Tendencias Científicas
Las redes sociales aportan mucha información sobre medicamentos, pero hay que procesarla. Fuente: UC3M.
Investigadores de la Universidad Carlos III de Madrid (UC3M) han desarrollado un sistema para detectar los efectos adversos de los medicamentos siguiendo en tiempo real la información sobre salud que generan los pacientes en redes sociales como Twitter o blogs especializados.
Cada 5 segundos se realizan 170.000 búsquedas en Google sobre salud, lo que convierte a este campo en la tercera categoría más buscada, explican los investigadores. “Los ciudadanos generan ahora mucha información, de modo que las redes sociales pueden ser una valiosa fuente para descubrir efectos adversos de los medicamentos una vez el fármaco ha finalizado la fase de ensayos clínicos y empieza a comercializarse”, apunta una de las investigadoras, Isabel Segura Bedmar, del departamento de Informática de la UC3M, en la nota de prensa de ésta.
La gran cantidad de datos que deben almacenarse, su variedad y la velocidad con la que se ven modificados hacen de este un problema típico de big data.
El prototipo que han creado estos científicos, en el marco del proyecto de investigación europeo TrendMiner, permite analizar los comentarios en redes sociales por medio de técnicas de procesamiento del lenguaje natural (PLN). Gracias a estas técnicas, las descripciones coloquiales de los pacientes se “traducen” a datos manejables en estudios comparativos que permitan la obtención de patrones, tendencias, etc.
“Estos datos pueden también combinarse con los obtenidos de otras fuentes, como son las historias clínicas electrónicas de los pacientes; en ellas aparece información muy útil sobre diagnósticos, tratamientos, etc., también descrita en gran parte en lenguaje natural, por lo que es necesario codificarla y convertirla en información estructurada con la que poder trabajar”, explica otra de las investigadoras, la profesora Paloma Martínez, del Laboratorio de Bases de Datos Avanzadas de la UC3M.
Procesador
El prototipo que han creado para analizar comentarios en redes sociales incorpora un procesador lingüístico basado en MeaningCloud, una tecnología comercial para análisis de big data de la empresa Daedalus, que reconoce las menciones de fármacos, efectos adversos y enfermedades. El sistema visualiza la evolución de estas menciones y sus “coocurrencias”, es decir, registra qué fármacos se mencionan y con qué efectos adversos.
Por ejemplo, el sistema monitoriza fármacos pertenecientes a la familia de los ansiolíticos y para ello no solo tiene en cuenta las menciones de los principios activos o medicamentos genéricos de este grupo (entre otros el lorazepam y el diazepam) sino también las marcas comerciales (como el Orfidal). Todas estas menciones se pueden analizar además en relación con sus efectos terapéuticos (entre los cuales están "Orfidal indicado para ansiedad") y sus efectos adversos (tales como "Orfidal puede producir temblores").
Esta tecnología la podría emplear también una farmacéutica para “saber qué se está diciendo de un fármaco, por ejemplo, o para recabar sospechas sobre efectos adversos y así complementar las notificaciones recibidas por los canales tradicionales”, comenta José Luis Martínez Fernández, que compagina su labor docente en el departamento de Informática de la UC3M con la dirección de consultoría de Daedalus.
Hay partes de informes médicos, notas o historias clínicas “que son difíciles de procesar, por lo que no se está trabajando en ello, y esta técnica podría ayudarnos a sacar el máximo rendimiento a ese contenido”, explica el investigador. “El reto es transformar esos textos, que actualmente se almacenan sin analizar, en información estructurada, lo que permite que se pueda utilizar con fines clínicos y epidemiológicos para adquirir nuevo conocimiento o analizar tendencias que faciliten la toma de decisiones”, recalca.
Cada 5 segundos se realizan 170.000 búsquedas en Google sobre salud, lo que convierte a este campo en la tercera categoría más buscada, explican los investigadores. “Los ciudadanos generan ahora mucha información, de modo que las redes sociales pueden ser una valiosa fuente para descubrir efectos adversos de los medicamentos una vez el fármaco ha finalizado la fase de ensayos clínicos y empieza a comercializarse”, apunta una de las investigadoras, Isabel Segura Bedmar, del departamento de Informática de la UC3M, en la nota de prensa de ésta.
La gran cantidad de datos que deben almacenarse, su variedad y la velocidad con la que se ven modificados hacen de este un problema típico de big data.
El prototipo que han creado estos científicos, en el marco del proyecto de investigación europeo TrendMiner, permite analizar los comentarios en redes sociales por medio de técnicas de procesamiento del lenguaje natural (PLN). Gracias a estas técnicas, las descripciones coloquiales de los pacientes se “traducen” a datos manejables en estudios comparativos que permitan la obtención de patrones, tendencias, etc.
“Estos datos pueden también combinarse con los obtenidos de otras fuentes, como son las historias clínicas electrónicas de los pacientes; en ellas aparece información muy útil sobre diagnósticos, tratamientos, etc., también descrita en gran parte en lenguaje natural, por lo que es necesario codificarla y convertirla en información estructurada con la que poder trabajar”, explica otra de las investigadoras, la profesora Paloma Martínez, del Laboratorio de Bases de Datos Avanzadas de la UC3M.
Procesador
El prototipo que han creado para analizar comentarios en redes sociales incorpora un procesador lingüístico basado en MeaningCloud, una tecnología comercial para análisis de big data de la empresa Daedalus, que reconoce las menciones de fármacos, efectos adversos y enfermedades. El sistema visualiza la evolución de estas menciones y sus “coocurrencias”, es decir, registra qué fármacos se mencionan y con qué efectos adversos.
Por ejemplo, el sistema monitoriza fármacos pertenecientes a la familia de los ansiolíticos y para ello no solo tiene en cuenta las menciones de los principios activos o medicamentos genéricos de este grupo (entre otros el lorazepam y el diazepam) sino también las marcas comerciales (como el Orfidal). Todas estas menciones se pueden analizar además en relación con sus efectos terapéuticos (entre los cuales están "Orfidal indicado para ansiedad") y sus efectos adversos (tales como "Orfidal puede producir temblores").
Esta tecnología la podría emplear también una farmacéutica para “saber qué se está diciendo de un fármaco, por ejemplo, o para recabar sospechas sobre efectos adversos y así complementar las notificaciones recibidas por los canales tradicionales”, comenta José Luis Martínez Fernández, que compagina su labor docente en el departamento de Informática de la UC3M con la dirección de consultoría de Daedalus.
Hay partes de informes médicos, notas o historias clínicas “que son difíciles de procesar, por lo que no se está trabajando en ello, y esta técnica podría ayudarnos a sacar el máximo rendimiento a ese contenido”, explica el investigador. “El reto es transformar esos textos, que actualmente se almacenan sin analizar, en información estructurada, lo que permite que se pueda utilizar con fines clínicos y epidemiológicos para adquirir nuevo conocimiento o analizar tendencias que faciliten la toma de decisiones”, recalca.
Efectos adversos
Gracias a todo ello, además, en el marco de este proyecto se ha creado la primera base de datos en español que permite unificar información sobre fármacos y sus efectos adversos, destacan los investigadores, que adelantaron algunos de sus resultados el año pasado en un congreso científico celebrado en Gotemburgo (Suecia) y que van a publicar un trabajo más detallado al respecto en la revista BMC Medical Informatics and Decision Systems.
Las reacciones adversas a medicamentos (RAM) son el problema más importante de seguridad en el campo de la salud. Se refieren a los efectos dañinos y no intencionados que producen los fármacos en el tratamiento de enfermedades y profilaxis, ya sea cuando se administran dosis normales, ya sea cuando se incurre en errores de medicación o usos incorrectos. Son la cuarta causa de muerte en pacientes hospitalizados en EE.UU. Por ello, el área de la farmacovigilancia está recibiendo una gran atención debido a la gran incidencia de las RAM y al alto coste que llevan asociadas (entre el 15 y el 20 por ciento del gasto hospitalario se debe a complicaciones debidas a fármacos).
Determinadas RAM no se descubren durante los ensayos clínicos dado que no pueden conocerse hasta que el fármaco lleva varios años en el mercado. Por ello, las agencias de medicamentos deben vigilar las RAM una vez comercializado el medicamento, y el principal instrumento del que disponen son los sistemas de notificación voluntaria en los que profesionales y pacientes informan sobre sospechas de RAM (en España los pacientes pueden informar desde julio de 2012).
Sin embargo, estos sistemas apenas se utilizan, pues se estima que solo se notifican entre un 5% y un 20% de las RAM, ya sea por la falta de tiempo, por la complejidad del proceso, por el poco conocimiento respecto a las RAM o por la mala coordinación entre niveles asistenciales, comentan los investigadores.
Este trabajo de investigación se ha financiado con el proyecto europeo TrendMiner (Séptimo Programa Marco), en el que participan también la Universidad de Sheffield y la de Southampton (Reino unido), el Instituto de Investigación en Lingüística de la Academia Húngara de Ciencias, y el Instituto de Ciencias de la Computación de la Academia Polaca de Ciencias.
También ha sido financiado por el Estado español, a través del programa MultiMedica.
Gracias a todo ello, además, en el marco de este proyecto se ha creado la primera base de datos en español que permite unificar información sobre fármacos y sus efectos adversos, destacan los investigadores, que adelantaron algunos de sus resultados el año pasado en un congreso científico celebrado en Gotemburgo (Suecia) y que van a publicar un trabajo más detallado al respecto en la revista BMC Medical Informatics and Decision Systems.
Las reacciones adversas a medicamentos (RAM) son el problema más importante de seguridad en el campo de la salud. Se refieren a los efectos dañinos y no intencionados que producen los fármacos en el tratamiento de enfermedades y profilaxis, ya sea cuando se administran dosis normales, ya sea cuando se incurre en errores de medicación o usos incorrectos. Son la cuarta causa de muerte en pacientes hospitalizados en EE.UU. Por ello, el área de la farmacovigilancia está recibiendo una gran atención debido a la gran incidencia de las RAM y al alto coste que llevan asociadas (entre el 15 y el 20 por ciento del gasto hospitalario se debe a complicaciones debidas a fármacos).
Determinadas RAM no se descubren durante los ensayos clínicos dado que no pueden conocerse hasta que el fármaco lleva varios años en el mercado. Por ello, las agencias de medicamentos deben vigilar las RAM una vez comercializado el medicamento, y el principal instrumento del que disponen son los sistemas de notificación voluntaria en los que profesionales y pacientes informan sobre sospechas de RAM (en España los pacientes pueden informar desde julio de 2012).
Sin embargo, estos sistemas apenas se utilizan, pues se estima que solo se notifican entre un 5% y un 20% de las RAM, ya sea por la falta de tiempo, por la complejidad del proceso, por el poco conocimiento respecto a las RAM o por la mala coordinación entre niveles asistenciales, comentan los investigadores.
Este trabajo de investigación se ha financiado con el proyecto europeo TrendMiner (Séptimo Programa Marco), en el que participan también la Universidad de Sheffield y la de Southampton (Reino unido), el Instituto de Investigación en Lingüística de la Academia Húngara de Ciencias, y el Instituto de Ciencias de la Computación de la Academia Polaca de Ciencias.
También ha sido financiado por el Estado español, a través del programa MultiMedica.
Referencias bibliográficas:
Isabel Segura-Bedmar, Paloma Martínez, Ricardo Revert y Julián Moreno-Schneider: Exploring Spanish Health Social Media for detecting drug effects. BMC Medical Informatics and Decision Systems (2015). Aceptado para su publicación.
Isabel Segura-Bedmar, Ricardo Revert, Paloma Martínez: Detecting drugs and adverse events from Spanish social media streams. Proceedings of the 5th International Workshop on Health Text Mining and Information Analysis (2014).
Isabel Segura-Bedmar, Paloma Martínez, Ricardo Revert y Julián Moreno-Schneider: Exploring Spanish Health Social Media for detecting drug effects. BMC Medical Informatics and Decision Systems (2015). Aceptado para su publicación.
Isabel Segura-Bedmar, Ricardo Revert, Paloma Martínez: Detecting drugs and adverse events from Spanish social media streams. Proceedings of the 5th International Workshop on Health Text Mining and Information Analysis (2014).
Inicio
Enviar a un amigo
Versión para imprimir
Compartir
La diversidad intestinal de los bebés los protege de asma y alergias futuras
CIENCIA ON LINE