Formalización de la guía de práctica clínica para sistemas de

apoyo a la decisión clínica

Wessam Gad El-Rab, Osmar R Zaïane , Mohammad El-Hajj

Publicado por primera vez el 7 de marzo de 2016 Artículo de investigación

https://ezproxy.cuc.edu.co:2085/10.1177/1460458216632272
Resumen

Las guías de práctica clínica son valiosas fuentes de conocimiento clínico para
los profesionales de la salud. Sin embargo, la difusión pasiva de guías de
práctica clínica como la publicación en revistas médicas es ineficaz para
cambiar el comportamiento de la práctica clínica. En este trabajo, propusimos
un marco para ayudar a adoptar un enfoque activo de difusión de guías de
práctica clínica al extraer automáticamente el conocimiento clínico de las guías
de práctica clínica en un formato amigable para el sistema de apoyo a la
decisión clínica. El marco propuesto está destinado a ayudar a los modeladores
humanos mediante la automatización de algunas de las actividades de
formalización manual para minimizar su esfuerzo manual. Evaluamos nuestro
marco utilizando todas las recomendaciones de dos guías de práctica clínica
producidas por la Scottish Intercollegiate Guidelines Network: la guía de
práctica clínica 'Manejo del cáncer de pulmón' y la guía de práctica clínica
'Manejo del dolor crónico'. Llegamos a la conclusión de que el marco propuesto
se puede utilizar de manera efectiva para formalizar la recomendación de
fármacos y procedimientos en contextos clínicos.

Palabras clave sistema de apoyo de decisiones clínicas , guía de práctica

clínica , sistemas de información sanitaria , Sistema Unificado de Lenguaje
Médico

Introducción

Las pautas de práctica clínica (GPC) definidas por el Instituto de Medicina son
'declaraciones desarrolladas sistemáticamente para ayudar a los profesionales
y pacientes a tomar decisiones sobre la atención médica adecuada para
circunstancias clínicas específicas'. 1 LasGPC ofrecen instrucciones concisas
sobre la atención óptima para el paciente según los últimos hallazgos
clínicos. El principal beneficio de la GPC es mejorar la calidad de la atención y
la consistencia de la atención. Para un profesional de la salud, una GPC puede
ayudar a ofrecer recomendaciones explícitas cuando un profesional de la salud
no está seguro de cómo proceder. 2

Se ha demostrado que la difusión pasiva de GPC como la publicación en una

revista médica es ineficaz para cambiar el comportamiento de la práctica
clínica. 3Muchos profesionales de la salud no son conscientes de la existencia
de la GPC, e incluso cuando son dirigidos a la GPC relevante, experimentan
dificultades para usarla en su práctica diaria. 4 Sin embargo, la integración del
conocimiento de la GPC en los sistemas clínicos, como los sistemas de apoyo a
la decisión, ha demostrado ser más eficaz. 5 5Con el fin de beneficiarse mejor
del conocimiento de las GPC siguiendo un enfoque de difusión de GPC activo,
ha crecido el interés en formalizar el conocimiento médico contenido en las
GPC. La herencia de las GPC de texto narrativo seguirá siendo una fuente de
conocimiento médico que espera que su contraparte formal se desarrolle e
integre en los sistemas clínicos. Esta integración podría manifestarse en
diferentes fachadas técnicas como el sistema de apoyo a la decisión clínica
(CDSS) o la extensión al sistema de registro de salud electrónico (EHR)
utilizado por los centros de salud.

Existen varios lenguajes formales desarrollados para ayudar a modelar pautas

clínicas en pautas interpretables por computadora (CIG); El estudio de
revisión 6presenta algunos de los lenguajes de modelado CIG. Seguramente, el
desarrollo de los lenguajes de modelado de la guía es un paso importante para
facilitar el proceso de formalización de GPC, sin embargo, la tarea de
formalización sigue siendo laboriosa y compleja, principalmente porque
requiere modeladores humanos con dos áreas diferentes de experiencia: una
experiencia médica para interpretar correctamente la medicina. Conocimiento
de GPC y una experiencia en ingeniería de conocimiento para representar
 correctamente el conocimiento médico utilizando la sintaxis del lenguaje de
modelado.

No obstante, se han publicado enfoques de formalización de GPC. 7 7- 14 Estos

enfoques se basan en un conjunto de pasos manuales para convertir
gradualmente las GPC de texto narrativo en CIG, 7,8 o en mecanismos
automatizados de extracción de información que utilizan frecuentemente
patrones lingüísticos. 9 9- 14 Si bien la precisión de los enfoques manuales se
controla directamente, ya que la precisión resultante es tan buena como la
aportación proporcionada por los modeladores humanos, estos enfoques no
son prácticos para formalizar grandes cantidades de GPC. Por otro lado, los
enfoques automatizados y semiautomatizados basados en la extracción de
información son más adecuados para formalizar un número relativamente
grande de GPC, pero estos enfoques no han demostrado cuán ampliables son
en el manejo de un gran número de GPC heterogéneos, GPC con diferentes
estilos, granularidad, etc., un desafío común con todos los sistemas de
extracción de información a gran escala. 15 Por lo tanto, la motivación de
nuestro trabajo en la construcción de un marco de formalización de CPG es
permitir que el modelador humano controle la expresividad de las reglas de
extracción en el sistema de formalización sin reconstruir el sistema.

El propósito de este trabajo es minimizar el esfuerzo requerido por los

modeladores humanos para cerrar la brecha entre CPG y CIG extendiendo la
automatización del proceso de formalización de los contextos clínicos de
recomendación de medicamentos y procedimientos. Seguimos un mecanismo
de extracción de contexto clínico de dos niveles para ayudar al modelador
humano a controlar mejor el equilibrio entre precisión y escalabilidad con GPC
heterogéneas.

Métodos

El marco propuesto sigue un enfoque de múltiples pasos, que ha demostrado

ser una buena estrategia para la formalización de la GPC. 16 Diseñamos el
marco para establecer límites alrededor de los aspectos de la recomendación
 de drogas en la formalización de la GPC, donde cada aspecto se implementa
como un componente autónomo separado en una tubería de formalización de la
GPC. El marco se basa en la Arquitectura de gestión de información no
estructurada (UIMA). 17 En las siguientes secciones, proporcionamos una
descripción de cada componente en nuestra tubería de formalización de CPG
como se ilustra en la Figura 1.

Figura 1. Tubería de formalización de CPG.

Análisis XML

Utilizamos las GPC extraídas del National Guideline Clearinghouse (NGC) 18 en

formato XML. El componente de análisis XML extrae el contenido de los
documentos XML CPG en un objeto estructurado.

Limpieza de texto

La mayoría de las secciones extraídas por el componente de análisis XML

contienen texto narrativo mezclado con etiquetas HTML. Los navegadores web
utilizan etiquetas HTML para representar texto para visualización visual, pero
como no estamos interesados en componer el texto para navegadores web,
eliminamos todas las etiquetas HTML del texto.

Etiquetado de concepto médico

Este es un componente para asignar texto de CPG a un vocabulario

médico; Utilizamos el Metathesaurus del Unified Medical Language System
(UMLS) como nuestra base de datos de vocabulario biomédico. El
Metathesaurus UMLS contiene más de 2.6 millones de conceptos cada uno
asignado a al menos un tipo semántico del conjunto de 133 tipos semánticos de
la red semántica UMLS. Usamos MetaMap, 19 , 20 para asignar el texto de CPG
a los conceptos de Metathesaurus UMLS. Para integrar MetaMap con el marco
UIMA, aprovechamos el MetaMap UIMA Annotator 21, que es un contenedor
 que hace que la herramienta MetaMap sea utilizable como un motor de análisis
UIMA.

Desambiguación de etiquetas médicas

Este es el proceso de encontrar los conceptos UMLS correctos, cuando

MetaMap asigna varios conceptos con la misma puntuación. Por ejemplo, la
palabra lentepodría ser anotada por MetaMap con tres conceptos UMLS
diferentes que tienen diferentes significados como se muestra en la Tabla 1 .

Tabla 1. Mapeo conceptual de MetaMap UMLS para la

palabra lente .

Tabla 1. Mapeo conceptual de MetaMap UMLS para la palabra lente .

Ver versión más grande

Para resolver este tipo de ambigüedad, utilizamos un algoritmo de

desambiguación basado en gráficos 22 para clasificar los conceptos UMLS de
MetaMap generados en función de su relación con el contexto del texto de
ubicación conjunta.

Detección de patrones de contexto clínico

Este es un componente de extracción basado en reglas. Este componente es el

primer nivel de nuestro mecanismo de extracción de contexto clínico; su función
es extraer fragmentos de texto que contienen las características mínimas
necesarias del contexto clínico en cuestión. La extracción del contexto clínico
basado en las características mínimas necesarias sigue el enfoque de arriba
hacia abajo 15 donde solo se deben definir las reglas generales que cubren la
mayor cantidad de casos posibles de contexto clínico, lo que significa que las
reglas tienen una alta cobertura y poca precisión. Debido a que las reglas
generales de extracción tienden a estar en pequeñas cantidades y son fáciles
de definir, la tarea de creación de reglas es una buena opción para los expertos
médicos que generalmente carecen de un amplio conocimiento en la creación
de reglas. Para simplificar aún más la tarea de creación de reglas para el
experto médico, utilizamos UIMA Ruta 23ya que tiene un lenguaje definido
basado en reglas con la capacidad de construir reglas contra el texto, así como
contra las anotaciones semánticas del texto. También definimos una guía de
cuatro pasos para estructurar el esfuerzo requerido. En las siguientes
secciones, describimos cada uno de los cuatro pasos para crear reglas de
extracción de recomendaciones de medicamentos con la sintaxis Ruta de
muestra resaltada en la Figura 2:

 Paso 1. Establezca los límites del análisis de texto : dado que analizar el
CPG como una unidad grande es demasiado complejo y poco práctico,
necesitamos dividir el documento de CPG en fragmentos de texto lo
suficientemente pequeños para facilitar el análisis. El modelador puede
elegir el límite en la sección, párrafo, oración o incluso en el nivel de token.
 Paso 2. Agrupe los tipos semánticos UMLS : cada etiqueta UMLS se asigna
a un tipo semántico UMLS. Esto nos da un amplio espectro de tipos
semánticos que es demasiado granular para nuestro análisis. Agrupar la
red semántica UMLS en un conjunto más pequeño de tipos semánticos
ayudará a eliminar las reglas duplicadas en los tipos semánticos
UMLS. Para lograr este objetivo, seguimos el enfoque presentado en
Bodenreider y McCray 24 y los tipos semánticos agregados. En la Tabla 2 ,
mostramos dos grupos de tipos semánticos, el químico y las drogas
(CHEM) y el trastorno (DISO) utilizados para el contexto clínico de
recomendación de drogas.
 Paso 3. Estructuración de datos clínicos : en este paso, el modelador
humano (1) define las estructuras de datos clínicos y (2) proporciona las
condiciones para asignar la estructura de datos clínicos recientemente
definida a las fichas en el texto de la GPC. La definición de estructuras de
datos clínicos podría ser gruesa, por ejemplo, la estructura de datos de
prescripción de medicamentos compuesta por el nombre del medicamento
 y la dosis, o más granular para incluir el momento de la dosis y la duración
del tratamiento. La expresividad de las reglas de extracción del contexto
clínico depende en gran medida de la granularidad de las estructuras de
datos utilizadas; cuanto más granulares son las estructuras de datos
clínicos, se pueden crear reglas más expresivas pero también más
compleja se vuelve la tarea de creación de reglas. Para seguir las
estructuras de datos clínicos previamente revisadas, definimos nuestras
estructuras de datos clínicos basadas en los arquetipos de openEHR. 25

Figura 2. Patrones de ruta UIMA para recomendación de medicamentos.

Tabla 2. Agrupación de tipo semántico UMLS.

Tabla 2. Agrupación de tipo semántico UMLS.

Ver versión más grande

La detección de una instancia de la estructura de datos clínicos definida en el

texto de CPG se logra mediante la anotación del texto de CPG con los tipos de
estructura de datos clínicos basados en condiciones predefinidas. Las
condiciones podrían basarse en un léxico específico, sintaxis o semántica
previamente anotada; Paso 3 en la figura 2muestra el código Ruta de nuestra
versión del arquetipo de evaluación de 'diagnóstico de problemas' y el arquetipo
de instrucciones de 'pedido de medicamentos' . Las estructuras de datos
clínicos definidos contienen un elemento para simplificar, pero cada una de
estas estructuras de datos puede contener múltiples elementos; También
definimos condiciones relajadas que capturan tokens anotados con los grupos
semánticos DISO y CHEM y etiquetamos el primero como un elemento
 del arquetipo de evaluación de 'diagnóstico de problemas' y el segundo como el
elemento de medicina del arquetipo de instrucciones de 'orden de
medicamentos' .

 Paso 4. Relaciones semánticas del contexto clínico : cada contexto clínico

podría modelarse como una instancia de relación semántica entre datos
clínicos, por ejemplo, la recomendación del fármaco podría modelarse
como una relación semántica de enfermedad a fármaco o relación
semántica de síntomas a fármaco . Anotar texto de GPC con relación
semántica de contexto clínico requiere que el modelador humano (1) defina
una relación semántica y (2) defina condiciones para mapear instancias de
estructuras de datos clínicos a una relación semántica.

En la figura 3, mostramos la frase "Fluoxetina (20–80 mg / día) debe

considerarse para el tratamiento de pacientes con fibromialgia" del "Manejo del
dolor crónico: una guía clínica nacional". 26 La GPC y las anotaciones se asignan
en base a los cuatro pasos de detección del patrón de contexto clínico.

Figura 3. Anotaciones para el contexto clínico de recomendación de fármacos.

Filtrado de contexto clínico

Este componente es responsable de eliminar las instancias de contexto clínico

mal etiquetadas por el componente de detección de patrón de contexto
clínico. Utilizamos un algoritmo de clasificación de regresión logística 27 para
decidir sobre la corrección de las etiquetas de recomendación de
medicamentos. Debido a que este algoritmo de clasificación está supervisado,
lo que significa que debe ser entrenado usando un conjunto de datos
correctamente anotado, generamos un conjunto de datos de entrenamiento
compuesto por 117 oraciones de recomendación extraídas del Corpus de
recomendación de directrices de Yale (YGRC). 28El YGRC se compone de 1275
recomendaciones que cubren una amplia gama de enfermedades y trastornos
 mentales extraídos del NGC. Anotamos todas las oraciones de YGRC con
MetaMap y luego seleccionamos 117 oraciones que tienen tokens en el grupo
semántico DISO además de otros tokens en el procedimiento o grupo
semántico CHEM. Etiquetamos manualmente cada oración como
recomendación de fármaco / procedimiento o recomendación de no fármaco /
procedimiento.

Mapeo del contexto clínico

Este es un componente para mapear instancias de relaciones semánticas del

contexto clínico con sus construcciones CIG objetivo como un conjunto de
reglas. Utilizamos nuestro lenguaje de definición de guías openEHR
(GDL) 29 como nuestro CIG objetivo; GDL aprovecha los diseños del modelo de
arquetipo openEHR que utilizamos en el paso de detección de patrones.

Aunque el mapeo del contexto clínico sigue siendo una tarea manual que debe
realizar el ingeniero de conocimiento, puede automatizarse completamente si el
modelista experto médico utiliza una convención de nomenclatura estándar
para las estructuras de datos clínicos utilizadas en el componente de detección
de patrones de contexto clínico.

Nuestra evaluación se basó en la medición de la precisión, sensibilidad /

recuerdo y especificidad de la recomendación de drogas extraída y las reglas
de recomendación de procedimiento de las oraciones de recomendación de
entrada. La precisión, sensibilidad / recuperación y especificidad se miden en
función de la corrección de nuestro marco en la búsqueda de instancias para
los patrones de Ruta UIMA definidos por el experto médico. Más formalmente,
suponga que I es el conjunto de todas las oraciones en una GPC e I G denota el
subconjunto de I que contiene oraciones con un medicamento y un trastorno, u
oraciones con un procedimiento y un trastorno; I G ' denota todas las oraciones
en I que no están en I G ;I F denota el conjunto de oraciones extraídas por
nuestro marco; I F ' denota un conjunto de oraciones no extraídas por nuestro
marco
 𝑃𝑟 𝑒 𝑐 𝑖 𝑠 𝑖 𝑜 𝑛 = | 𝐼𝐺∩ 𝐼𝐹El |El | 𝐼𝐹El
= 𝑇𝑟 𝑢 𝑒𝑃𝑜 𝑠 𝑖 𝑡 𝑖 𝑣 𝑒𝑇𝑟 𝑢 𝑒𝑃𝑜 𝑠 𝑖 𝑡 𝑖 𝑣 𝑒 + 𝐹𝑎 𝑙 𝑠 𝑒𝑃𝑜 𝑠 𝑖 𝑡 𝑖 𝑣 𝑒Precision=|IG∩IF||IF|=TruePositiveTruePositive+FalsePositive

𝑅 𝑒 𝑐 𝑎 𝑙 𝑙 / 𝑠 𝑒 𝑛 𝑠 𝑖 𝑡 𝑖 𝑣 𝑖 𝑡 𝑦 = | 𝐼𝐺∩ 𝐼𝐹El |El | 𝐼𝐺El

𝑢 𝑒𝑃𝑜 𝑠 𝑖 𝑡 𝑖 𝑣 𝑒𝑇𝑟 𝑢 𝑒𝑃𝑜 𝑠 𝑖 𝑡 𝑖 𝑣 𝑒 + 𝐹𝑎 𝑙 𝑠 𝑒𝑁𝑒 𝑔 𝑎 𝑡 𝑖 𝑣 𝑒Recall/sensitivity=|IG∩IF||IG|=TruePositiveTruePositive+FalseNeg

𝑆𝑝 𝑒 𝑐 𝑖 𝑓𝑖 𝑐 𝑖 𝑡 𝑦 = |El |𝐼𝐹′El |El |El |El |𝐼𝐹′∪ { 𝐼𝐹∩ 𝐼𝐺′} |El

𝑒𝑁𝑒 𝑔 𝑎 𝑡 𝑖 𝑣 𝑒𝐹𝑎 𝑙 𝑠 𝑒𝑃𝑜 𝑠 𝑖 𝑡 𝑖 𝑣 𝑒 + 𝑇𝑟 𝑢 𝑒𝑁𝑒 𝑔 𝑎 𝑡 𝑖 𝑣 𝑒Specificity=|IF′||IF′∪{IF∩IG′}|=TrueNegativeFalsePositive+TrueN

Resultados

Implementamos nuestro marco de formalización en JAVA (versión 1.7) y lo

integramos con el editor GDL. 29 Debido a la falta de acceso a modeladores
humanos independientes, no pudimos medir el ahorro de esfuerzo manual
introducido por nuestro marco; sin embargo, evaluamos la precisión del
conocimiento extraído por nuestro marco para la recomendación del fármaco y
los contextos clínicos de recomendación del procedimiento. Para construir
nuestro estándar de oro para el contexto clínico de recomendación de
medicamentos para medir, utilizamos todas las recomendaciones de la GPC
'Manejo del dolor crónico' 26 y la GPC 'Manejo del cáncer de pulmón', 30y luego
etiquetamos manualmente cada recomendación como recomendación de
fármaco / procedimiento o recomendación de no fármaco / procedimiento. El
conjunto de datos de prueba resultante se compone de 169 oraciones de
recomendación. En la Tabla 3 , mostramos la precisión de nuestro marco para
clasificar las 169 oraciones de recomendación.

Tabla 3. Evaluación de las oraciones de recomendación.

Tabla 3. Evaluación de las oraciones de recomendación.

 Ver versión más grande

Evaluamos la exactitud de las recomendaciones formalizadas verificando

manualmente las reglas extraídas y asignamos un coeficiente de 1 para las
reglas que están codificadas y completas correctamente, 0.5 para las reglas
que son correctas pero parciales (por ejemplo, no se capturan todos los
elementos de las condiciones de la regla) , y 0 para las reglas que están
mal. En la Tabla 4 , mostramos la precisión de las reglas extraídas en función
de la métrica descrita. Hay dos fuentes principales de errores para las reglas
incorrectas: anotaciones incorrectas de MetaMap o clasificación incorrecta de
nuestro componente de filtrado de contexto clínico mediante regresión logística.

Tabla 4. Precisión de las reglas extraídas.

Tabla 4. Precisión de las reglas extraídas.

Ver versión más grande

Discusión

Utilizando la extracción de información, se han aplicado técnicas para extraer

conocimiento biomédico en otros documentos biomédicos que no son
GPC. 31 , 32 El marco propuesto se adapta a las necesidades específicas de las
GPC donde la granularidad del conocimiento clínico difiere entre los diferentes
tipos de GPC; por lo tanto, diseñamos el marco para permitir que el modelador
humano controle la granularidad del conocimiento clínico extraído.

El marco propuesto se basa en un componente de detección de patrones de

contexto clínico que utiliza UIMA Ruta, un mecanismo de extracción de
información basado en reglas para extraer fragmentos de texto que contienen
las características mínimas necesarias del tipo de recomendaciones clínicas en
cuestión. Creemos que extraer la recomendación clínica siguiendo un enfoque
de arriba hacia abajo 15donde solo las reglas generales que cubren la mayor
cantidad posible de instancias de recomendación clínica deben definirse es
adecuado para la formalización de la GPC. Las reglas generales de extracción
tienden a ser pequeñas y son fáciles de definir, lo que hace que la tarea de
autoría de reglas sea una buena opción para los expertos médicos que
generalmente carecen de un amplio conocimiento en la autoría de
reglas. Aunque las reglas generales de extracción de información resultan en
una alta cobertura, tienen una precisión pobre; por lo tanto, agregamos el
componente de filtrado de contexto clínico mediante regresión logística para
filtrar los falsos positivos introducidos por las reglas generales de extracción de
información definidas en el componente de detección de patrones de contexto
clínico. El marco se probó al extraer solo dos tipos de contexto clínico debido a
la falta de conjuntos de datos de prueba previamente anotados. En la siguiente
discusión, analizamos los resultados obtenidos:

La precisión se ve afectada por el tamaño y la calidad de nuestro conjunto de

datos de entrenamiento; En el ejemplo presentado, utilizamos un conjunto de
datos de capacitación compuesto por 117 oraciones de recomendación
extraídas de YGRC, que es pequeño para proporcionar una alta precisión. Este
problema podría reducirse alimentando las reglas de salida del marco al
conjunto de datos de entrenamiento, un paso que requiere un etiquetado
manual menor de qué reglas se extraen correctamente y cuáles se extraen
incorrectamente.

La sensibilidad / recuperación se ve afectada por la forma en que dividimos

nuestra GPC en fragmentos de texto más pequeños, por ejemplo, en el ejemplo
presentado dividimos la GPC en oraciones, pero algunas recomendaciones de
medicamentos dentro de la GPC tienen el medicamento y el medicamento
ubicados en dos oraciones separadas, y por lo tanto, estas son extrañadas por
nuestras reglas de extracción. Este problema podría reducirse cambiando el
tamaño de nuestra unidad de análisis de una oración a dos oraciones
consecutivas o al párrafo completo, pero dicha modificación dañaría la precisión
a menos que agreguemos más reglas para manejar la extracción de oraciones
cruzadas. Se pueden aplicar diferentes enfoques de extracción de oraciones
cruzadas. Un enfoque sería realizar una extracción de oraciones cruzadas
cuando una oración solo contiene una parte del contexto clínico, como una
oración con solo una enfermedad, seguido de una oración que solo contiene la
otra parte del contexto clínico, como una oración con solo un
medicamento. Este enfoque es muy conservador y no afectaría la precisión de
la regla de extracción en la oración. La incorporación de otros enfoques de
extracción de oraciones cruzadas que tienen más cobertura probablemente
interferiría con otras reglas de extracción de oraciones. Por lo tanto, con cada
enfoque de extracción de oraciones cruzadas, necesitamos evaluar la ganancia
de precisión de extracción de oraciones cruzadas para la pérdida de precisión
en oraciones.

La especificidad se ve afectada por cuán estrictas son nuestras condiciones

para etiquetar una oración con una relación semántica específica. En el ejemplo
presentado, logramos una alta especificidad porque nuestras condiciones para
etiquetar las relaciones semánticas de medicamentos son muy estrictas.

El marco propuesto se puede usar de manera efectiva para formalizar los

contextos clínicos de recomendación de medicamentos y procedimientos de las
GPC en un formato compatible con CDSS. Más significativamente, proporciona
a los modeladores humanos una metodología para extender el marco para
formalizar otro contexto clínico de GPC. El marco se centra en automatizar los
pasos de formalización comunes de CPG mientras permite al modelador
humano mantener el control de todos los pasos de extracción de
conocimiento. Configurando el patrón de detección del contexto
clínicocomponente, el modelador humano podría definir cómo el texto CPG se
dividiría en fragmentos más pequeños para el análisis y controlar el nivel de
granularidad del conocimiento clínico extraído. Este control equilibra
generalidad y especificidad para maximizar la utilidad del conocimiento
extraído. Si el conocimiento extraído es demasiado específico / expresivo,
 complica innecesariamente las reglas de extracción. Creemos que tales
capacidades de configuración en nuestro marco ayudarían a reducir la molestia
e insatisfacción del modelador humano acompañado de los largos pasos de
formalización manual de CPG o la inflexibilidad de otros enfoques de
formalización de CPG automatizados.

Declaración de intereses en conflicto

El (los) autor (es) declaró que no existen conflictos de interés potenciales con
respecto a la investigación, autoría y / o publicación de este artículo.

Financiación
Los autores no recibieron apoyo financiero para la investigación, autoría y / o
publicación de este artículo.

Referencias
Field, MJ, Lohr, KN. Guías de práctica clínica: instrucciones para un nuevo
programa.Washington, DC : National Academies Press , 1990 , pág. 90 .
1)
Google Académico

Woolf, SH, Grol, R, Hutchinson, A. Beneficios potenciales, limitaciones y daños de las

guías clínicas . BMJ 1999 ; 318: 527 - 530 .
2)
Google Académico | Crossref | Medline

Davis, DA, Thomson, MA, Oxman, AD. Pruebas de la efectividad de la CME: una
revisión de 50 ensayos controlados aleatorios . JAMA 1992 ; 268: 1111 - 1117 .
3)
Google Académico | Crossref | Medline | ISI

Kilsdonk, E, Peute, LW, Riezebos, RJ. Desde una guía en papel dirigida por expertos
hasta un sistema de soporte de decisiones centrado en el usuario: un estudio de
4) comparación de usabilidad . Artif Intell Med 2013 ; 59: 5 - 13 .
Google Académico | Crossref | Medline | ISI

Woolf, SH. Pautas de medicina y práctica basadas en la evidencia: una visión

general. Cancer Control 2000 ; 7: 362 - 367 .
5)
Google Académico | Diarios SAGE
 Peleg, M. Guías clínicas interpretables por computadora: una revisión metodológica . J
Biomed Inform 2013 ; 46 (4): 744 - 763 .
6)
Google Académico | Crossref | Medline | ISI

Medlock, S, Opondo, D, Eslami, S. LERM (Método de regla de elementos lógicos): un

método para evaluar y formalizar reglas clínicas para el apoyo a la decisión . Int J Med
7) Inform 2011 ; 80: 286 - 295 .
Google Académico | Crossref | Medline | ISI

Svátek, V, Ruzicka, M. Marcado paso a paso de documentos de pautas médicas . Int J

Med Inform 2003 ; 70: 329 - 335 .
8)
Google Académico | Crossref | Medline | ISI

Serban, R, ten Teije, A, van Harmelen, F. Extracción y uso de patrones lingüísticos para
modelar pautas médicas . Artif Intell Med 2007 ; 39: 137 - 149 .
9)
Google Académico | Crossref | Medline | ISI

Serban, R, ten Teije, A. Explotación del conocimiento del tesauro en la formalización de

guías médicas . Método Inform Med 2009 ; 48: 468 .
10)
Google Académico | Crossref | Medline | ISI

Kaiser, K, Akkaya, C, Miksch, S. ¿Cómo puede la extracción de información facilitar los

procesos de tratamiento formalizados en las guías de práctica clínica? Un método y su
11) evaluación . Artif Intell Med 2007 ; 39: 151 - 163 .
Google Académico | Crossref | Medline | ISI

Kaiser, K, Miksch, S. Control de versiones de pautas interpretables por computadora:

modelado semiautomático de 'Pautas de vida' utilizando un método de extracción de
12) información . Artif Intell Med 2009 ; 46: 55 - 66 .
Google Académico | Crossref | Medline | ISI

Taboada, M, Meizoso, M, Riaño, D. Desde descripciones del lenguaje natural en guías

clínicas hasta relaciones en una ontología . En: Riaño, D, ten Teije, A, Miksch, S. (eds)
Representación del conocimiento para el cuidado de la salud: datos, procesos y
13)
pautas. Berlín, Heidelberg : Springer , 2010 , pp. 26 de - 37 .
Google Académico | Crossref

Wenzina, R, Kaiser, K. Identificación de oraciones de condición-acción utilizando un

14) método de extracción de información basado en heurística . En: Riaño, D, Lenz, R,
Miksch, S. (eds) Apoyo al proceso y representación del conocimiento en la atención de la
 salud. Berlín, Heidelberg : Springer , 2013 , pp. 26 de - 38 .
Google Académico | Crossref

Sarawagi, S. Extracción de información . Base de datos de tendencias

encontradas2008 ; 1: 261 - 377 .
15.
Google Académico | Crossref

Seyfang, A, Martínez-Salvador, B, Serban, R. Mantener modelos formales de pautas de

vida de manera eficiente . En: Bellazzi, R, Abu-Hanna, A, Hunter, J (eds) Inteligencia
dieciséis. artificial en medicina. Berlín, Heidelberg : Springer , 2007 , pp. 441 - 445 .
Google Académico | Crossref

Ferrucci, D, Lally, A. UIMA: un enfoque arquitectónico para el procesamiento de

información no estructurada en el entorno de investigación corporativa . Nat Lang
17) Eng2004 ; 10: 327 - 348 .
Google Académico | Crossref

National Guideline Clearinghouse, http://www.guideline.gov (consultado el 2 de febrero

de 2015).
18)
Google Académico

Aronson, AR. Mapeo efectivo de texto biomédico al Metathesaurus UMLS: el programa

MetaMap . Actas del simposio anual de la Asociación Americana de Informática
19) Médica. Washington, DC : Hanley y Belfus , 2001 , pp. 17 de - 21 de .
Google Académico

Rindflesch, TC, Kilicoglu, H, Fiszman, M. MEDLINE semántico: una aplicación de

gestión de información avanzada para biomedicina . Informar Serv Use 2011 ; 31: 15 -
20) 21 .
Google Académico | Crossref

Rogers, W. Utilizando el Anotador UIMA

MetaMap , 2010 , https://metamap.nlm.nih.gov/Docs/README_uima.html
21)
Google Scholar

Gad El-Rab, W, Zaïane, O, El-Hajj, M. Desambiguación de sentido de palabras basada en

gráficos no supervisada de documentos biomédicos . En: Conferencia Internacional IEEE
15a en las redes de salud electrónica, aplicaciones y servicios (HealthCom),Lisboa , 9-
22)
12 de octubre de 2013 , pp. 649 - 652 . Nueva York : IEEE .
Google Académico | Crossref
 Kluegl, P, Toepfer, M, Beck, PD. UIMA Ruta: desarrollo rápido de aplicaciones de
extracción de información basadas en reglas . Nat Lang Eng 2014 ; 22: 1 - 40 .
23)
Google Académico | Crossref | ISI

Bodenreider, O, McCray, AT. Explorando grupos semánticos a través de enfoques

visuales . J Biomed Inform 2003 ; 36: 414 - 432 .
24)
Google Académico | Crossref | Medline | ISI

Beale, T. Arquetipos: modelos de dominio basados en restricciones para sistemas de

información a prueba de futuro . Taller de OOPSLA 2002 sobre semántica
25) conductual,Seattle, WA , 4 de noviembre de 2002 .
Google Académico

Manejo del dolor crónico: una guía clínica

nacional, http://www.sign.ac.uk/pdf/SIGN136.pdf (consultado el 2 de febrero de 2015).
26)
Google Académico

Hosmer, DW, Beale, T, Lemeshow, S. Regresión logística aplicada. Hoboken, Nueva

Jersey : John Wiley & Sons , 2004 .
27)
Google Académico

Hussain, T, Michel, G, Shiffman, RN. El Corpus de recomendación de guías de Yale: una

muestra representativa del contenido de conocimiento de las guías . Int J Med
28) Inform 2009 ; 78 (5): 354 - 363 .
Google Académico | Crossref | Medline | ISI

Chen, R. Guideline Definition Language

(GDL) , http://www.openehr.org/news_events/releases/releases.php?id=79 (consultado el
29) 2 de febrero de 2015).
Google Académico

Manejo del cáncer de pulmón, http://www.sign.ac.uk/pdf/SIGN137.pdf (consultado el 10

de octubre de 2015).
30)
Google Académico

Bratsas, C, Koutkias, V, Kaimakamis, E. KnowBaSICS-M: un sistema basado en

ontología para el manejo semántico de problemas médicos y soluciones algorítmicas
31) computarizadas . Programas de métodos informáticos Biomed 2007 ; 88 (1): 39 - 51 .
Google Académico | Crossref | Medline | ISI
 Uramoto, N, Matsuzawa, H, Nagano, T. Un sistema de minería de texto para el
descubrimiento de conocimiento a partir de documentos biomédicos . IBM Syst
32)
J 2004; 43 (3): 516 - 533 .
Google Académico | Crossref