Académique Documents
Professionnel Documents
Culture Documents
Declaro (hacer doble clic sobre la casilla y señalar “activada”, la no activación de algún punto dará lugar al rechazo del artículo sin ser evaluado)
Que es un trabajo original. Que no han existido conflictos de intereses en la gestación y
Que no ha sido previamente publicado en otro elaboración del manuscrito, y si pudiera haberlos por mediar
medio. financiación u otros apoyos, los autores se comprometen a
Que no ha sido remitido simultáneamente a otra declararlos en el apartado correspondiente.
publicación. Que el manuscrito explica de manera honesta, exacta y
Que todos los autores han contribuido transparente los resultados del estudio, que no se han omitido
intelectualmente en su elaboración y por tanto son aspectos importantes del mismo, y que cualquier discrepancia
autores materiales del mismo. del estudio ha sido explicada.
Que todos los autores han leído y aprobado la Que, en caso de ser publicado el artículo, transfieren todos
versión final del manuscrito remitido, y por tanto no los derechos de autor al editor, sin cuyo permiso expreso no
hay ninguna razón para introducir cambios en los podrá reproducirse ninguno de los materiales publicados en la
mismos una vez iniciado el proceso de evaluación. revista.
Datos preliminares
Atención: no utilice TODO MAYÚSCULAS ni negrita en ninguna parte del documento
Título Resultados del Big Data aplicado a la gestión Obstétrica, una revisión
narrativa.
Autores por orden de María Isabel Fernández Aranda1
1
Matrona de la Unidad de Ginecología y Obstetricia del Hospital Virgen del
aparición
Rocío de Sevilla. Experta Universitaria en Estadística Aplicada a las
Ciencias de la Salud, Nutrición en Salud Pública, Seguridad Alimentaria y
Educación del Consumidor y Promoción de la Salud en la Comunidad.
Abstract La traducción del resumen al inglés debe realizarse con arreglo a las reglas gramaticales y sintácticas de este idioma, debiendo evitarse la utilización de
traductores electrónicos
Traducción del Results of the Big Data applied to the Obstetric management, a narrative review.
título
Introduction / Objectives: In the field of health, the potential of Big Data is in the processing of digitized
data in health services, from multiple sources, to support the informed and reliable decision-making of
health personnel. This article analyzes the current applications of Big Data in the Obstetric field and the
improvements and opportunities offered to the Midwife and the Pregnant woman as obstetrical services
managers and users. Method: A narrative review of the articles published between January 2000 and
January 2017 has been carried out in PubMed, Cochrane, Hindawi, Elsevier and Cuiden databases.
Cuerpo del Artículo esta sección no debe superar el tamaño de 4000 palabras (condición obligatoria para iniciar su
evaluación en revistas impresas)
Siga las siguientes -Evite la utilización de opciones automáticas para las citas ni en otras partes del
documento, por ejemplo “notas a pie de página”, “nota final”, “numeración
recomendaciones automática”, “guionado automático”, etc.
-Evite la utilización de numeración automática para ordenar la bibliografía, utilice
formato de texto normal
-Incluya las tablas en el lugar del texto donde correspondan
-Adjunte archivos en formato gráfico (jpg o tif) de los gráficos e ilustraciones,
indicando el lugar del texto donde colocarlos
-Siga las normas para los autores en revistas del entorno Cantárida
(http://www.index-f.com/estilo.php)
Escriba a continuación el texto de la comunicación utilizando el formato por defecto
(Tipo de letra Times New Roman de 12 pulgadas a espacio sencillo)
Escriba el texto a partir de aquí
Introducción.
Hoy en día nuestra sanidad genera una ingente cantidad de datos de gestión clínica,
administrativa y contable en distintos formatos (escritos en papel o electrónicos). Datos
personales, registros médicos, anotaciones manuscritas del profesional de turno,
radiografías, escáneres, resonancias y otras imágenes médicas son algunos ejemplos de
esta explosión de información en formato estructurado, semiestructurado o no
estructurado 1. EL avance de las TIC (Tecnologías de la Información y Comunicación)
ha generado una avalancha de información aún mayor con datos de todo tipo que
provienen de una amplia variedad de dispositivos a los que se suman los que tienen su
origen en las redes sociales y teléfonos inteligentes 2.
Aunque parecen evidentes todas las posibilidades que nos ofrecen el Big Data y su
análisis, el hecho de ser un concepto tan reciente plantea problemas de evidencia
científica. Mediante este estudio pretendemos contestar a la pregunta de ¿cuáles son las
aplicaciones actuales del Big Data en el campo de la Obstetricia y qué mejoras y
oportunidades ofrece a la Matrona y la Gestante como gestoras y usuarias de servicios
obstétricos?.
Material y Método
Resultados
El tercer bloque de resultados encontrados están centrados en la aplicación del Big data
y las técnicas de análisis y visualización de datos a la Obstetricia. Se han encontrado 18
trabajos 12-29 que relatan experiencias en la aplicación de las técnicas de análisis de la
información o minería de datos sobre el Big data de naturaleza ginecológica. Pereira et
al 12 identifican factores obstétricos que se pueden utilizar para predecir la técnica más
apropiada para un tipo de parto en concreto, reduciendo el número de cesáreas
innecesarias. Brandao et al 13,14 por su parte desarrollan un modelo para determinar el
riesgo asociado a la interrupción voluntaria del embarazo según el tipo de gestante y
cuál es el mejor procedimiento para la administración de la medicación correspondiente.
Los trabajos de Roy et al 15 y Kenny et al 16 se centran en el uso del Big data para
determinar el riesgo de preeclampsia en gestantes mediante la detección de niveles
altos de triglicéridos y el uso de 14 indicadores metabólicos. Por su parte Gulcim 17,
Aljumah et al 18 y Breault et al 19 desarrollan modelos para predecir la dosificación de
insulina en diabéticos (incluyendo gestantes) y los riesgos asociados al mal control de la
misma. También se han encontrado estudios para prever los factores de riesgo en
nacimientos pretérmino usando el Big Data ayudando a su detección temprana, los
estudios de Chen et al 20 y Courtney et al 21 son un ejemplo de ello.
Para finalizar, se han encontrado trabajos de temática diversa sobre el análisis del Big
Data en el triage obstétrico de urgencia 22, la asociación de fatiga y sueño con el tipo y
trabajo de parto 23, la mejora del diagnóstico de la icteria neonatal 24, la estimación de
valores de corte de la cotinina como biomarcador para estimar la exposición del feto al
tabaco en gestantes fumadoras 25, la prevención y control de enfermedades regionales
que pueden afectar a las gestantes 26, los patrones característicos materno y fetales para
la predicción de la mortalidad neonatal 27 , la implementación de sistemas de ayuda a la
decisión apoyados en la gestión del Big Data para mejorar los cuidados que se ofrecen a
la gestante 28 y cómo a través del análisis de datos y la publicidad emocional y sus
herramientas las marcas comerciales conectan emocionalmente con las mujeres
embarazadas 29.
Se ha encontrado también abundante literatura gris pero se observa que está muy
influenciada por la posible rentabilidad económica del target que supone la gestante y
además no presenta evidencia científica alguna por lo que se ha omitido.
Discusión y Conclusiones
Por último en el aspecto social existe un claro potencial del análisis del Big Data en la
gestión de enfermedades infecciosas como la gripe al reforzar la red de vigilancia
existente. La detección temprana de su evolución para la vacunación anticipada de la
gestante es una de las ventajas obtenidas. La integración de la información que
proporciona el Big Data de origen obstétrico a la Atención primaria y especializada
permite contar con datos detallados de tratamientos clasificados por tipos de Gestantes o
realizar segmentaciones y modelos predictivos de acuerdo con sus perfiles.
Como limitaciones podemos indicar que no existe demasiada literatura sobre el enfoque
del análisis de grandes bases de datos o Big Data en gestantes. La literatura anglosajona
es más abundante aunque se centra sobre todo en aspectos prácticos y el desarrollo de
técnicas para el análisis de datos sanitarios y la comercialización de resultados, la
literatura en español es escasa y a menudo se trata de literatura gris y artículos en
Internet sin rigor científico alguno. Los resultados de este estudio tienen validez
temporal, dada la rápida expansión que está experimentando este tipo de técnicas de
análisis de datos en todo el mundo. Otro factor limitante del estudio es el proceso de
toma de datos y la diferente metodología que utilizan los resultados encontrados a la
hora de evaluar su eficacia.
Financiación
Ninguna.
Conflicto de intereses
Ninguno.
Bibliografía
1. Bellazzi R. Big data and biomedical informatics: a challenging opportunity.
Yearbook of Medical Informatics. 2014;9:8-13.
2. Parra Calderón CL. Big data en sanidad en España: la oportunidad de una estrategia
nacional. Gac Sanit. 2016;30(1):63–65.
3. Dios Rubio MA, Molina Pariente JM, Framiñán Torres JM, Domínguez Cañizares
D. Gestión del conocimiento en el ámbito sanitario: revisión de la literatura. 4th
International Conference on Industrial Engineering and Industrial Management,
XIV Congreso de Ingeniería de Organización. 2010, Donostia- San Sebastián.
4. Baro E, Degoul S, Beuscart R, et al. Toward a literature-driven definition of big data
in healthcare. BioMed Research International. 2015; 2015:639021.
5. Stiglich P, Rajagopal H. Using Big Data for Improved Healthcare Operations and
Analytics. Slide Share [Internet]. 30 de Mayo de 2012 [acceso 17 Diciembre 2016].
Disponible en: http://www.slideshare.net/perficientinc/using-big-data-for-improved-
healthcare-operations-and-analytics.
6. Durairaj M, Ranjani V. Data Mining Applications In Healthcare Sector: A Study.
International Journal of scientific & technology rersearch. 2013; 2(10): 29-35.
7. Belle A, Thiagarajan R, Soroushmehr SM, Navidi F, Beard D, Najarian K. Big Data
Analytics in Healthcare. BioMed Research International. 2015; Article ID 370194:
1-16.
8. Obenshain MK. Application of Data Mining Techniques to Healthcare Data. ICHE.
2004 ;25 (8): 690-695.
9. Desikan P, Hsu K, Srivastava J. Data mining for Healthcare management. SIAM
International Conference on Data Mining. 2011, Mesa, Arizona, USA.
10. Niakšu O, Kurasova O. Data Mining Application in Healthcare Research vs
Practice. CEUR Workshop Proceedings. 2012; 924: 58-70.
11. Chye Koh H, Tan G. Data Mining Applications in Healthcare. JHIM. 2005; 19 (2):
64-72.
12. Pereira S, Portela F, Santos MF, Machado J, Abelha A. Predicting Type of Delivery
by Identification of Obstetric Risk Factors through Data Mining. Procedia
Computer Science. 2015; 64 : 601 – 609.
13. Brandão A, Pereira E, Portela F, Santos MF, Abelha A, Machado J. Predicting the
risk associated to pregnancy using data mining. ICAART. 2015; 178: 1-8.
14. Brandão A, Pereira E, Portela F, Santos MF, Abelha A, Machado J. Managing
Voluntary Interruption of Pregnancy using Data Mining. Procedia Technology. 2014;
16: 1297 – 1306.
15. Ray J, Diamond P, Singh G, Bell C. Brief overview of maternal triglycerides as a
risk factor for pre-eclampsia. BJOG. 2006; 113:379–386.
16. Kenny LC, Broadhurst DI, Dunn W, Brown M, North RA, McCowan L, et al.
Robust Early Pregnancy Prediction of Later Preeclampsia Using Metabolomic
Biomarkers. Hypertension. 2010;56:741-749.
17. Gülçin E, Karahocaa A, Uçara T. Dosage planning for diabetes patients using data
mining methods. Procedia Computer Science. 2011; 3: 1374–1380.
18. Aljumah A, Ahamad MG, Khubeb Siddiqui M. Application of data mining: Diabetes
health care in young and old patients. Computer and Information Sciences. 2013;
25: 127–136.
19. Breaulta JL, Goodallc CR, Fos PJ. Data mining a diabetic data warehouse. Artificial
Intelligence in Medicine. 2002; 26:37–54.
20. Chen HY, Chuang CH, Yang YJ, Wuc TP. Exploring the risk factors of preterm birth
using data mining. Expert Systems with Applications. 2011; 38: 5384–5387.
21. Courtnet KL, Stewart S, Popescu M, Goodwin LK. Predictors of Preterm Birth in
Birth Certificate Data. En: eHealth Beyond the Horizon – Get IT There. MIE 2008.
S.K. Andersen et al. (Eds.) IOS Press; 2008. P. 555-560.
22. Cabral A, Pina A, Machado H, Abelha A, Salazar M, Quintas C, et al. Data
Acquisition Process for an Intelligent Decision Support in Gynecology and
Obstetrics Emergency Triage. Communications in Computer and Information
Science. 2011; 221: 223-232.
23. Lee KA, Gay CL. Sleep in late pregnancy predicts length of labor and type of
delivery. American Journal of Obstetrics and Gynecology. 2004; 191: 2041- 6.
24. Ferreira D, Oliveira A, Freitas A. Applying data mining techniques to improve
diagnosis in neonatal jaundice. BMC Medical Informatics and Decision Making.
2012; 12(143): 1-6.
25. Stragierowicz J, MikoBajewska K, Zawadzka-Stolarz M, PolaNska K, Ligocka D.
Estimation of Cutoff Values of Cotinine in Urine and Saliva for Pregnant Women in
Poland. BioMed Research International. 2013; Article ID 386784: 1-11.
26. Gong J, Liu S, Chen D. Use of big data - targeted prevention and control of regional
and seasonal diseases in obstetrics. CJPR. 2015; 35(10): 1033-1036.
27. Xavier Ferreira RC, Cabral Bar Moro CM, Moyses JS, Carvalho D, Nievola JC. La
minería de datos y las características de la mortalidad infantil. Cad. Saúde Pública.
2010; 26(3): 1-8.
28. Pereira E, Portela F, Santos MF, Machado J, Abelha A. Real-time Business
Intelligence platform to maternity care. En: IEEE International Conference on
Biomedical Engineering and Sciences (IECBES). 2014, Miri, Sarawak, Malaysia.
IEEE International; 2014. 379-384.
29. Ruíz Aguilar DA. Guía para la aplicación de marketing de experiencias a través del
uso de neuromarketing y publicidad emocional en el mercado de mujeres
embarazadas. Caso N cinta. Dirigida por Jorge Bohórquez. Tesis doctoral.
Universidad de las Américas, Quito, 2014. Disponible en:
http://200.24.220.94/bitstream/33000/3627/1/UDLA-EC-TPU-2014-10%28S
%29.pdf.