Cuatro aplicaciones de Big Data en Radiología Médica

(Artículo de mi Blog en Radiología Club: Big Data en Radiología médica)

El análisis de los datos de un entorno clínico busca soluciones desde la Ciencia de los Datos o Big Data. Para la práctica radiológica, se aplica el intelligent business (inteligencia y analítica en el negocio) mediante Inteligencia Artificial que, al ejecutar algoritmos - motores de búsqueda - predice resultados porque utilizan el procesamiento del Lenguaje Natural (Natural Language Processing: NLP) para buscar y extraer información de los RIS (Radiological Information System / Sistema de Información Radiológica) y también de los Registros Médicos Electrónicos (EMR) o datos digitalizados de los pacientes.

En la práctica de la Radiología médica, y pensando en la Radiología Futura tenemos cuatro importantes áreas donde aplicar Big Data:

Motores semánticos para analizar

Se trata de aplicar primero el procesamiento del Lenguaje Natural en la redacción del informe radiológico, y después poder incluir palabras clave que sirvan de sensores para el posterior rastreo.

Existe un volumen millonario de informes radiológicos que ya están digitalizados en los RIS / PACS (Sistemas de Información Radiológica (RIS) asociados a los PACS (Picture Archiving and Communications System) pero no se relacionan entre sí. Para poderse relacionar se deben etiquetar key words (palabras clave) incluidos en el informe que el Radiólogo redacta y valida asociado a cada prueba radiológica.

Recordemos que la implementación de estándares DICOM SR y HL7 CDA para la creación y edición de informes de estudios radiológicos están reflejadas en cada una de las actualizaciones del colegio americano de radiología ACR Practice Guidelines for Communication of Diagnostic Findings, relación pionera iniciada en enero de 2005.

Además, los nuevos dictáfonos ya vienen con software incorporados para la inclusión de estas palabras clave : Historia Clínica, tipo de patología diagnosticada, hallazgos en la imagen, y secuencia de pruebas radiológicas empleadas en el recorrido diagnóstico.

Una inclusión de estos datos básicos, permitirá aplicar el machine learning de un software que ofrezca Datos sobre Precisión Diagnóstica y relevancias en el flujo de trabajo:  Datos de resultados Diagnosticos para cualificar la precisión de la pruebas

Etiquetas en los hallazgos de la imagen

Cuando se usan programas informáticos que detectan patrones en las imágenes de los pacientes, los analizan de manera automatizada y oftecen mediante el Computer aided detection/diagnosis(CAD) una ayuda al informe radiológico, estamos pudiendo etiquetar hallazgos en la imagen.

Al igual que el Lenguaje Natural, se necesita etiquetar la imagen como hacen los ROI (áreas de Interés en la imagen, al igual que los CAD (Sistemas de lectura asistida por ordenador) para que podamos alinear hallazgos de forma estándar que ayuden a estratificar hallazgos de patologías no frecuentes en Radiología.

También podremos analizar los datos de pruebas por patología, y analizar geográficamente incidencias por zona de población dentro de la semiología radiológica.

La Radiología necesitará expertos en data science que conecte la actividad radiológica con resultados esperables, dentro de la necesaria Innovación en el flujo de trabajo clínico de la Radiología.

• Datos de Dosis

  En el artículo Dosis que podrá conocer el paciente radiológico, se reconoce la importancia que debe asumirse en la gestión de los datos de Dosis que desde la Directiva 2013-59-Euratom nos obligará a partir de febrero de 2018 controlar y 'hacer cosas' con los datos de las Dosis: Los niveles de referencia de Dosis son elementos de orientación para la dosis estimada que recibe el paciente, pero en Radiodiagnóstico no tenemos aún una relación exacta que determine que un cáncer radioinducido lo sea, porque no se puede saber si dicho tumor estaba latente en el momento de la prueba radiológica.

  Pero el análisis de grandes datos de muchas pruebas y pacientes nos permitirá relacionar estos efectos con menor sesgo que los estudios publicados hasta ahora en la relación causa / efecto de la dosis radiológica.

  Indicación de Prueba correcta

  Otro elemento que puede incluirse en la Big Data de Radiología es la correcta indicación de la prueba según descriptores previos: los Sistemas de Información no incorporan avisos a los médicos prescriptores de pruebas aquellos indicadores que le ayuden a la toma de decisiones sobre la prueba más indicada. Es un elemento de consulta / ayuda que beneficiará al tiempo de espera del Paciente, a la precisión y a la reducción de pruebas innecesarias a la hora de solicitar de forma digital una prueba a la unidad de referencia radiológica.

  Resultados

  Entre los objetivos que podemos tener en la Radiología al aplicar la Innovación de la Big Data, tenemos:

  • Mejores formas para seguir y controlar los resultados críticos, con notificación de datos del desarrollo diagnóstico - terapéutico del Paciente.
  • Métodos para detectar errores en los informes de radiología.
  • Estrategias para el seguimiento del cumplimiento de calidad en los informes. 
  • Tácticas para mejorar la forma las recomendaciones radiológicas tanto en la indicación de prueba como en la precisión de toda la actividad radiológica.

  Otras Referencias

  • Procesamiento del Lenguaje Natural uso en radiología: una revisión sistemática
  • Valor de la innovación en la práctica radiológica
  • Conectividad y Datos reiventan la radiología
  • Vías en la informática que impactan Big Data en la Radiología
  • Radiology’s Future in Big Data — Radiology Today Interview With Eliot Siegel, MD 
  • Iniciativa Imaging 3.0 (American College of Radiology)