest canvi afectarà a tots els centres que utilitzen el sistema d’estació de treball eCAP, i en un futur proper també s’implantarà a l’atenció hospitalària.

Paral·lelament, s’està treballant perquè amb la incorporació d’aquest nou mòdul, pugui ser una primera experiència de publicació d’immunitzacions a l’HC3 amb SNOMED CT.


Apartat experiències SNOMED CT

Llegir en català
Read It in English

Tenemos una nueva experiencia que nos llega de manos del ICS (Institut Català de la Salut). A finales de este año tendrán incorporado el subconjunto de inmunizaciones de SNOMED CT a la estación clínica de trabajo de atención primaria (eCAP).

Este cambio afectará a todos los centros que utilicen el sistema de estación de trabajo eCAP, y en un futuro cercano también se implantará en la atención hospitalaria.

Paralelamente, se está trabajando por que con la incorporación de este nuevo módulo, pueda ser una primera experiencia de publicación de inmunizaciones en la HC3 con SNOMED CT.

Apartado experiencias SNOMED CT

This post is only available in Catalan and Spanish:
Llegir en català (Read it in Catalan)
Leer en castellano (Read it in Spanish)

Inaugurat espai d’experiències SNOMED CT al bloc del CCI

Leer en castellano
Read It in English

El Centre de Competències d’Integració ha inaugurat un espai al seu bloc per compartir experiències d’adopció i ús de SNOMED CT per part dels centres proveïdors i d’altres organitzacions de l’àmbit de la salut.De moment l’espai ja compta amb l’experiència d’implantació del subconjunt d’al·lèrgies a la Història Clínica Electrònica corporativa, anomenada TESISHCE, de la Corporació de Salut del Maresme i la Selva (CSMS): Espai d’experiències SNOMED CT.

El subconjunt d’al·lèrgies va ser desenvolupat per un equip d’experts multidisciplinar al projecte Diccionari Clínic per iSalut. A l’àrea de descàrrega de SNOMED CT del web de l’OFSTI (Oficina d’estàndards i Interoperabilitat) es poden descarregar les versions internacionals de SNOMED CT, l’extensió catalana i tots els subconjunts creats pel Diccionari Clínic.

Si voleu aportar la vostra experiència al nou espai del bloc us podeu posar en contacte amb nosaltres a través de: Ariadna Rius, Responsable Línia Terminologia, Centre de Competències d’Integració de l’OFSTI, Fundació Tecnocampus, arius@tecnocampus.cat.

Llegir en català
Read It in English

El Centre de Competències d’Integració ha inaugurado un espacio en su blog dedicado a compartir experiencias de adopción y uso de SNOMED CT por parte de los centros proveedores y otras organizaciones del ámbito de la salud. De momento el espacio ya cuenta con la experiencia de implantación del subconjunto de alergias en la Historia Clínica Electrònica corporativa, TESISHCE, de la Corporación de Salud del Maresme y la Selva (CSMS): Espacio de experiencias de SNOMED CT.

El subconjunto de alergias fue desarrollado por un equipo multidisciplinar de expertos en el proyecto Diccionario Clínico para iSalut. En el área de descarga de SNOMED CT de la web de la OFSTI (Oficina de Estándares e interoperabilidad) se pueden descargar las versiones internacionales de SNOMED CT, la extensión catalana y todos los subconjuntos creados para el Diccionario Clínico.

Si queréis aportar vuestra experiencia en el nuevo espacio del blog os podéis poner en contacto con nosotros a través de: Ariadna Rius, Responsable Línea Terminología, Centro de Competencias de Integración de la OFSTI, Fundación Tecnocampus, arius@tecnocampus.cat.

This post is only available in Catalan and Spanish:
Llegir en català (Read it in Catalan)
Leer en castellano (Read it in Spanish)

Com de preparada es troba la societat actual a l’hora de compartir els seus registres mèdics i fer ús dels mitjans socials de comunicació?

Leer en castellano
Read It in English

Un estudi recent realitzat per l’empresa DC Interactive Group ens indica que l’ús de les xarxes socials i dels dispositius mòbils dins de l’àmbit sanitari ha augmentat considerablement en els últims anys.

El resum de dades de l’estudi realitzat és el següent:
– El 26% dels hospitals està participant de manera proactiva en els mitjans de comunicació (un 46% a YouTube, un 84% a Facebook, un 64% a Twitter i un 12% en Blogs).
– Un 60% dels metges afirma que les xarxes socials milloren la qualitat del servei sanitari ofert als pacients.
– Un terç dels consumidors utilitzen els portals socials tals com Facebook, Twitter, YouTube, i fòrums online per tractar temes relacionats amb la seva salut, incloent-hi la recerca d’informació mèdica, seguiment i control de símptomes, i fins i tot transmetre la seva opinió respecte a metges, medicaments, tractaments, dispositius mèdics i plans de salut.

– El 45% dels individus d’entre 45 i 64 anys compartiria informació mèdica a través dels mitjans socials.
– Més del 80% dels individus entre 18 i 24 anys afirma que compartiria informació de salut a través de les xarxes socials i gairebé el 90% confiaria en la informació allà trobada.
– Quan es pregunta amb qui confiarien més a l’hora de buscar publicacions de posts relacionats a continguts de salut, responen que confiarien en un:
o 46% en d’altres pacients que coneixen
o 25% en d’altres pacients que no coneixen
o 55% en hospitals
o 60% en metges
o 56% en infermeres
– El 41% dels consumidors afirma que les xarxes socials influeixen a l’hora d’escollir un metge, un hospital o un centre de salut.

– El 31% dels adults amb dispositius mòbils han consultat informació mèdica a través del seu dispositiu, comparat amb el 17% de fa dos anys anteriors, aquesta dada ha augmentat considerablement.
– Un de cada dos adults amb smartphone l’utilitza per consultar informació mèdica.
– El 19% dels propietaris de smartphone s’han descarregat alguna vegada una aplicació mòbil relacionada en temes de salut (les aplicacions per fer exercici, dieta, i controlar el pes són les més populars).

Aquestes dades mostren que el mercat de les aplicacions mòbils i l’ús de les xarxes socials com a mitjans de comunicació, recerca d’informació i compartició de documentació mèdica no hagi parat de créixer i fer-se més popular en els darrers anys. Les dades mostren que no només els joves són els màxims usuaris sinó que cada cop més gent de totes les edats es posa al dia en l’ús i consulta de la seva informació mèdica a través de la xarxa. Es per això que cada cop més els proveïdors sanitaris i totes les entitats relacionades en el sector salut es veuen obligades a respondre a aquesta creixent demanda i a actualitzar-se per crear, publicar i gestionar tot el contingut mèdic publicat als mitjans socials.

Llegir en català
Read It in English

Un estudio reciente realizado por la empresa DC Interactive Group nos indica que el uso de las redes sociales y de los dispositivos móviles dentro del ámbito sanitario ha aumentado considerablemente en los últimos años.

El resumen de datos del estudio realizado es el siguiente:
– El 26% de los hospitales está participando de manera proactiva en los medios de comunicación social (un 46% en YouTube, un 84% en Facebook, un 64% en Twitter y un 12% en Blogs).
– Un 60% de los médicos afirma que las redes sociales mejoran la calidad del servicio sanitario ofrecido a los pacientes.
– Un tercio de los consumidores utilizan los portales sociales tales como Facebook, Twitter, YouTube, y fórums online para tratar temas relacionados con su salud, incluyendo la búsqueda de información médica, seguimiento y control de síntomas, e incluso transmitir su opinión respecto a médicos, medicamentos, tratamientos, dispositivos médicos, y planes de salud.

– El 45% de los individuos de entre 45 y 64 años compartiría información médica a través de los medios sociales.
– Más del 80% de los individuos de entre 18 y 24 años afirma que compartiría información de salud a través de las redes sociales y casi un 90% confiaría en la información allí encontrada.
– Cuando se pregunta con quien confiarían más a la hora de buscar publicaciones relacionadas con contenidos de salud, responden que confiarían en un:
o 46% en otros pacientes que conocen
o 25% en otros pacientes que no conocen
o 55% en hospitales
o 60% en médicos
o 56% en enfermeras
– El 41% de los consumidores afirma que las redes sociales influyen a la hora de escoger un médico, un hospital o un centro de salud.

– El 31% de los adultos con dispositivos móviles han consultado información médica a través de su dispositivo, comparado con el 17% de hace dos años, éste dato ha aumentado considerablemente.
– Uno de cada dos adultos con smartphone lo utiliza para consultar información médica.
– El 19% de los propietarios de smartphone se han descargado alguna vez una aplicación móvil relacionada con temas de salud (las aplicaciones para hacer ejercicio, dieta, y controlar el peso son las más populares).

Estos datos muestran que el mercado de las aplicaciones móviles y el uso de las redes sociales como medios de comunicación, búsqueda de información y compartición de documentación médica no haya parado de crecer y hacerse más popular en los últimos años. Los datos muestran que no sólo los jóvenes son los máximos usuarios sino que cada vez más gente de todas las edades se pone al día en el uso y consulta de su información médica a través de la red. Es per eso que cada vez más proveedores sanitarios y todas las entidades relacionadas con el sector salud se ven obligadas a responder a este creciente demanda y a actualizarse para crear, publicar y gestionar todo el contenido médico publicado en los medios sociales.

Llegir en català
Leer en castellano

A survey performed by DC Interactive Group said that the use of social&Mobile in healthcare are rising considerably during last years.

An important summarize about the current tendency of this fact is shown here:
– 26% of all hospitals in the US are participating in social media (46% in YouTube, 84% in Facebook, 64% in Twitter and 12% in Blog)
– 60% of doctors say social media improves the quality of care delivered to patients.
– One-third of consumers now use social media sites such as Facebook, Twitter, YouTube, and online forums for health-related matters, including setting medical information, tracking and sharing symptoms, and broadcasting how they feel about doctors, drugs, treatments, medical devices and health plans.

– 45% of individuals 45-64 would share via social media.
– 56% would be likely to engage.
– More than half of the senior population online was ready to use the internet to manage their health care and communicate with their physicians.
– More than 80% of individuals between the ages of 18 and 24 said they were likely to share health information through social media channels and nearly 90 percent said they would trust the information they found there.
– When asked who they trust posting health-related content on social media, the following percentage of respondents said they would trust in:
o 46% other patients they know
o 25% other patients they don’t know
o 55% hospital
o 60% doctor
o 56% nurse
– What are patients sharing? Percent of respondents likely or very likely to share positive/negative experiences:
o Sharing care receives at a hospital or medical facility (44% +; 40% -)
o Sharing specific doctor, nurse of healthcare provider (42% +; 35% -)
– 41% of consumers said social media would affect their choice of a specific doctor, hospital or medical facility.

– 31% of adults with a cell phone have looked up health information on their phone compared to 17% two years ago.
– One in two of adults with a smartphone use it for health information.
– 19% of smartphone owners have at least one health app on their phone. Exercise, diet and weight apps are the most popular types.

Aplicació d’Intel·ligència Artificial en l’anàlisi de dades genètiques

Leer en castellano

En aquesta entrada us presento els primers resultats de la recerca feta amb la Universitat Oberta de Catalunya, en el Màster en Enginyeria Informàtica, i en la qual seguim treballant per ampliar els resultats obtinguts. Aquest treball és una aportació al projecte SUMMIT (Salut en les UltraMaratons i els seus líMITs), que té la finalitat de determinar si la població que practica exercici de llarga durada i alta intensitat té més risc sobre la salut que la sedentària i/o la moderadament activa.

El treball consisteix en l’anàlisi de dades genètiques; concretament s’analitza la incidència de l’esforç d’alta intensitat en la generació de lncRNA (long non-coding RiboNucleic Acid), aplicant tècniques d’Intel·ligència Artificial (IA). Els gens estan formats per segments d’ADN (Àcid Desoxiribonucleic) i ARN (Àcid Ribonucleic), els lncRNA són un tipus d’ARN força desconegut i que estudis recents estan relacionant amb l’aparició de malalties degeneratives, oncològiques i amb l’envelliment en general. L’objectiu del projecte és obtenir resultats que permetin conèixer millor aquest tipus d’ARN, ja que no té una funció clara identificada.

Per assolir aquest objectiu s’han usat tècniques de Machine Learning no supervisat, és a dir que no es comptava amb un conjunt de dades d’entrenament ni de validació perquè no existeix. I s’han aplicat a dades reals obtingudes pel projecte SUMMIT. D’entre la informació recollida, s’han utilitzat els nivells d’expressió de 28 mostres preses a una travessa per la muntanya de més de 80 km, entre les quals hi ha:

  • 16 mesures fetes abans de la travessa i 12 després.
  • 8 dones i 20 homes.
  • Mostres de persones que han completat diferents distàncies de la cursa.
  • 18 persones actives (entre 3 i 10 hores d’esport setmanals) i 10 elit (més de 10).

I de cadascuna es compta amb el nivell d’expressió de més de 53.600 probesets (proteïnes, ARN, etc.).

L’expressió genètica és el procés pel qual la informació d’un gen s’utilitza en la síntesi d’una molècula d’ARN o d’una proteïna. El nivell d’expressió és diferent per cada cèl·lula, de manera que el seu estudi permet comparar cèl·lules malaltes i sanes, amb medicació o sense, amb diferents condicions d’estrès, etc.

La imatge següent mostra els nivells d’expressió d’una de les mostres utilitzades:

Les fites concretes del treball són:

  • Analitzar la incidència de determinades característiques pròpies de l’esforç d’alta intensitat, com la distància recorreguda, el moment de la travessa o el grup d’activitat, en la generació de proteïnes i lncRNA.
  • Correlacionar nivells d’expressió de proteïnes i de lncRNA.
  • Relacionar proteïnes altament correlacionades amb el pathway (conjunts de proteïnes que treballen plegades per dur a terme una acció biològica) de la Glucosa, per analitzar la incidència que hi puguin tenir els lncRNA.

Per assolir-les s’han treballat les fases següents:

Tractament de les dades: Recerca de BBDD, integració de les dades i homogeneïtzació, filtratge, normalització, inclusió de metadades, etc. Amb aquesta fase s’han reduït els 53.617 probesets a 1.200 proteïnes i 8.656 lncRNA de manera que es passa a treballar amb 28 mostres i 9.856 probesets cadascuna.

Agrupació: Agrupament dels nivells d’expressió fent prèviament un anàlisi de components principals (algoritme PCA – Principal Component Analysis) i usant l’algoritme PAM (Partitioning Around Medoids) per agrupar en 2 i 3 clústers. S’han agrupat els nivells d’expressió de totes les mostres (barreja) i s’han comparat amb els agrupaments dels nivells d’expressió per cada característica (homes, dones, elit, actius, abans i després de la cursa, etc.).

Correlació de Pearson: Separació dels nivells d’expressió de proteïnes dels de lncRNA i càlcul de correlacions entre ambdós conjunts (de totes les proteïnes amb tots els lncRNA).

Anàlisi de components independents: Filtratge dels nivells d’expressió de proteïnes involucrades al pathway de la Glucosa i correlacionades amb lncRNA. Aplicació de l’algoritme ICA (Independent Component Analysis) per construir un model dels nivells d’expressió amb les diferents característiques i aplicació d’un test hipergeomètric per analitzar la incidència de les proteïnes al model.

Resultats obtinguts:
L’anàlisi PCA indica que els nivells d’expressió amb major variabilitat són els de la característica distància superior a 60km i els més homogenis els del moment de la cursa PRE.

Les agrupacions, i el seu anàlisi, indiquen que les característiques amb més incidència en la generació de proteïnes i lncRNA són les distàncies inferior a 40 km i superior a 60 km i el moment de la cursa abans i després. Les imatges següents mostren els agrupaments en 3 clústers fets per distància i els de la barreja:

En el càlcul de la correlació de Pearson entre les proteïnes i els lncRNA filtrats, s’ha trobat un nombre elevat de proteïnes correlacionades amb els lncRNA, la qual cosa pot permetre investigar el paper dels lncRNA en les funcions de les proteïnes correlacionades, prioritzant els que han obtingut millor resultat (correlació més propera a 1).

En l’anàlisi ICA i el test hipergeomètric s’han trobat forces resultats amb alta correlació entre les proteïnes del pathway de la Glucosa i els lncRNA però no s’han trobat diferències estadísticament significatives de la incidència de les diferents proteïnes al model construït. Aquest resultat implica que no s’han trobat indicis que cap proteïna, per si sola, té més incidència al model que la resta. I, de retruc, tampoc cap lncRNA correlacionat amb aquestes proteïnes del pathway.

Actualment seguim treballant per ampliar els resultats obtinguts, replicar-los i afinar-los.

Si voleu més informació sobre el treball que s’està realitzant podeu demanar-la a través del correu arius@tecnocampus.cat.

Llegir en català

En esta entrada os presento los primeros resultados de la investigación hecha con la Universitat Oberta de Catalunya, en el Máster en Ingeniería Informática, y en la cual seguimos trabajando para ampliar los resultados obtenidos. Este trabajo es una aportación al proyecto SUMMIT (Salud en les UltraMaratones y sus líMITes), que tiene la finalidad de determinar si la población que practica ejercicio de larga duración y alta intensidad tiene más riesgo sobre la salud que la sedentaria y/o la moderadamente activa.

El trabajo consiste en el análisis de datos genéticos; concretamente se analiza la incidencia del esfuerzo de alta intensidad en la generación de lncRNA (long non-coding RiboNucleic Acid), aplicando técnicas de Inteligencia Artificial (IA). Los genes están formados por segmentos de ADN (Ácido Desoxirribonucleico) y ARN (Ácido Ribonucleico), los lncRNA son un tipo de ARN bastante desconocido y que estudios recientes están relacionando con la aparición de enfermedades degenerativas, oncológicas y con el envejecimiento en general. El objetivo del proyecto es obtener resultados que permitan conocer mejor este tipo de ARN, ya que no tiene una función clara identificada.

Para alcanzar este objetivo se han usado técnicas de Machine Learning no supervisado, es decir que no se ha utilizado un conjunto de datos de entrenamiento ni de validación porque no existe. Y se han aplicado a datos reales obtenidos para el proyecto SUMMIT. De entre la información recogida, se han utilizado los niveles de expresión de 28 muestras tomadas en una travesía por la montaña de más de 80 km, entre las cuales hay:

  • 16 medidas hechas antes de la travesía y 12 después.
  • 8 mujeres y 20 hombres.
  • Muestras de personas que han completado distintas distancias de la travesía.
  • 18 personas activas (entre 3 y 10 horas de deporte semanales) y 10 elites (más de 10).

Y de cada se ha medido el nivel de expresión de más de 53.600 probesets (proteínas, ARN, etc.).

La expresión genética es el proceso por el cual la información de un gen se utiliza en la síntesis de una molécula de ARN o de una proteína. El nivel de expresión es distinto para cada célula, de manera que su estudio permite comparar células enfermas y sanas, con medicación o sin, con distintas condiciones de estrés, etc.

La imagen siguiente muestra los niveles de expresión de una de las muestras usadas:

Los hitos concretos del trabajo son:

  • Analizar la incidencia de determinadas características propias del esfuerzo de alta intensidad, como la distancia recorrida, el momento de la travesía o el grupo de actividad, en la generación de proteínas y lncRNA.
  • Correlacionar niveles de expresión de proteínas y lncRNA.
  • Relacionar proteínas altamente correlacionadas con el pathway (conjuntos de proteínas que trabajan juntas para llevar a cabo una acción biológica) de la Glucosa, para analizar la incidencia que puedan tener los lncRNA.

Para alcanzar-los se han trabajado las fases siguientes:
Tratamiento de los datos: Búsqueda de BBDD, integración de los datos y homogeneización, filtrado, normalización, inclusión de metadatos, etc. Con esta fase se han reducido los 53.617 probesets a 1.200 proteínas y 8.656 lncRNA de manera que se pasa a trabajar con 28 muestras y 9856 probesets cada una.

Agrupación: Agrupación de los niveles de expresión realizando previamente un análisis de componentes principales (algoritmo PCA – Principal Component Analysis) y usando el algoritmo PAM (Partitioning Around Medoids) para agrupar en 2 y 3 clústeres. Se han agrupado los niveles de expresión de todas las muestras (mezcla) y se han comparado con las agrupaciones de los niveles de expresión por cada característica (hombres, mujeres, elite, activo, antes y después de la actividad, etc.).

Correlación de Pearson: Separación de los niveles de expresión de proteínas de los de lncRNA y cálculo de correlaciones entre ambos conjuntos (de todas las proteínas con todos los lncRNA).

Análisis de componentes independientes: Filtro de los niveles de expresión de proteínas involucradas en el pathway de la glucosa y correlacionadas con lncRNA. Aplicación del algoritmo ICA (Independent Component Analysis) para construir un modelo de los niveles de expresión con las diferentes características y aplicación de un test hipergeométrico para analizar la incidencia de las proteínas en el modelo.

Resultados obtenidos:
El análisis PCA indica que los niveles de expresión con mayor variabilidad son los de la característica distancia superior a 60 km y los más homogéneos los del momento de la actividad PRE.

Las agrupaciones, y su análisis, indican que las características con más incidencia en la generación de proteínas y lncRNA son las distancias inferior a 40 km y superior a 60 km y el momento de la actividad antes y después. Las imágenes siguientes muestran las agrupaciones en 3 clústeres hechos por distancia y los de la mezcla:

En el cálculo de la correlación de Pearson entre las proteínas y los lncRNA filtrados, se ha encontrado un número elevado de proteínas correlacionadas con los lncRNA, la cual cosa puede permitir investigar el papel de los lncRNA en las funciones de las proteínas correlacionadas, priorizando los que han obtenido mejor resultado (correlación más próxima a 1).

En el análisis ICA y el test hipergeométrico se han encontrado bastantes resultados con alta correlación entre las proteínas del pathway de la Glucosa y los lncRNA pero no se han encontrado diferencias estadísticamente significativas de la incidencia de las diferentes proteínas al modelo construido. Este resultado implica que no se han encontrado indicios de que ninguna proteína, por si sola, tiene más incidencia en el modelo que el resto. Y, por ende, tampoco ningún lncRNA correlacionado con estas proteínas del pathway.

Actualmente seguiremos trabajando para ampliar los resultados obtenidos, replicarlos y afinarlos.

Si queréis más información sobre el trabajo que se está realizando podéis solicitarla a través del correo electrónico: arius@tecnocampus.cat.

This post is only available in Catalan and Spanish:
Llegir en català (Read it in Catalan)
Leer en castellano (Read it in Spanish)

SNOMED CT (IV)

Leer en castellano

La semàntica a salut (VI)

A SNOMED CT els conceptes o les descripcions que s’han de deixar d’utilitzar no s’eliminen, es desactiven per un motiu determinat (per exemple perquè estaven duplicats, són ambigus, limitats o, directament, erronis). L’estructura de SNOMED CT preveu un camp a la taula de conceptes i un a la de descripcions que indiquen l’estat d’aquell component i, en cas d’estar inactius, la raó de la seva desactivació. L’estàndard també preveu modificacions menors en les descripcions dels conceptes, així com l’addició de nous components.
Per enregistrar els canvis que es produeixen entre les versions de SNOMED CT, la terminologia inclou el mecanisme d’historial. En aquestes taules es poden trobar totes les creacions, desactivacions i modificacions menors dels conceptes i de les descripcions de SNOMED CT i, opcionalment, també de les relacions. A la guia oficial d’implementació de SNOMED CT es poden trobar les modificacions que es consideren menors i que estan permeses (per a la resta cal desactivar i crear un nou component).

El mecanisme d’historial de la versió internacional INT de SNOMED CT és també l’aplicable per a la versió ES-ARG, ja que aquesta és una traducció de la primera. L’extensió catalana de SNOMED CT té historial propi i s’hi enregistren les addicions i modificacions de tots els conceptes i descripcions, així com les addicions de relacions.

L’historial es complementa amb la taula de relacions, en la qual es poden trobar les relacions entre els conceptes desactivats i els conceptes actius que els substitueixen. Per exemple, el concepte inactiu 112289006 Salmonella II, 4,12:g,m,t:z39 (organismo) es va desactivar per estar duplicat. Si es consulta la taula d’historial es podran trobar tres registres corresponents a aquest conceptId:

  • El primer indica la creació del concepte a la versió de SNOMED CT amb data 01-01-1994.
  • El segon es correspon amb un canvi menor que es va realitzar a la descripció FSN del concepte, a la versió de SNOMED CT amb data 31-01-2002.
  • El tercer registra el canvi d’estat, inactivant el concepte per estar duplicat a la versió de SNOMED CT del 31-07-2003.

I si es busca a la taula de relacions es trobarà una relació del concepte inactiu al seu substitut:

  • El concepte amb conceptId 112289006 és igual al concepte 114475003 Salmonella II 4,12:g,m,t:z39 (organismo).

 

No tots els conceptes inactius tenen els seus substituts actius i n’hi ha que en tenen més d’un (per exemple els ambigus que estan associats normalment a dos conceptes actius més concrets).

Quan un concepte es desactiva també es mou dins de la jerarquia de SNOMED CT, passant-lo de la posició on era, al fill corresponent de 362955004 concepto inactivo (concepto inactivo), a l’eix d’alt nivell “concepto especial”. Seguint amb l’exemple, el concepte inactiu 112289006 Salmonella II, 4,12:g,m,t:z39 (organismo) té una relació de jerarquia amb el (és fill del) concepte 363662004 concepto duplicado (concepto inactivo).

A la propera entrada terminològica presentarem les extensions de SNOMED CT, mecanismes que permeten cobrir necessitats locals respectant l’estàndard.

Entrades relacionades:

Llegir en català

La semántica en salud (VI)

En SNOMED CT los conceptos o las descripciones que se tienen que dejar de utilizar no se eliminan, se desactivan por un motivo determinado (por ejemplo porqué estaban duplicados, son ambiguos, limitados o, directamente, erróneos). La estructura de SNOMED CT prevé un campo en la tabla de conceptos y uno en la de descripciones que indican el estado de ese componente y, en caso de estar inactivos, la razón de su desactivación. El estándar también prevé modificaciones menores en las descripciones de los conceptos, así como adiciones de nuevos componentes.
Para registrar los cambios que se producen entre las versiones de SNOMED CT, la terminología incluye el mecanismo de historial. En estas tablas se pueden encontrar todas las creaciones, desactivaciones y modificaciones menores de los conceptos y de las descripciones de SNOMED CT, y opcionalmente, también de las relaciones. En la guía oficial de implementación de SNOMED CT se pueden encontrar las modificaciones que se consideran menores y que están permitidas (para el resto será necesario desactivar y crear un nuevo componente).

El mecanismo de historial de la versión internacional INT de SNOMED CT es también el aplicable a la versión ES-ARG, ya que ésta es una traducción de la primera. La extensión catalana de SNOMED CT tiene historial propio y contiene las adiciones y modificaciones de todos los conceptos y descripciones, así como las adiciones de relaciones.

El historial se complementa con la tabla de relaciones, en la cual se pueden encontrar las relaciones entre los conceptos desactivados y los conceptos activos que los sustituyen. Por ejemplo, el concepto inactivo 112289006 Salmonella II, 4,12:g,m,t:z39 (organismo) se desactivó por estar duplicado. Si se consulta la tabla de historial se pueden contar tres registros correspondientes a este conceptId:

  • El primero indica la creación del concepto en la versión de SNOMED CT de 01-01-1994.
  • El segundo se corresponde con un cambio menor que se realizó en la descripción FSN del concepto, a la versión de SNOMED CT con fecha 31-01-2001.
  • El tercero registra el cambio de estado, inactivando el concepto por estar duplicado en la versión de SNOMED CT del 31-07-2003.

Y si se busca en la tabla de relaciones se encontrará una relación del concepto inactivo a su sustituto:

  • El concepto con conceptId 112289006 es igual al concepto 114475003 Salmonella II 4,12:g,m,t:z39 (organismo).

 

No todos los conceptos inactivos tienen su sustituto activo i hay que tienen más de uno (por ejemplo los ambiguos que están asociados a dos conceptos activos más concretos).

Cuando un concepto se desactiva también se mueve dentro de la jerarquía de SNOMED CT, pasándolo de la posición en la que estaba al hijo correspondiente de 362955004 concepto inactivo (concepto inactivo), en el eje de alto nivel “concepto especial”. Siguiendo con el ejemplo, el concepto inactivo 112289006 Salmonella II, 4,12:g,m,t:z39 (organismo) tiene una relación de jerarquía con el (es el hijo del) concepto 363662004 concepto duplicado (concepto inactivo).


En la siguiente entrada terminológica presentaremos las extensiones de SNOMED CT, mecanismos que permiten cubrir las necesidades locales espetando el estándar.

Entradas relacionadas:

This post is only available in Catalan and Spanish:
Llegir en català (Read it in Catalan)
Leer en castellano (Read it in Spanish)

SNOMED CT (III)

Leer en castellano

La semàntica a salut (V)

Amb aquesta nova entrada, es fa una continuació del conjunt de posts publicats sobre SNOMED CT i la semàntica a salut.

En l’últim post havíem vist els subconjunts de SNOMED CT, on s’explicava el seu ús, funcionament, i tipus que podem trobar.

En aquesta cinquena entrada, es presenta el que coneixem com a conjunts de referència creuada (mapejos). Aquesta funcionalitat permet establir una equivalència entre diferents termes de la terminologia SNOMED CT cap a un altre vocabulari controlat. Gràcies a aquesta funcionalitat, es pot utilitzar SNOMED CT com a terminologia de referència.

És molt freqüent trobar catàlegs propis a diferents centres assistencials, de manera que per poder intercanviar la informació entre ells, o explotar la informació de manera global, és necessari mapejar-los a SNOMED CT. D’aquesta manera es permet seguir treballant internament amb el propi catàleg, i utilitzar l’estàndard pels intercanvis externs.

Alhora de crear les equivalències entre els termes de l’estàndard amb el catàleg local, es poden trobar diferent tipus de relacions:

– U a u: d’un terme del catàleg local a un terme de SNOMED CT.

– D’un a varis: d’un terme de SNOMED CT a varis termes junts del catàleg local.

– D’un a varis: cas invers a l’anterior, on varis termes (junts) del catàleg local, equivalen a un terme de SNOMED CT. Aquest cas no és permès a SNOMED CT, de manera que només un concepte alhora es pot veure mapejat.

– Alternatives: quan un terme del catàleg local pot ser mapejat a més d’un terme de SNOMED CT (de forma separada), es poden establir correspondències alternatives. De cara a l’usuari, caldrà decidir a quin concepte es vol mapejar.

 

De forma gràfica:

Tipus de mapeig SNOMED CT                   Altre catàleg
U a u
D’un a varis
Varis a un No permès a SNOMED CT
Alternatives

o

 

Exemples:

Tipus de mapeig SNOMED CT Altre catàleg
U a u “alergia al cinc (trastorno)” “alergia al cinc”
D’un a varis “alergia al cinc (trastorno)” “alergia” + “cinc”
Varis a un

No permès a SNOMED CT

“estado alergico (trastorno)” + “alimento (sustancia)” “alergia alimentaria”
 

Alternatives

 

“alergia alimentaria (trastorno)”

“alergia a un alimento”

o

“alergia alimentaria”

A part de la cardinalitat, cal tenir en compte que cada fitxer de mapeig relacionarà la terminologia de referència SNOMED CT, amb un únic vocabulari controlat de destí. En cas que un centre utilitzi diferents catàlegs propis, caldrà definir tants fitxers de mapejos com catàlegs es vulguin mapejar.

L’IHTSDO proporciona al descarregar la versió INT de SNOMED CT, uns mapejos ja treballats per relacionar SNOMED CT i la CIE-9-MC (únicament de diagnòstics, no de procediments), i SNOMED CT amb la CIE-O. Actualment també estan treballant per poder oferir el mapeig amb la CIE-10 i una taula d’integració amb LOINC actualitzada.

SNOMED CT no té cap tipus de restricció en quan a la grandària del fitxer de mapejos. Per exemple, en cas de tenir una segona terminologia de referència, es podrien mapejar els 400.000 conceptes de SNOMED CT contra ella.

A la propera entrada terminològica es presentarà l’historial de SNOMED CT.

Entrades relacionades:

La semàntica a salut (I)

La semàntica a salut (II)

La semàntica a salut (III)

La semàntica a salut (IV)

Llegir en català

La semántica en salud (V)

Con esta nueva entrada, se continúa el conjunto de entradas publicadas sobre SNOMED CT y la semántica en salud.

En el último post habíamos visto los subconjuntos de SNOMED CT y se explicaba su uso, funcionamiento, y los tipos que podemos encontrar.

En esta quinta publicación se presenta lo que conocemos como conjuntos de referencia cruzada (mapeos). Esta funcionalidad permite establecer una equivalencia entre diferentes términos de la terminología SNOMED CT hacia otro vocabulario controlado. Gracias a esta funcionalidad, se puede utilizar SNOMED CT como terminología de referencia.

Es muy frecuente encontrar catálogos propios en diferentes centros asistenciales, de manera que para intercambiar la información entre ellos, o explotar la información de manera global, es necesario mapearlos a SNOMED CT. De esta manera se puede seguir trabajando internamente con el catálogo própio, y utilizar el estándar para los intercambios externos.

A la hora de crear las equivalencias entre los términos del estándar con el catálogo local, se pueden encontrar diferentes tipos de relaciones:

– Uno a uno: de un término del catálogo local a un término de SNOMED CT.

– De uno a varios: de un término de SNOMED CT a varios términos juntos del catálogo local.

– De uno a varios: caso inverso al anterior, donde varios términos (juntos) del catálogo local, equivalen a un término de SNOMED CT. Este caso no es permitido en SNOMED CT, de manera que solo in concepto a la vez puede estar mapeado.

– Alternativas: cuando un término del catálogo local puede ser mapeado a más de un término de SNOMED CT (de forma separada), se pueden establecer correspondencias alternativas. De cara al usuario, se decidirá a que concepto se quiere mapear.

 

De forma gráfica:

Tipos de mapeo SNOMED CT                   Otro catálogo
Uno a uno
Uno a varios
Uno a varios No permitido en SNOMED CT
Alternativas

o

 

Ejemplos:

Tipo de mapeo SNOMED CT Otro catálogo
Uno a uno “alergia al cinc (trastorno)” “alergia al cinc”
Uno a varios “alergia al cinc (trastorno)” “alergia” + “cinc”
Uno a varios

No permitido en SNOMED CT

“estado alergico (trastorno)” + “alimento (sustancia)” “alergia alimentaria”
 

Alternativas

 

“alergia alimentaria (trastorno)”

“alergia a un alimento”

o

“alergia alimentaria”

A parte de la cardinalidad, es necesario tener en cuenta que cada fichero de mapeo relacionará la terminología de referencia SNOMED CT, con un único vocabulario controlado de destino. En caso de que un centro utilice diferentes catálogos propios, será necesario definir tantos ficheros de mapeos como catálogos se quieran mapear.

IHTSDO proporciona al descargar la versión INT de SNOMED CT unos mapeos ya trabajados para relacionar SNOMED CT con la CIE-9-MC (únicamente los diagnósticos, no los procedimientos) y con la CIE-O. Actualmente también están trabajando para poder ofrecer el mapeo con la CIE-10 y la tabla de integración actualizada de LOINC.

SNOMED CT no tiene ningún tipo de restricción en cuanto a las dimensiones del fichero de mapeos. Por ejemplo, en caso de tener una segunda terminología de referencia, se podrían mapear los 400.000 conceptos de SNOMED CT contra ella.

En la próxima entrada terminológica se presentara el historial de SNOMED CT.

Entradas relacionadas:

La semántica en salud (I)

La semántica en salud (II)

La semántica en salud (III)

La semántica en salud (IV)

This post is only available in Catalan and Spanish:
Llegir en català (Read it in Catalan)
Leer en castellano (Read it in Spanish)