Investigación COVID-19

Un error de medicación (EM) es cualquier evento prevenible que pueda causar daño al paciente o dar lugar a una utilización inadecuada de los medicamentos. Los EM son uno de los errores más comunes en la práctica clínica, y en su mayoría ocurren durante el proceso de prescripción de medicamentos. Existe consenso que una estrategia tecnológica efectiva para reducir los EM es la prescripción electrónica con sistemas de apoyo a la decisión clínica (o CDSS, por su sigla en inglés). Los CDSS contienen el conocimiento clínico estructurado, el cual es utilizado en el proceso de atención para asistir al personal clínico. Los CDSS pueden ser creados utilizando múltiples enfoques, como: un enfoque basado en conocimiento de expertos, y un enfoque basado en métodos avanzados de Data Science. La literatura internacional ha mostrado que los métodos estadísticos tradicionales pueden ser insuficientes para predecir eventos clínicos adversos. Por su parte, los métodos avanzados de Data Science, como los algoritmos de aprendizaje automatizado, permiten mejorar la detección de EM y reducir los costos asociados a eventos adversos, entre otros. Existen diferentes enfoques de aprendizaje automático en la literatura para enfrentar el problema de la predicción de EM. Una forma de abordar el problema es mediante la Detección de Anomalías, que corresponde a una subclase de problemas de aprendizaje no supervisado. La detección de anomalías es una forma de detectar comportamientos anormales o puntos que no se ajustan a un patrón esperado. Para la detección automática se han utilizado modelos como: Z-Score, DBscan, Isola4on Forest, Autoencoders, entre otros. Los CDSS con métodos avanzados de Data Science han mostrado un impacto positivo en la identificación de errores de medicación, sin embargo, la adopción y uso de estos es limitada y casi nula en nuestro país. Esto muestra que existe un espacio para la investigación científica en la construcción de los modelos, así como en la validación local de sus efectos en ambientes clínicos reales. El objetivo de este es proyecto es desarrollar, evaluar e implementar algoritmos de prevención de errores de medicación basados en métodos avanzados de Data Science. Se probará la efectividad de al menos dos perspectivas de construcción de los algoritmos, uno de ellos basado en conocimiento experto y el otro en métodos avanzados de Data Science. La selección del algoritmo implementado dependerá de los resultados obtenidos cada uno. Para implementar esta estrategia, los algoritmos serán parte de un CDSS integrado con el registro clínico electrónico de un hospital público pediátrico chileno. Se pretende desarrollar el CDSS u4lizando estándares de interoperabilidad internacionales como HL7 FHIR, que permiten que el sistema desarrollado pueda ser implementado en otros establecimientos de salud, nacionales e internacionales. En este proyecto se utilizarán tres metodologías para cada etapa del proyecto, estas son: (1) Metodología de gestión del conocimiento, para la construcción de un modelo basado en conocimiento experto; (2) Metodología de investigación en métodos avanzados de Data Science, para la construcción y validación de un modelo no basado en juicio experto; y (3) Metodología de gestión de equipos y desarrollo de Software, para lograr la implementación exitosa de los algoritmos seleccionados y que fueron investigados y validados en las etapas previas.