Big Data en salud: tecnologías para conocer mejor a los pacientes a través de los datos

IX Encuentro e-Salud y Telemedicina: TIC para los
retos de I+i en servicios de salud en enfermedades
crónicas
Big Data en salud:
tecnologías para conocer
mejor a los pacientes a través
de los datos
José Luis Martínez Fernández
Socio Director de DAEDALUS S.A.
Profesor Asociado de la Universidad Carlos III de Madrid
@jlmartinez_es
http://es.linkedin.com/in/jlmartinezfernandez
1 de Julio de 2015, Santander
Universidad Internacional Menéndez
Pelayo

Big Data en salud: tecnologías para conocer mejor a los pacientes a través
de los datos
Contenido
§  ¿Qué es Big Data?
§  Big Data en el dominio de salud
§  Arquitectura típica de un proceso de Big Data
§  Datos
•  Análisis de datos estructurados en Big Data
•  Aprendizaje automático
•  Análisis de datos no estructurados en Big Data
•  Técnicas de Análisis de Texto
•  Evaluando técnicas de análisis de texto
§  Recursos
§  Aplicaciones
•  La experiencia de TrendMiner
§  Retos

de los datos
¿QUÉ ES BIG DATA?

de los datos
§  Técnicas para capturar, gestionar y procesar grandes volúmenes de datos en
tiempos aceptables
§  Doug Laney (analista de META Group, ahora Gartner) identifica en 2001 los retos y
oportunidades del crecimiento de los datos:
•  Volumen: aumento de datos
•  Velocidad: de entrada/salida de datos
•  Variedad: rango de tipos y fuentes de datos
§  Gartner: modelo de las 3Vs (2012):
•  “Big data is high volume, high velocity, and/or high variety information assets that
require new forms of processing to enable enhanced decision making, insight
discovery and process optimization.”
Big Data: ¿qué es?

de los datos
5
¿Qué es Big Data?

de los datos
Data Never Sleep 2.0
https://www.domo.com/learn/data-never-
sleeps-2
¿Qué es Big Data?

de los datos
Big Data en el dominio de salud
VOLUMEN VELOCIDAD
VARIEDAD
§  Millones de historias
clínicas
§  Miles de publicaciones
científicas
§  Dispositivos
§  Internet …
§  Informes diarios …
§  Nuevas publicaciones
científicas
§  Internet …
§  ECGS
§  Diagnósticos
§  Resultados de pruebas
§  …

de los datos
“En los últimos 5 años se ha generado más
información científica que en toda la historia
…”
Winston Hide, Escuela Pública de Harvard
“Solo en MedLine se publican 20.000
artículos a la semana”
María Herrero, Tesis Doctoral
“Los profesionales de salud dedican el 20%
de su tiempo a buscar y procesar información
necesaria para la práctica sanitaria ”
Clinical Solutions, Elsevier

de los datos

de los datos
#cardiotuitero

de los datos
La información no estructurada es cada vez más importante en
Salud
Documentación médica Medios sociales
Redes, foros,
comunidades de salud
Extraer información estructurada “accionable” de contenido no
estructurado

de los datos
§  ¿Cuántos datos se procesan de la
Historia Clínica Electrónica?
§  Aplicaciones:
•  Soporte a la codificación ICD9/10,
SNOMED CT, CIMA, …
•  Sistemas de ayuda a operadores
humanos: procesos de
codificación (p. ej.: diagnósticos
en partes de alta en urgencias)
No Estructurados Estructurados

de los datos
ARQUITECTURA TÍPICA DE UN
PROCESO DE BIG DATA

de los datos
Arquitectura típica de un proceso de análisis de
sentimiento
Adquisición/
Grabación
Extracción/
Limpieza
Interpretación/
Agregación
Análisis/
Modelado
Interpretación

de los datos
Arquitectura típica de un proceso de análisis de
sentimiento
Big Interactions Big Transactions
Big Processing
Big Analytics
•  Sociales: Twitter…..
•  Generadas por máquinas:
sensores, escáneres de
seguridad, ...
•  Datos históricos: que crecen
exponencialmente
•  Web: clicks, logs, …
•  No SQL: Hadoop (distribución)
•  Evolución SGBD: Oracle Exadata
•  Aumento RAM
•  Visualización: nubes, árboles, …
•  Análisis de opinión
•  Segmentación de clientes
•  Detección de fraude

de los datos
DATOS

de los datos
Datos no estructurados Datos estructurados
19
Datos
20% de los datos frente al … ¡¡80%!!

de los datos
§  De bases de datos relacionales
§  A bases de datos NoSQL
Datos

de los datos
ANÁLISIS DE DATOS
ESTRUCTURADOS EN BIG DATA

de los datos
Machine Learning/
Pattern
Recognition
Statistics/
AI
Data Mining
Database
systems
Datos estructurados

de los datos
Modelo
Valida
(estadística)
Genera
(aprendizaje)
DATOS RESULTADOS
Datos estructurados
Proceso de Análisis

de los datos
Modelos
Predictivos
responden preguntas sobre datos
futuros
Ej.:
•  ¿Cuáles serán las ventas el año próximo?
•  ¿Es esta transacción fraudulenta?
•  ¿Qué tipo de seguro es más probable que
contrate el cliente X?
Descriptivos
Proporcionan información sobre las
relaciones entre los datos y sus
características
Ej.:
•  Los clientes que compran pañales suelen
comprar cerveza.
•  El tabaco y el alcohol son los factores más
importantes en la enfermedad Y.
•  Los clientes sin televisión y con bicicleta tienen
características muy diferenciadas del resto.
Datos estructurados

de los datos
Técnica
Supervisada
No-supervisada
Predicción
Clasificación
Descripción
Clustering
Asociación
•  Bayesiana
•  Redes de neuronas
•  Regresión
•  Árboles de decisión
•  Support Vector Machines
•  …
•  K-Medias
•  Conceptual
•  Probabilístico
•  A priori
•  …
Datos estructurados

de los datos
TÉCNICAS DE ANÁLISIS DE
TEXTO EN BIG DATA

de los datos
Pipeline para análisis de texto
ACL2014 proceedings, CoreNLP description

de los datos
§  División de un texto de entrada en oraciones y palabras.
§  ¡Fácil!, ¿verdad? Ejemplos:
Técnicas de Análisis de Texto
Segmentación (tokenization)
Ø  ECG al alta: Ritmo sinusal a 70 Ipm. PR 100 msec. BRD+HBAI. QRS 120
msec.
Ø  SCASEST (ANGINA MIXTA) EN VARON DE 67 AÑOS CON CARDIOPATIA

de los datos
§  Este proceso asigna a cada palabra la categoría gramatical que le corresponde.
§  Ej.: Acude por angina progresiva desde hace 10 días
Etiquetado de partes del discurso (POS tagging)
{ "form": "angina",
"id": "3",
"inip": "10",
"endp": "15",
"bold": "no",
"italic": "no",
"underscore": "no",
"separation": "1”,
"analysis_list": [
{
"tag": "NCFS-NYN3",
"lemma": "angina",
"original_form": "angina”}]}

de los datos
§  Dos tipos de implementaciones:
•  Estadística: Hidden Markov Models, Maximum Entropy, Support Vector Machines,
basado en reglas
•  Basada en conocimiento: Introduce un paso previo al análisis estadístico en el
que las etiquetas posibles para una palabra forman parte de una base léxica.
§  Se apoyan en colecciones de texto etiquetadas: TreeBank (Linguistic Data Consortium,
LDC)
§  Problemas
•  Ambigüedad
•  Casa: Juan se casa el viernes, Juan se ha ido de casa
•  Puede incluir o no lematización
§  Precisión del 97% (teóricamente): dependiente del contexto de aplicación
Etiquetado de partes del discurso (POS tagging)

de los datos
§  Identificación de nombres propios.
§  Ej.: “En el Día Internacional de la
Enfermería, entrevistamos a ROSA PÉREZ,
enfermera, autora de El blog de Rosa”
Extracción de Entidades (NER)
"entity_list": [
{
"form": "Día Internacional de la Enfermería",
"sementity": {
"class": "instance",
"type": "Top",
"confidence": "unknown"
}}]
"variant_list": [
{
"form": "ROSA PÉREZ",
"sementity": {
"class": "instance",
"type": "Top>Person>FullName",
"confidence": "unknown"
},
"variant_list": [
{
"form": "ROSA PÉREZ",
"inip": "58",
"endp": "67"
}
],
"relevance": "100"
}]

de los datos
§  El proceso de extracción de entidades, en ocasiones, va más allá: categorización
(persona, lugar, …)
§  ¿Estándar para la categorización?
§  Linked Open Data
Extracción de Entidades (NER)

de los datos
§  El análisis sintáctico consiste en obtener la estructura sintagmática de una frase.
Análisis sintáctico (syntactic parsing)

de los datos

de los datos
§  Implementación:
•  Se implementa como parte del proceso de etiquetado POS:
§  los corpus de entrenamiento incluyen etiquetas para identificar sintagmas
•  Técnicas basadas en análisis de dependencias:
•  La estructura sintáctica consiste en entradas léxicas enlazadas mediante
relaciones binarias asimétricas, denominadas dependencias.

de los datos
§  Asignar un texto a un conjunto de clases predeterminado.
§  Tipos de algoritmos:
•  Estadísticos:
•  Aprendizaje automático: árboles de decisión, SVM, Redes neuronales,
clasificadores bayesianos
•  Representación vectorial
•  Basados en reglas:
Clasificación de textos
C
B
A

de los datos
§  Selección de características:
•  Índice Gini: basado en la probabilidad condicional de que un documento
pertenezca a una clase dado que contiene una palabra determinada.
•  Ganancia de información: no solo tiene en cuenta la aparición de una palabra en
el documento si no que también contempla el número de documentos que
contienen esa palabra.
•  Información mutua: tiene en cuenta la co-ocurrencia de una palabra determinada
y una clase concreta.
Clasificación de textos

de los datos
§  Creación de clases/grupos a partir del conjunto de elementos.
§  Número desconocido de clases.
§  Técnicas:
•  Algoritmos basados en distancias: cercanía entre dos documentos
•  Algoritmos aglomerativos o jerárquicos: agrupa elementos dando lugar a una
jerarquía.
•  Algoritmos basados en particiones:
•  K-means: utiliza k representantes alrededor de los cuales se forman los
grupos
•  Topic modeling: crear un modelo probabilístico generativo a partir de los textos
del corpus. El corpus se representa en función de variables aleatorias, cuyos
parámetros se estiman a partir de una colección concreta.
Agrupación de textos (clustering)

de los datos
§  Determinar el parecer de un hablante respecto a un tema determinado
§  Determinar la polaridad (positiva, negativa o neutra) expresada en un texto.
§  Implementación:
•  Listas de palabras positivas/negativas à Cuenta
•  Aprendizaje automático
•  Análisis PLN: detección de aspectos y de sentimiento sobre estos aspectos
Análisis de sentimiento (sentiment analysis)

de los datos
Estoy encantado con el servicio de urgencias del hospital
Análisis de sentimiento (sentiment analysis)
"polarity_term_list": [{
"text": "estar encantado”,
"score_tag": "P+",
"sentimented_concept_list": [
{
"form": "servicio de urgencias”,
"type": "Top>Product>ProfessionalService",
"score_tag": "P+"
}]
"sentimented_concept_list": [{
"form": "hospital",
"type": "Top>Location>Facility",
}]

de los datos
§  Herramienta para organizar grandes cantidades de información.
§  ¿Sobre qué temas o topics trata el contenido de un documento?
§  Modelo bayesiano:
§  Asumimos que un topic queda definido por una distribución probabilística de
términos.
§  Asumimos que cada documento se genera a partir de una distribución de topics
(ocultos).
§  Algoritmos (no supervisados) para entrenar un modelo LDA: inferencia
variacional y muestreo de Gibbs.
§  Herramientas open-source que lo implementan: Mallet (muestreo de Gibbs).
Latent Dirichlet Allocation
Análisis de tendencias

de los datos
Análisis de tendencias. LDA

de los datos
EVALUACIÓN

de los datos
§  Precisión: Proporción de sentimientos etiquetados correctamente de entre
los encontrados por el sistema
§  Recall(cobertura): Proporción de sentimientos encontrados respecto al total
de expresiones de sentimiento existentes en la colección
S
S
S
S
S
S
Evaluación

de los datos
§  Los requisitos dependen de la aplicación
•  Monitorización de marca en medios sociales: alta precisión, baja cobertura
•  Lucha antiterrorista: alta cobertura, baja precisión
§  Precisión y cobertura están
inversamente relacionadas
•  Buscar compromiso
§  Las personas NO tenemos una precisión
del 100%
•  Tests con analistas humanos:
acuerdo 85-95%
(91% en dominio médico,
[Krallinger, 2015]))
Evaluación

de los datos
Evaluación
Estado del arte en cuanto a medidas de precisión
§  Extracción de entidades: 70-85%
§  Clasificación: 70-80%
§  Análisis de sentimiento: 60-70%
La mejora de calidad depende de la adaptación de las herramientas y recursos a la
aplicación/tarea
Evaluación

de los datos
RECURSOS

de los datos
TRENDMINER
Aplicaciones
Monitorización de información sobre salud en medios sociales

de los datos
§  Detectar menciones de fármacos y eventos médicos (enfermedades,
síntomas, efectos adversos, etc.) en medios sociales.
§  Los medios sociales pueden ser fuentes valiosas en la monitorización de
eventos médicos.
§  Aplicación a tareas de farmacovigilancia llevadas a cabo por las agencias de
medicamentos y compañías farmacéuticas.
Objetivos
Aplicaciones. TrendMiner

de los datos
Patients on Twitter
Spanish patient Forums
Fuentes analizadas

de los datos
§  Ejemplo de comentario en Forumclinic

de los datos
Spanish DrugEffect DB containing relations among drugs
and effects
63.000 relations
Recursos integrados

de los datos
Collecting texts from
Twitter & Blogs
Datawarehous
e
Health monitoring Dashboard
GATE Annotation Pipeline
Analytics Processing
Gatherer processes
Real-time visualization
Inquirer processes
Spanish
Drug
Effect
Database

de los datos
Datos agregados de los efectos del fármaco lorazepam

de los datos
Línea temporal con la evolución de los fármacos y eventos
mencionados con el lorazempan

de los datos
RETOS

de los datos
§  ¡¡Datos!!
•  Acceso a los datos para los no médicos
•  Anonimización (Proyecto Visc+)
•  Estandarización
•  Propiedad de la información
•  Compartición de conjuntos de datos
§  Veracidad/confiabilidad de los datos
§  Aplicaciones dirigidas por los usuarios (médicos y pacientes)
§  Integración de sistemas aislados
•  Dispersión en diferentes hospitales, centros de salud, …
Retos

de los datos
¡Gracias por vuestra atención!
José Luis Martínez Fernández
Socio Director de Daedalus S.A.
Profesor Asociado Universidad Carlos III de
Madrid
jmartinez@daedalus.es
Daedalus, S.A.
Tel: +34 913324301
info@daedalus.es
http://www.daedalus.es
@daedalus_sa

de los datos
Bibliografía
§  Aggarwal, Charu C., & Zhai, ChengXiang (2012). A survey of text classification
algorithms. In Mining text data (pp. 163–222).
§  El Poder de los datos, Informe de la Fundación Bankinter, Mayo 2015
§  Europeans becoming enthusiastic users of online health information, EU report, 2014
§  María Herrero Zazo,
Semantic Resources in Pharmacovigilance: A Corpus and an Ontology for Drug-Drug
Interactions, Directores: Isabel Segura-Bedmar y Paloma Martínez, Universidad Carlos III de
Madrid, Departamento de Informática, 2015
§  Martínez,P.,
Nuevo sistema para detectar efectos adversos de los medicamentos usando redes
sociales, 2015, Oficina de Información Científica, Universidad Carlos III de Madrid
§  Martin Krallinger et al. CHEMDNER: The drugs and chemical names extraction challenge.
Journal of Cheminformatics, 7(Suppl 1):S1 (2015)

de los datos
Bibliografía
§  Maynard, D. Et al, NLP Techniques for Term Extraction and Ontology Population,
Proceedings of the 2008 conference on Ontology Learning and Population: Bridging the
Gap between Text and Knowledge, Pages 107-127
§  Monitorización de la alergia en Twitter, Fundación Telefónica, 2015
§  Isabel Segura-Bedmar, Paloma Martínez, Ricardo Revert , Julián Moreno-Schneider,
(2015).
Exploring Spanish Health Social Media for detecting drug effects, BMC Medical
Informatics and Decision Making, June, 2015, Volumen: 15, Número: Supplement
S2, Páginas: doi:10.1186/1472-6947-15-S2-S
§  Paloma Martínez, Isabel Segura-Bedmar, Thierry Declerck, José Luis Martínez
Fernández, (2014).
TrendMiner: Large-scale Cross-lingual Trend Mining Summarization of Realtime
Media Streams, September, 2014, Procesamiento del Lenguaje Natural , Volumen: 53,
Páginas: 163-166

Big Data en salud: tecnologías para conocer mejor a los pacientes a través de los datos

Recomendados

Recomendados

Más contenido relacionado

La actualidad más candente

La actualidad más candente (20)

Destacado

Destacado (18)

Similar a Big Data en salud: tecnologías para conocer mejor a los pacientes a través de los datos

Similar a Big Data en salud: tecnologías para conocer mejor a los pacientes a través de los datos (20)

Último

Último (8)

Big Data en salud: tecnologías para conocer mejor a los pacientes a través de los datos