medigraphic.com
ISSN 1684-1859 (Impreso)

2016, Número 1

<< Anterior Siguiente >>

Revista Cubana de Informática Médica 2016; 8 (1)


Toma de decisiones inteligente a partir de registros médicos almacenados en CDA-HL7

Fuentes HIE, Magdaleno GD, García LMM

Idioma: Español
Referencias bibliográficas: 27
Paginas: 109-124
Archivo PDF: 310.89 Kb.


RESUMEN

Debido al incremento exponencial de la información almacenada en las organizaciones, la Sociedad de la Información está siendo superada por la necesidad de nuevos métodos capaces de procesar la información y asegurar su uso productivo. Esto se hace lógicamente extensible a los centros hospitalarios, a partir del uso extendido de las Historias Clínicas en formato electrónico. Disponer de información sistematizada, gestionarla de forma eficiente y segura es esencial para garantizar mejores prácticas en salud. A esto se le añade la necesidad de soportar estándares que permitan el intercambio entre las instituciones de salud; específicamente HL7 se ha convertido en uno de los más utilizados debido a que proporciona el intercambio a partir del metalenguaje XML. En este trabajo se propone una metodología para el descubrimiento de conocimiento implícito en Historias Clínicas en formato semi-estructurado utilizando el contenido y la estructura de los mismos. Los principales resultados son: (1) La metodología para el agrupamiento de Historias Clínicas; (2) La interpretación de los resultados del agrupamiento para asistir la toma de decisiones diagnósticas; (3) La implementación del estándar HL7, para la manipulación de documentos médicos a partir de CDA.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Engelbrecht R. K4Health. Knowledge for Health. Integrating EHR and Knowledge for better health care. Status of the EoI and work items. EUROREC. Berlin. [citado 2002 dic 14]. Disponible en: http://www.eurorec.net/EUROREC_2002_presentations.html

  2. Brau B. Extensible Markup Language(XML) 1.0., in W3C Recommendation. 1998.

  3. C.D M, Raghan P, Schütze H. Introduction to Information Retrieval. 2008 Cambridge University Press.

  4. Zwaanswijk M, Verheij F. J, Wiesman R. D. Benefits and problems of electronic information exchange as perceived by health care professionals: an interview study. BMC Health Services Research, 11:256. Doi:10.1186/1472-6963-11-256. (2011)

  5. Dalamagas T, Cheng T, Winkel K-J, Sellis T. A. Methodology for Clustering XML Documents by Structure. Information Systems (2006).

  6. Dick R. S, Oteen E. B, Detmer D. E. (eds). The computer-based patient record: An essential technology for health care. Revised Edition Washington, D.C: The Nacional Academy Press. 1997. Capítulo 2. p. 74-99. [citado 2002 dic 14]. Disponible en: http://books.nap.edu/books/0309055326/html/R1.html

  7. Gérvas J. La historia clínica electrónica: muchas promesas y pocos hechos. Aten Primaria. 2008;40(Supl 1):13

  8. Guerrini G, Mesiti M, Sanz I. An Overview of Similarity Measures for Clustering XML Documents. 2006.

  9. Wilde E, Glushko R.J. XML fever. Comm. ACM, 2008. 51(7): p. 40-46. doi: 10.1145/1364782.1364795

  10. Wang G. RPE query processing and optimization techniques for XML databases. J. Comput. Sci. Technol, 2004. 19(2): p. 224-237.

  11. Bertino E, Ferrari E. XML and data integration. IEEE Internet Comput, 2001. 5(6): p. 75-76. doi: 10.1109/4236.968835

  12. Algergawy A. XML Data Clustering: An Overview, in ACM Computing Surveys. 2011. doi: 10.1145/1978802.1978804

  13. Kruse R, Döring C, Lesor M.-J. Fundamentals of Fuzzy Clustering, in Advances in Fuzzy Clustering and its Applications, J.V.d. Oliveira and W. Pedrycz, Editors. 2007, John Wiley and Sons: Est Sussex, England. p. 3-27.

  14. Ji T, X Bao, D. Yang. FXProj - A Fuzzy XML Documents Projected Clustering Based on Structure and Content. LNAI 7120, 2011: p. 406-419.

  15. Yousuke W, Hidetaka K , Haruo Y. Similarity search for office XML documents based on style and structure data. International Journal of Web Information Systems, 2013. 9(2): p. 100-117. doi: 10.1108/IJWIS-03-20 13-0005

  16. Kaufman L, Rousseeuw P.J. Finding groups in data: an introduction to cluster analysis. Wiley Series in probability and mathematical statistics. 1990: John Wiley and Sons.

  17. Martín C. Aprendizaje Automático Y Minería De Datos Con Modelos Gráficos Probababilísticos. DEA, Universidad De Granada. 2007

  18. Tekli J.M, Chbeir R. A Novel XML Document Structure Comparison Framework based-on Subtree Commonalities and Label Semantics. Elsevier, 2011. doi: 10.1016/j.websem.2011.10.002

  19. Pinto D, Tovar M, Vilariño D . BUAP: Performance of K-Star at the INEX'09 Clustering Task. in INEX 2009 Workshop Pre-proceedings. 2009. Woodlands of Marburg, Ipswich, Queensland,Australia. doi: 10.1007/978-3-642-14556-8_43

  20. Vries C. Overview of the INEX 2010 XML mining track: clustering and classification of XML documents, in In Lecture Notes in Computer Science, Springer: Amsterdam. 2011

  21. Kurgan L, Swiercz W, Cios K.J. Semantic mapping of xml tags using inductive machine learning. in 11th International Conference on Information and Knowledge Management. 2002. Virginia, USA.

  22. Shin K, Han S.Y. Fast clustering algorithm for information organization., in In:Proc. of the CICLing Conference. 2003, Lecture Notes in Computer Science.Springer-Verlag (2003). p. 619-622. doi: 10.1007/3-540-36456-0_69

  23. MacQueen J.B. Some methods for classification and analysis of multivariate observations, in Proc. 5th Berkeley Symposium on Mathematical Statistics and Probability. 1967: Berkeley, University of California. p. 281-297.

  24. Sim I, Gorman P, Greenes R. A, Haynes R. B, Kaplan B, Lehmann H, Tang P. C. Clinical decision support systems for the practice of evidence-based medicine. J. Am Med Inform Assoc 2001; 8: 527-34.

  25. Xiong H, J, Chen K. K-means clustering versus validation measures: a data distribution perspective. in Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining (KDD 2006). 2006. Philadelphia, PA, USA: ACM Press. doi: 10.1109/TSMCB.2008.2004559

  26. Costa G. Hierarchical clustering of XML documents focused on structural components. Data & Knowledge Engineering, 2013. 84: p. 26-46. doi: 10.1016/j.datak.2012.12.002

  27. Magdaleno D, Fuente sI.E, García M.M. Clustering XML Documents using Structure and Content Based in a Proposal Similarity Function (OverallSimSUX). Computación y Sistemas, 2015.




2020     |     www.medigraphic.com