Big data techniques for the secondary use of clinical data in the generation of medical knowledge. The MIMIC solution

Borrat, X.; Celi, L.A.; Ferrando, C.
doi:10.1016/j.redar.2019.07.004
 array:24 [
  "pii" => "S0034935619301458"
  "issn" => "00349356"
  "doi" => "10.1016/j.redar.2019.07.004"
  "estado" => "S300"
  "fechaPublicacion" => "2019-12-01"
  "aid" => "1054"
  "copyright" => "Sociedad Espa&#241;ola de Anestesiolog&#237;a&#44; Reanimaci&#243;n y Terap&#233;utica del Dolor"
  "copyrightAnyo" => "2019"
  "documento" => "simple-article"
  "crossmark" => 1
  "subdocumento" => "cor"
  "cita" => "Rev Esp Anestesiol Reanim. 2019;66:555-8"
  "abierto" => array:3 [
    "ES" => false
    "ES2" => false
    "LATM" => false
  ]
  "gratuito" => false
  "lecturas" => array:2 [
    "total" => 76
    "formatos" => array:2 [
      "HTML" => 31
      "PDF" => 45
    ]
  ]
  "Traduccion" => array:1 [
    "en" => array:19 [
      "pii" => "S2341192919301714"
      "issn" => "23411929"
      "doi" => "10.1016/j.redare.2019.07.010"
      "estado" => "S300"
      "fechaPublicacion" => "2019-12-01"
      "aid" => "1054"
      "copyright" => "Sociedad Espa&#241;ola de Anestesiolog&#237;a&#44; Reanimaci&#243;n y Terap&#233;utica del Dolor"
      "documento" => "simple-article"
      "crossmark" => 1
      "subdocumento" => "cor"
      "cita" => "Revista Espa&#241;ola de Anestesiolog&#237;a y Reanimaci&#243;n &#40;English Version&#41;. 2019;66:555-8"
      "abierto" => array:3 [
        "ES" => false
        "ES2" => false
        "LATM" => false
      ]
      "gratuito" => false
      "lecturas" => array:1 [
        "total" => 0
      ]
      "en" => array:10 [
        "idiomaDefecto" => true
        "cabecera" => "<span class="elsevierStyleTextfn">Letter to the Director</span>"
        "titulo" => "<span class="elsevierStyleItalic">Big data</span> techniques for the secondary use of clinical data in the generation of medical knowledge&#46; The MIMIC solution"
        "tienePdf" => "en"
        "tieneTextoCompleto" => "en"
        "paginas" => array:1 [
          0 => array:2 [
            "paginaInicial" => "555"
            "paginaFinal" => "558"
          ]
        ]
        "titulosAlternativos" => array:1 [
          "es" => array:1 [
            "titulo" => "T&#233;cnicas Big data para el uso secundario de datos cl&#237;nicos para la creaci&#243;n de conocimiento m&#233;dico&#46; La soluci&#243;n MIMIC"
          ]
        ]
        "contieneTextoCompleto" => array:1 [
          "en" => true
        ]
        "contienePdf" => array:1 [
          "en" => true
        ]
        "autores" => array:1 [
          0 => array:2 [
            "autoresLista" => "X&#46; Borrat, L&#46;A&#46; Celi, C&#46; Ferrando"
            "autores" => array:3 [
              0 => array:2 [
                "nombre" => "X&#46;"
                "apellidos" => "Borrat"
              ]
              1 => array:2 [
                "nombre" => "L&#46;A&#46;"
                "apellidos" => "Celi"
              ]
              2 => array:2 [
                "nombre" => "C&#46;"
                "apellidos" => "Ferrando"
              ]
            ]
          ]
        ]
      ]
      "idiomaDefecto" => "en"
      "Traduccion" => array:1 [
        "es" => array:9 [
          "pii" => "S0034935619301458"
          "doi" => "10.1016/j.redar.2019.07.004"
          "estado" => "S300"
          "subdocumento" => ""
          "abierto" => array:3 [
            "ES" => false
            "ES2" => false
            "LATM" => false
          ]
          "gratuito" => false
          "lecturas" => array:1 [
            "total" => 0
          ]
          "idiomaDefecto" => "es"
          "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0034935619301458?idApp=UINPBA00004N"
        ]
      ]
      "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2341192919301714?idApp=UINPBA00004N"
      "url" => "/23411929/0000006600000010/v1_201912172242/S2341192919301714/v1_201912172242/en/main.assets"
    ]
  ]
  "itemSiguiente" => array:19 [
    "pii" => "S003493561930132X"
    "issn" => "00349356"
    "doi" => "10.1016/j.redar.2019.06.008"
    "estado" => "S300"
    "fechaPublicacion" => "2019-12-01"
    "aid" => "1053"
    "copyright" => "Sociedad Espa&#241;ola de Anestesiolog&#237;a&#44; Reanimaci&#243;n y Terap&#233;utica del Dolor"
    "documento" => "simple-article"
    "crossmark" => 1
    "subdocumento" => "cor"
    "cita" => "Rev Esp Anestesiol Reanim. 2019;66:558-61"
    "abierto" => array:3 [
      "ES" => false
      "ES2" => false
      "LATM" => false
    ]
    "gratuito" => false
    "lecturas" => array:2 [
      "total" => 110
      "formatos" => array:2 [
        "HTML" => 56
        "PDF" => 54
      ]
    ]
    "es" => array:11 [
      "idiomaDefecto" => true
      "cabecera" => "<span class="elsevierStyleTextfn">CARTA AL DIRECTOR</span>"
      "titulo" => "Percepci&#243;n del m&#233;dico sobre las ayudas cognitivas para el manejo de la hipoxemia en anestesia y cuidados cr&#237;ticos"
      "tienePdf" => "es"
      "tieneTextoCompleto" => "es"
      "paginas" => array:1 [
        0 => array:2 [
          "paginaInicial" => "558"
          "paginaFinal" => "561"
        ]
      ]
      "titulosAlternativos" => array:1 [
        "en" => array:1 [
          "titulo" => "Physician&#39;s perception of cognitive aids for hypoxemia management in anesthesia and critical care"
        ]
      ]
      "contieneTextoCompleto" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "resumenGrafico" => array:2 [
        "original" => 0
        "multimedia" => array:6 [
          "identificador" => "fig0015"
          "etiqueta" => "Figura 3"
          "tipo" => "MULTIMEDIAFIGURA"
          "mostrarFloat" => true
          "mostrarDisplay" => false
          "figura" => array:1 [
            0 => array:4 [
              "imagen" => "gr3.jpeg"
              "Alto" => 2345
              "Ancho" => 2458
              "Tamanyo" => 349642
            ]
          ]
        ]
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "J&#46;M&#46; Nieves Alonso, R&#46;M&#46; M&#233;ndez Hern&#225;ndez, F&#46; Ramasco Rueda, A&#46; Planas Roca"
          "autores" => array:4 [
            0 => array:2 [
              "nombre" => "J&#46;M&#46;"
              "apellidos" => "Nieves Alonso"
            ]
            1 => array:2 [
              "nombre" => "R&#46;M&#46;"
              "apellidos" => "M&#233;ndez Hern&#225;ndez"
            ]
            2 => array:2 [
              "nombre" => "F&#46;"
              "apellidos" => "Ramasco Rueda"
            ]
            3 => array:2 [
              "nombre" => "A&#46;"
              "apellidos" => "Planas Roca"
            ]
          ]
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "Traduccion" => array:1 [
      "en" => array:9 [
        "pii" => "S2341192919301702"
        "doi" => "10.1016/j.redare.2019.06.009"
        "estado" => "S300"
        "subdocumento" => ""
        "abierto" => array:3 [
          "ES" => false
          "ES2" => false
          "LATM" => false
        ]
        "gratuito" => false
        "lecturas" => array:1 [
          "total" => 0
        ]
        "idiomaDefecto" => "en"
        "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2341192919301702?idApp=UINPBA00004N"
      ]
    ]
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S003493561930132X?idApp=UINPBA00004N"
    "url" => "/00349356/0000006600000010/v1_201912020617/S003493561930132X/v1_201912020617/es/main.assets"
  ]
  "itemAnterior" => array:19 [
    "pii" => "S0034935619301574"
    "issn" => "00349356"
    "doi" => "10.1016/j.redar.2019.09.001"
    "estado" => "S300"
    "fechaPublicacion" => "2019-12-01"
    "aid" => "1062"
    "copyright" => "Sociedad Espa&#241;ola de Anestesiolog&#237;a&#44; Reanimaci&#243;n y Terap&#233;utica del Dolor"
    "documento" => "simple-article"
    "crossmark" => 1
    "subdocumento" => "cor"
    "cita" => "Rev Esp Anestesiol Reanim. 2019;66:554-5"
    "abierto" => array:3 [
      "ES" => false
      "ES2" => false
      "LATM" => false
    ]
    "gratuito" => false
    "lecturas" => array:2 [
      "total" => 97
      "formatos" => array:2 [
        "HTML" => 53
        "PDF" => 44
      ]
    ]
    "es" => array:10 [
      "idiomaDefecto" => true
      "cabecera" => "<span class="elsevierStyleTextfn">Carta al Director</span>"
      "titulo" => "Comentarios al art&#237;culo &#171;<span class="elsevierStyleItalic">Damage Control Resuscitation</span> en el paciente traum&#225;tico&#187;"
      "tienePdf" => "es"
      "tieneTextoCompleto" => "es"
      "paginas" => array:1 [
        0 => array:2 [
          "paginaInicial" => "554"
          "paginaFinal" => "555"
        ]
      ]
      "titulosAlternativos" => array:1 [
        "en" => array:1 [
          "titulo" => "Article Comments &#171;Damage Control Resuscitation in the Traumatic Patient&#187;"
        ]
      ]
      "contieneTextoCompleto" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "R&#46; Navarro Suay, R&#46; Garc&#237;a Ca&#241;as, R&#46; Tamburri Barain, E&#46; L&#243;pez Sober&#243;n"
          "autores" => array:4 [
            0 => array:2 [
              "nombre" => "R&#46;"
              "apellidos" => "Navarro Suay"
            ]
            1 => array:2 [
              "nombre" => "R&#46;"
              "apellidos" => "Garc&#237;a Ca&#241;as"
            ]
            2 => array:2 [
              "nombre" => "R&#46;"
              "apellidos" => "Tamburri Barain"
            ]
            3 => array:2 [
              "nombre" => "E&#46;"
              "apellidos" => "L&#243;pez Sober&#243;n"
            ]
          ]
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "Traduccion" => array:1 [
      "en" => array:9 [
        "pii" => "S2341192919301684"
        "doi" => "10.1016/j.redare.2019.09.001"
        "estado" => "S300"
        "subdocumento" => ""
        "abierto" => array:3 [
          "ES" => false
          "ES2" => false
          "LATM" => false
        ]
        "gratuito" => false
        "lecturas" => array:1 [
          "total" => 0
        ]
        "idiomaDefecto" => "en"
        "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2341192919301684?idApp=UINPBA00004N"
      ]
    ]
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0034935619301574?idApp=UINPBA00004N"
    "url" => "/00349356/0000006600000010/v1_201912020617/S0034935619301574/v1_201912020617/es/main.assets"
  ]
  "es" => array:14 [
    "idiomaDefecto" => true
    "cabecera" => "<span class="elsevierStyleTextfn">Carta al Director</span>"
    "titulo" => "Big data techniques for the secondary use of clinical data in the generation of medical knowledge&#46; The MIMIC solution"
    "tieneTextoCompleto" => true
    "saludo" => "<span class="elsevierStyleItalic">Estimado editor&#58;</span>"
    "paginas" => array:1 [
      0 => array:2 [
        "paginaInicial" => "555"
        "paginaFinal" => "558"
      ]
    ]
    "autores" => array:1 [
      0 => array:4 [
        "autoresLista" => "X&#46; Borrat, L&#46;A&#46; Celi, C&#46; Ferrando"
        "autores" => array:3 [
          0 => array:4 [
            "nombre" => "X&#46;"
            "apellidos" => "Borrat"
            "email" => array:1 [
              0 => "xborrat@clinic.cat"
            ]
            "referencia" => array:2 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "aff0005"
              ]
              1 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">&#42;</span>"
                "identificador" => "cor0005"
              ]
            ]
          ]
          1 => array:3 [
            "nombre" => "L&#46;A&#46;"
            "apellidos" => "Celi"
            "referencia" => array:2 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "aff0010"
              ]
              1 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">c</span>"
                "identificador" => "aff0015"
              ]
            ]
          ]
          2 => array:3 [
            "nombre" => "C&#46;"
            "apellidos" => "Ferrando"
            "referencia" => array:2 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">d</span>"
                "identificador" => "aff0020"
              ]
              1 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">e</span>"
                "identificador" => "aff0025"
              ]
            ]
          ]
        ]
        "afiliaciones" => array:5 [
          0 => array:3 [
            "entidad" => "Servicio de Anestesiolog&#237;a y Reanimaci&#243;n&#44; Hospital Cl&#237;nic de Barcelona&#44; Barcelona&#44; Espa&#241;a"
            "etiqueta" => "a"
            "identificador" => "aff0005"
          ]
          1 => array:3 [
            "entidad" => "Laboratory for Computational Physiology&#44; Institute for Medical Engineering and Science&#44; Massachusetts Institute of Technology&#44; Cambridge&#44; Estados Unidos"
            "etiqueta" => "b"
            "identificador" => "aff0010"
          ]
          2 => array:3 [
            "entidad" => "Division of Pulmonary&#44; Critical Care and Sleep Medicine&#44; Beth Israel Deaconess Medical Center&#44; Boston&#44; Estados Unidos"
            "etiqueta" => "c"
            "identificador" => "aff0015"
          ]
          3 => array:3 [
            "entidad" => "Servicio de Anestesiolog&#237;a y Reanimaci&#243;n&#44; Hospital Cl&#237;nic&#44; Institut d&#8217;Investigaci&#243; August Pi i Sunyer&#44; Barcelona&#44; Espa&#241;a"
            "etiqueta" => "d"
            "identificador" => "aff0020"
          ]
          4 => array:3 [
            "entidad" => "CIBER de Enfermedades Respiratorias&#44; Instituto de Salud Carlos III&#44; Madrid&#44; Espa&#241;a"
            "etiqueta" => "e"
            "identificador" => "aff0025"
          ]
        ]
        "correspondencia" => array:1 [
          0 => array:3 [
            "identificador" => "cor0005"
            "etiqueta" => "&#8270;"
            "correspondencia" => "Autor para correspondencia&#46;"
          ]
        ]
      ]
    ]
    "titulosAlternativos" => array:1 [
      "en" => array:1 [
        "titulo" => "T&#233;cnicas <span class="elsevierStyleItalic">Big data</span> para el uso secundario de datos cl&#237;nicos para la creaci&#243;n de conocimiento medico&#46; La soluci&#243;n MIMIC"
      ]
    ]
    "textoCompleto" => "<span class="elsevierStyleSections"><p id="par0005" class="elsevierStylePara elsevierViewall">Muchos aspectos de la vida moderna est&#225;n cambiando debido al <span class="elsevierStyleItalic">big data</span> y el aprendizaje autom&#225;tico o <span class="elsevierStyleItalic">machine learning</span>&#46; Netflix sabe qu&#233; pel&#237;culas les gusta ver a la gente&#44; y Google sabe qu&#233; anuncios mostrar a los navegadores en funci&#243;n de su historial de b&#250;squeda&#46; Grandes cantidades de informaci&#243;n personal de redes sociales&#44; historiales de b&#250;squeda y otros tipos de publicaci&#243;n se digitalizan y cargan en la nube&#44; dejando un rastro de datos que ha llevado al desarrollo de un nuevo campo&#44; el <span class="elsevierStyleItalic">Data Science</span> o ciencia de datos&#46; La ciencia de datos es el resultado de la unificaci&#243;n de herramientas estad&#237;sticas&#44; bases de datos y programaci&#243;n para interpretar datos con el fin de mejorar la predicci&#243;n de eventos y la toma de decisiones&#46; <span class="elsevierStyleItalic">Big data</span> es el sustrato y dio origen al campo de la ciencia de datos&#44; y el t&#233;rmino se usa cuando la cantidad de datos es tal que su tama&#241;o ya no se mide en t&#233;rminos de volumen&#44; sino en la velocidad de creaci&#243;n&#46; Mientras tanto&#44; el campo de la medicina ha experimentado una revoluci&#243;n digital en los &#250;ltimos a&#241;os&#44; con la creaci&#243;n de extensas bases de datos basadas en registros electr&#243;nicos de salud &#40;EHR&#41; y otras aplicaciones utilizadas en servicios transversales&#44; como laboratorios&#44; servicios de diagn&#243;stico por im&#225;genes y farmacia hospitalaria&#46; Estas otras aplicaciones para servicios transversales se conocen como aplicaciones departamentales&#46; En los &#250;ltimos 10 a&#241;os&#44; se han implementado EHR y aplicaciones departamentales en casi todos los hospitales grandes de Espa&#241;a&#44; y toda la informaci&#243;n ahora se almacena en formato digital en lugar de en papel&#46; Todas estas cantidades masivas de datos&#44; m&#225;s all&#225; de su uso rutinario en gesti&#243;n o a nivel asistencial&#44; podr&#237;an ser utilizadas para ampliar el conocimiento m&#233;dico&#46;</p><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0005">T&#233;cnicas de <span class="elsevierStyleItalic">Big Data</span> &#40;Preparaci&#243;n de un <span class="elsevierStyleItalic">DataMart</span> -Extracci&#243;n-An&#225;lisis&#41; para la generaci&#243;n de conocimiento a partir de EHR</span><p id="par0010" class="elsevierStylePara elsevierViewall">Los datos de EHR pueden tener un uso primario de salud &#40;uso asistencial&#41; o un uso secundario de investigaci&#243;n&#46; Los datos m&#233;dicos recopilados de la pr&#225;ctica cl&#237;nica deben pasar por varias etapas antes de que puedan usarse para la investigaci&#243;n&#46; Primero&#44; se deben crear unas bases de datos con contenido cl&#237;nicamente significativo&#44; llamadas <span class="elsevierStyleItalic">DataMart</span> &#40;ver soluci&#243;n MIMIC&#41;<a class="elsevierStyleCrossRef" href="#bib0005"><span class="elsevierStyleSup">1</span></a> a partir de las bases de datos EHR&#46; Brevemente&#44; un <span class="elsevierStyleItalic">DataMart</span> consiste en una selecci&#243;n y reorganizaci&#243;n de datos provenientes de la base de datos EHR sin procesar para incluir datos relevantes con un prop&#243;sito espec&#237;fico&#46; Por ejemplo&#44; si el foco de la actividad de investigaci&#243;n son los resultados cl&#237;nicos del paciente relacionados con el entorno cl&#237;nico general del paciente&#44; debemos incluir signos vitales&#44; diagn&#243;sticos principales&#44; datos de dispositivos de soporte&#44; medicamentos&#44; pruebas de laboratorio y tambi&#233;n los resultados cl&#237;nicos del paciente&#44; entre otros&#46; Pero&#44; al mismo tiempo&#44; deben excluirse muchos otros campos&#44; como la informaci&#243;n operativa u otros que no est&#225;n relacionados con el enfoque de investigaci&#243;n&#46; Una de las principales ventajas de los <span class="elsevierStyleItalic">DataMarts</span> es la accesibilidad de los datos con consultas simples para obtener un conjunto de datos <span class="elsevierStyleItalic">&#40;data-sets&#41;</span>&#46;</p><p id="par0015" class="elsevierStylePara elsevierViewall">En segundo lugar&#44; el <span class="elsevierStyleItalic">data-set</span> &#40;un subconjunto de datos preparado para el an&#225;lisis&#41; debe crearse extrayendo los datos seleccionados de los casos incluidos en el <span class="elsevierStyleItalic">DataMart</span> &#40;covariables de contexto&#41;&#46; Por ejemplo&#44; si queremos predecir&#44; antes de la admisi&#243;n&#44; la duraci&#243;n de la estancia en el hospital en cirug&#237;a electiva&#44; debemos incluir en el conjunto de datos todas las variables que pueden estar relacionadas con la duraci&#243;n de la estancia&#44; como las comorbilidades&#44; el tipo de cirug&#237;a&#44; medicaci&#243;n regular y duraci&#243;n real de la hospitalizaci&#243;n&#46; Tener un <span class="elsevierStyleItalic">DataMart</span> disponible permite que esta fase se pueda hacer f&#225;cilmente en minutos usando un lenguaje de base de datos com&#250;n como SQL&#46; Ser&#225; posible cambiar las variables de forma &#225;gil&#44; as&#237; como filtrar casos y&#44; por lo tanto&#44; ajustar el conjunto de datos a la pregunta cl&#237;nica deseada<a class="elsevierStyleCrossRef" href="#bib0010"><span class="elsevierStyleSup">2</span></a>&#46;</p><p id="par0020" class="elsevierStylePara elsevierViewall">Finalmente&#44; el conjunto de datos debe ser analizado&#46; El mejor m&#233;todo para analizar grandes conjuntos de datos es el <span class="elsevierStyleItalic">machine learning</span>&#44; aunque cualquier tipo de prueba estad&#237;stica&#44; como la visualizaci&#243;n de datos&#44; los an&#225;lisis descriptivos y las pruebas de hip&#243;tesis&#44; se pueden aplicar al <span class="elsevierStyleItalic">data-set</span>&#46; El <span class="elsevierStyleItalic">machine learning</span> es un t&#233;rmino utilizado para describir un programa que aprende tareas como la predicci&#243;n&#44; clasificaci&#243;n y optimizaci&#243;n en funci&#243;n de los datos proporcionados<a class="elsevierStyleCrossRef" href="#bib0015"><span class="elsevierStyleSup">3</span></a>&#46; Esta es una definici&#243;n muy amplia e incluye un espectro de algoritmos&#44; que van desde aquellos que requieren una intervenci&#243;n humana considerable para elegir el modelo y las variables utilizadas &#40;por ejemplo&#44; regresi&#243;n m&#250;ltiple&#41;&#44; hasta los modelos m&#225;s sofisticados en los que se minimiza el requisito de intervenci&#243;n humana como las redes de confrontaci&#243;n generativas &#40;GAN&#41;&#44; donde el algoritmo deriva su representaci&#243;n de la verdad fundamental a partir de los datos proporcionados&#44; con poco aporte humano&#46; El aprendizaje autom&#225;tico es interesante porque&#44; dado un gran n&#250;mero de casos y una poblaci&#243;n altamente heterog&#233;nea&#44; puede crear modelos de predicci&#243;n y clasificaci&#243;n aplicables tanto a poblaciones enteras como a individuos&#46;</p></span><span id="sec0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0010">Medicina de precisi&#243;n como alternativa a los ensayos controlados aleatorizados &#40;ECA&#41; para la toma de decisiones</span><p id="par0025" class="elsevierStylePara elsevierViewall">Los m&#233;dicos buscan la evidencia en ensayos cl&#237;nicos y estudios observacionales&#44; pero muchas veces no existe la evidencia necesaria de manera espec&#237;fica&#46; La idea de utilizar los datos de EHR generados a partir de la pr&#225;ctica cl&#237;nica para fines de investigaci&#243;n es muy atractiva&#46; A pesar de ser observacionales y retrospectivos&#44; estos estudios tienen muchas ventajas sobre los ensayos controlados aleatorizados &#40;ECA&#41;&#46; Su naturaleza intr&#237;nseca facilita la generaci&#243;n de soluciones altamente individualizadas para un problema cl&#237;nico dado&#46; Los estudios basados en datos de EHR permiten a los investigadores investigar problemas cl&#237;nicos globales y locales&#59; en otras palabras&#44; para resolver las preguntas cl&#237;nicas del d&#237;a a d&#237;a r&#225;pidamente&#44; sin riesgo para los pacientes&#44; mientras se minimizan el coste&#46; Adem&#225;s&#44; gracias a la disponibilidad de una gran cantidad de datos y a los modelos predictivos basados en el <span class="elsevierStyleItalic">machine learning</span>&#44; el uso secundario de los datos de EHR puede predecir la respuesta al tratamiento en todo tipo de pacientes&#44; sin excluir grupos de pacientes&#44; ya sea intencionalmente o no&#44; por ejemplo&#44; pacientes embarazadas&#44; ni&#241;os&#44; etc&#46; La inclusi&#243;n de todos los tipos de pacientes con su enfermedad detallada &#171;biom&#233;trica&#187; en una gran muestra de poblaci&#243;n permite a los investigadores crear modelos que se ajustan a m&#250;ltiples capas de confusi&#243;n&#46; Esto difiere del paradigma ECA de estandarizaci&#243;n&#44; en la medida en que nos acerca a la medicina de precisi&#243;n individualizada&#46; Adem&#225;s&#44; la verdad fundamental cambia constantemente en medicina haciendo que incluso estudios perfectamente realizados y aplicables de hace unos a&#241;os ya no puedan aplicarse hoy en d&#237;a&#44; ya sea por haberse incorporado nuevas pruebas diagn&#243;sticas&#44; nuevas terapias o simplemente por los cambios demogr&#225;ficos poblacionales&#46; El proceso de usar continuamente datos cl&#237;nicos recopilados de forma rutinaria para actualizar el conocimiento m&#233;dico y guiar la pr&#225;ctica cl&#237;nica&#44; vinculando &#237;ntimamente la generaci&#243;n de conocimiento y la prestaci&#243;n de atenci&#243;n&#44; representa un nuevo paradigma que promete acercarnos a una verdadera atenci&#243;n basada en la evidencia<a class="elsevierStyleCrossRef" href="#bib0020"><span class="elsevierStyleSup">4</span></a>&#46; Algunos ejemplos de uso de esta metodolog&#237;a los mostramos en la <a class="elsevierStyleCrossRef" href="#tbl0005">tabla 1</a>&#46;</p><elsevierMultimedia ident="tbl0005"></elsevierMultimedia></span><span id="sec0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0015">Dificultades para extraer informaci&#243;n de EHR</span><p id="par0030" class="elsevierStylePara elsevierViewall">El programa inform&#225;tico con el que los m&#233;dicos acceden a las bases de datos de EHR est&#225; dise&#241;ado para la documentaci&#243;n individual con fines asistenciales y administrativos&#44; incluida la facturaci&#243;n&#46; M&#225;s importante a&#250;n&#44; los datos generalmente est&#225;n bloqueados en alg&#250;n formato patentado y&#44; por lo tanto&#44; se necesita un software adicional para extraer y reunir informaci&#243;n de grupos de pacientes con fines de investigaci&#243;n&#46; Adem&#225;s&#44; el esquema de datos de las bases de datos de EHR existentes difiere de una instituci&#243;n a otra&#44; lo que dificulta la integraci&#243;n y la armonizaci&#243;n&#46;</p><p id="par0035" class="elsevierStylePara elsevierViewall">Esto crea una serie de problemas para los investigadores cl&#237;nicos&#44; como son&#58;</p><p id="par0040" class="elsevierStylePara elsevierViewall">1&#46;-Incapacidad para extraer datos de grandes grupos de pacientes&#46; Cuando se necesitan datos de cientos o miles de pacientes&#44; no es posible crear un conjunto de datos mediante la revisi&#243;n de registros de pacientes uno a uno&#46;</p><p id="par0045" class="elsevierStylePara elsevierViewall">2&#46;- Falta de priorizaci&#243;n por parte de los departamentos de Tecnolog&#237;a de la Informaci&#243;n &#40;TI&#41;&#44; generando retrasos significativos en el desarrollo del proyecto&#46;</p><p id="par0050" class="elsevierStylePara elsevierViewall">3&#46;- Los datos no se pueden compartir&#46; La naturaleza propietaria de los sistemas de informaci&#243;n y las diferencias en la estructura de la base de datos entre hospitales hacen que sea dif&#237;cil generar grandes repositorios a partir de datos compartidos&#46; El intercambio de datos es un requisito previo para crear modelos generalizables e identificar las mejores pr&#225;cticas en la aplicaci&#243;n del <span class="elsevierStyleItalic">machine learning</span> a los datos generados de la atenci&#243;n m&#233;dica&#46;</p></span><span id="sec0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0020">La soluci&#243;n MIMIC&#46; &#191;Podr&#237;a ser replicada en Espa&#241;a&#63;</span><p id="par0055" class="elsevierStylePara elsevierViewall">Uno de los &#225;mbitos de la atenci&#243;n m&#233;dica con mayor capacidad para generar datos son las Unidades de Cuidados Intensivos &#40;UCI&#41;&#46; Los datos espec&#237;ficos del paciente relacionados con los signos vitales y los sistemas de monitorizaci&#243;n de soporte vital&#44; terapia farmacol&#243;gica&#44; hallazgos de laboratorio y pruebas de im&#225;genes&#44; etc&#46;&#44; generan m&#225;s de 10 veces la tasa de datos que pacientes ingresados en una sala de hospitalizaci&#243;n convencional&#46; Debido a esto&#44; las UCI tienen el mayor potencial para generar y validar nuevos conocimientos en el campo de la atenci&#243;n m&#233;dica&#46;</p><p id="par0060" class="elsevierStylePara elsevierViewall">MIMIC &#40;<span class="elsevierStyleItalic">Medical Information Mart for Intensive Care</span>&#41; es un proyecto creado y mantenido por el Laboratorio de Fisiolog&#237;a Computacional &#40;LCP&#41; del MIT &#40;Instituto de Tecnolog&#237;a de Massachusetts&#41;<a class="elsevierStyleCrossRef" href="#bib0005"><span class="elsevierStyleSup">1</span></a>&#46; A d&#237;a de hoy&#44; contiene datos de salud anonimizados de m&#225;s de 60&#46;000 pacientes de cuidados cr&#237;ticos&#46; La base de datos tipo <span class="elsevierStyleItalic">DataMart</span> disponible p&#250;blicamente consiste en tablas relacionales dentro de una estructura que es cl&#237;nicamente intuitiva&#44; brindando a los investigadores que est&#225;n familiarizados con la UCI la autonom&#237;a y la agilidad que necesitan para construir <span class="elsevierStyleItalic">data-sets</span> din&#225;micos en cuesti&#243;n de segundos<a class="elsevierStyleCrossRef" href="#bib0025"><span class="elsevierStyleSup">5</span></a>&#46; La base de datos contiene datos demogr&#225;ficos del paciente&#44; signos vitales&#44; resultados de laboratorio&#44; procedimientos&#44; diagn&#243;sticos&#44; tratamiento farmacol&#243;gico&#44; notas cl&#237;nicas e informaci&#243;n de supervivencia extra&#237;da tanto de EHR como de diferentes aplicaciones departamentales&#46; El c&#243;digo fuente abierto y la estructura de acceso abierto de la base de datos es el resultado de un gran proyecto de investigaci&#243;n colaborativa que involucra a acad&#233;micos y socios de la industria con fondos del gobierno&#46; Los usuarios pueden aportar definiciones de conceptos y c&#243;digos para extraerlos&#44; y tambi&#233;n pueden usar el c&#243;digo existente creado por los m&#225;s de 12&#46;000 usuarios autorizados de MIMIC&#46; El LCP tambi&#233;n promueve la reproducibilidad al exigir a los usuarios de MIMIC que compartan sus m&#233;todos con suficiente detalle&#44; adem&#225;s de los c&#243;digos y consultas empleados durante su an&#225;lisis una vez que se publican sus documentos&#46; La falta de reproducibilidad de los estudios est&#225; causando una creciente preocupaci&#243;n en la comunidad cient&#237;fica<a class="elsevierStyleCrossRef" href="#bib0030"><span class="elsevierStyleSup">6</span></a>&#44; y este nuevo enfoque no solo facilita la replicaci&#243;n de los estudios&#44; sino que permite a los investigadores aprovechar la investigaci&#243;n de los dem&#225;s&#46; De hecho&#44; hasta la fecha&#44; la poblaci&#243;n de la UCI MIMIC es la cohorte m&#225;s ampliamente estudiada en pacientes cr&#237;ticos&#46; El mismo grupo MIT promueve eventos &#40;llamados <span class="elsevierStyleItalic">datathons</span>&#41; en los que los m&#233;dicos y los cient&#237;ficos de datos trabajan juntos usando la base de datos MIMIC para resolver problemas cl&#237;nicos&#46; A partir de estos eventos&#44; y de otros grupos internacionales que trabajan con datos MIMIC&#44; se generan m&#250;ltiples publicaciones cient&#237;ficas basadas en el an&#225;lisis de datos<a class="elsevierStyleCrossRef" href="#bib0020"><span class="elsevierStyleSup">4</span></a>&#46;</p><p id="par0065" class="elsevierStylePara elsevierViewall">Hay otras otras iniciativas en la estandarizaci&#243;n de datos de salud que vale la pena mencionar&#46; Una de ellas es el Observational Health Data Sciences and Informatics &#40;OHDSI&#41;&#44; un consorcio internacional que est&#225; construyendo un esquema de base de datos de salud llamado OMOP-CDM &#40;Modelo de datos comunes de asociaci&#243;n de resultados m&#233;dicos observacionales&#41;<a class="elsevierStyleCrossRef" href="#bib0035"><span class="elsevierStyleSup">7</span></a>&#46; Este proyecto tiene como objetivo transformar los datos contenidos dentro de EHR en un formato com&#250;n y una representaci&#243;n com&#250;n &#40;terminolog&#237;as&#44; vocabularios&#44; esquemas de codificaci&#243;n&#41;&#46; El consorcio tambi&#233;n re&#250;ne y proporciona una biblioteca de herramientas anal&#237;ticas que se han desarrollado en base a un formato com&#250;n&#46; Finalmente&#44; el HL7&#174; Fast Healthcare Interoperability Resources &#40;FHIR&#174;&#41; que es un marco est&#225;ndar que describe formatos y elementos de datos&#44; as&#237; como una interfaz de programaci&#243;n de aplicaciones &#40;API&#41; para sistemas de informaci&#243;n&#44; incluidos tel&#233;fonos m&#243;viles y aplicaciones basadas en la web<a class="elsevierStyleCrossRef" href="#bib0040"><span class="elsevierStyleSup">8</span></a>&#46;</p><p id="par0070" class="elsevierStylePara elsevierViewall">En resumen&#44; ahora tenemos la oportunidad de complementar y llenar los vac&#237;os de informaci&#243;n en los sistemas de conocimiento m&#233;dico que no son abordados por los ECA y la investigaci&#243;n cient&#237;fica b&#225;sica&#46; La comprensi&#243;n de la ciencia de datos&#44; combinada con su experiencia espec&#237;fica en el campo&#44; permitir&#225; a los m&#233;dicos explotar los datos generados en su entorno de trabajo&#46; Los proyectos como MIMIC deben replicarse en Espa&#241;a para comprender mejor la salud y la enfermedad entre la poblaci&#243;n espa&#241;ola&#46;</p></span></span>"
    "textoCompletoSecciones" => array:1 [
      "secciones" => array:5 [
        0 => array:2 [
          "identificador" => "sec0005"
          "titulo" => "T&#233;cnicas de Big Data &#40;Preparaci&#243;n de un DataMart -Extracci&#243;n-An&#225;lisis&#41; para la generaci&#243;n de conocimiento a partir de EHR"
        ]
        1 => array:2 [
          "identificador" => "sec0010"
          "titulo" => "Medicina de precisi&#243;n como alternativa a los ensayos controlados aleatorizados &#40;ECA&#41; para la toma de decisiones"
        ]
        2 => array:2 [
          "identificador" => "sec0015"
          "titulo" => "Dificultades para extraer informaci&#243;n de EHR"
        ]
        3 => array:2 [
          "identificador" => "sec0020"
          "titulo" => "La soluci&#243;n MIMIC&#46; &#191;Podr&#237;a ser replicada en Espa&#241;a&#63;"
        ]
        4 => array:1 [
          "titulo" => "Bibliograf&#237;a"
        ]
      ]
    ]
    "pdfFichero" => "main.pdf"
    "tienePdf" => true
    "multimedia" => array:1 [
      0 => array:8 [
        "identificador" => "tbl0005"
        "etiqueta" => "Tabla 1"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at1"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:1 [
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Referencia&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Highlights&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">M&#233;todos&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Resultados&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Komorowski M&#44; Celi L&#44; Badawi O&#44; Gordon A&#44; Faisal&#44; A&#46; The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care&#46; Nat Med&#46; 2018&#59; 24&#58;1716&#8211;20&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Este es el primer art&#237;culo en el que un algoritmo de inteligencia artificial utilizado para decidir si administrar l&#237;quidos o f&#225;rmacos vasoactivos en pacientes s&#233;pticos super&#243; a un equipo m&#233;dico reduciendo la mortalidad&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">La metodolog&#237;a utilizada fue la siguiente&#58; despu&#233;s de entrenar el algoritmo en una base de datos EHR&#44; se aplic&#243; a otra base de datos EHR no relacionada para obtener sugerencias de tratamiento&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">La mortalidad fue menor entre los pacientes que hab&#237;an recibido el tratamiento m&#225;s cercano al sugerido por el algoritmo entrenado&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Brennan M&#44; Puri S&#44; Ozragat-Baslanti T&#44; Feng Z&#44; Ruppert M&#44; Hashemighouchani H&#44; et al&#46; Comparing clinical judgment with the My Surgery Risk algorithm for preoperative risk assessment&#58; A pilot usability study&#46; Surgery&#46; 2019&#59; 165&#58;1035&#8211;45&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Decidir si la cirug&#237;a est&#225; indicada o no sobre la base de una evaluaci&#243;n de riesgo-beneficio es uno de los principales desaf&#237;os a que se enfrentan tanto los anestesi&#243;logos como los cirujanos&#46; El objetivo de este estudio fue predecir la mortalidad y otras comorbilidades posquir&#250;rgicas&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">El algoritmo se construy&#243; a partir de datos cl&#237;nicos extra&#237;dos de EHR utilizando herramientas de <span class="elsevierStyleItalic">machine learning</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">El algoritmo fue 2 veces m&#225;s preciso para predecir complicaciones postoperatorias comparado con un grupo de especialistas en medicina preoperatoria&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Ghassemi M&#44; Richter SE&#44; Eche IM&#44; Chen TW&#44; Danzinger J&#44; Celi LA&#46; A data-driven approach to optimized medication dosing&#58; a focus on heparin&#46; Intensive Care Med&#46; 2014&#59; 40&#58;13329&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">El objetivo de este estudio fue crear un modelo de la relaci&#243;n dosis-respuesta a la heparina sobre la base de m&#250;ltiples caracter&#237;sticas del paciente&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Los datos de EHR de 1&#46;500 pacientes se usaron para crear un modelo predictivo que inclu&#237;a las caracter&#237;sticas cl&#237;nicas del paciente y no solo el peso como covariables&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">El modelo experimental mejor&#243; sustancialmente la capacidad predictiva con respecto al sistema basado en el peso&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab2173663.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">Ejemplos del uso secundario de datos cl&#237;nicos</p>"
        ]
      ]
    ]
    "bibliografia" => array:2 [
      "titulo" => "Bibliograf&#237;a"
      "seccion" => array:1 [
        0 => array:2 [
          "identificador" => "bibs0015"
          "bibliografiaReferencia" => array:8 [
            0 => array:3 [
              "identificador" => "bib0005"
              "etiqueta" => "1"
              "referencia" => array:1 [
                0 => array:1 [
                  "referenciaCompleta" => "MIMIC III project &#91;consultado 1 May 2019&#93;&#46; Disponible en&#58; <a target="_blank" href="https://mimic.physionet.org/">https&#58;&#47;&#47;mimic&#46;physionet&#46;org</a>"
                ]
              ]
            ]
            1 => array:3 [
              "identificador" => "bib0010"
              "etiqueta" => "2"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Big data analysis and machine learning in intensive care units"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "A&#46; Nu&#241;ez Reiz"
                            1 => "M&#46;A&#46; Armengol de la Hoz"
                            2 => "M&#46; Sanchez Garcia"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.medin.2018.10.007"
                      "Revista" => array:6 [
                        "tituloSerie" => "Med Intensiva&#46;"
                        "fecha" => "2019"
                        "volumen" => "43"
                        "paginaInicial" => "416"
                        "paginaFinal" => "426"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30591356"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            2 => array:3 [
              "identificador" => "bib0015"
              "etiqueta" => "3"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Big data and machine learning in health care"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "A&#46;L&#46; Beam"
                            1 => "I&#46;S&#46; Kohane"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1001/jama.2017.18391"
                      "Revista" => array:7 [
                        "tituloSerie" => "JAMA&#46;"
                        "fecha" => "2018"
                        "volumen" => "319"
                        "paginaInicial" => "1317"
                        "paginaFinal" => "1318"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29532063"
                            "web" => "Medline"
                          ]
                        ]
                        "itemHostRev" => array:3 [
                          "pii" => "S0049017211001454"
                          "estado" => "S300"
                          "issn" => "00490172"
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            3 => array:3 [
              "identificador" => "bib0020"
              "etiqueta" => "4"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Critical care&#44; critical data"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "C&#46;V&#46; Cosgriff"
                            1 => "L&#46;A&#46; Celi"
                            2 => "D&#46;J&#46; Stone"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:3 [
                        "tituloSerie" => "Biomed Eng Comput Biol&#46;"
                        "fecha" => "2019"
                        "volumen" => "10"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            4 => array:3 [
              "identificador" => "bib0025"
              "etiqueta" => "5"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The MIMIC Code Repository&#58; enabling reproducibility in critical care research"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "A&#46;E&#46; Johnson"
                            1 => "D&#46;J&#46; Stone"
                            2 => "L&#46;A&#46; Celi"
                            3 => "T&#46;J&#46; Pollard"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1093/jamia/ocx084"
                      "Revista" => array:6 [
                        "tituloSerie" => "J Am Med Inform Assoc&#46;"
                        "fecha" => "2018"
                        "volumen" => "25"
                        "paginaInicial" => "32"
                        "paginaFinal" => "39"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29036464"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            5 => array:3 [
              "identificador" => "bib0030"
              "etiqueta" => "6"
              "referencia" => array:1 [
                0 => array:1 [
                  "referenciaCompleta" => "Challenges in irreproducible research &#91;consultado 1 May 2019&#93;&#46; Disponible en&#58; <a target="_blank" href="http://www.nature.com/collections/prbfkwmwvz%0A">www&#46;nature&#46;com&#47;collections&#47;prbfkwmwvz&#37;0A</a>"
                ]
              ]
            ]
            6 => array:3 [
              "identificador" => "bib0035"
              "etiqueta" => "7"
              "referencia" => array:1 [
                0 => array:1 [
                  "referenciaCompleta" => "OMOP Common Data Model &#91;consultado 4 Jul 2019&#93;&#46; Disponible en&#58; <a target="_blank" href="https://www.ohdsi.org/data-standardization/the-common-data-model">https&#58;&#47;&#47;www&#46;ohdsi&#46;org&#47;data-standardization&#47;the-common-data-model</a>"
                ]
              ]
            ]
            7 => array:3 [
              "identificador" => "bib0040"
              "etiqueta" => "8"
              "referencia" => array:1 [
                0 => array:1 [
                  "referenciaCompleta" => "FHIR Infrastructure&#46; Background &#91;consultado 4 Jul 2019&#93;&#46; Disponible en&#58; <a target="_blank" href="http://www.hl7.org/Special/committees/fiwg/overview.cfm">http&#58;&#47;&#47;www&#46;hl7&#46;org&#47;Special&#47;committees&#47;fiwg&#47;overview&#46;cfm</a>"
                ]
              ]
            ]
          ]
        ]
      ]
    ]
  ]
  "idiomaDefecto" => "es"
  "url" => "/00349356/0000006600000010/v1_201912020617/S0034935619301458/v1_201912020617/es/main.assets"
  "Apartado" => array:4 [
    "identificador" => "78500"
    "tipo" => "SECCION"
    "es" => array:2 [
      "titulo" => "Cartas al Editor"
      "idiomaDefecto" => true
    ]
    "idiomaDefecto" => "es"
  ]
  "PDF" => "https://static.elsevier.es/multimedia/00349356/0000006600000010/v1_201912020617/S0034935619301458/v1_201912020617/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/"
  "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0034935619301458?idApp=UINPBA00004N"
]
Indexada en:

Síguenos:

Suscribirse:

Artículo

Indexada en:

Síguenos:

Suscribirse:

Artículo

Suscríbase a la newsletter
