Reconociendo que las bases de datos administrativas de atención médica pueden ser una herramienta valiosa, pero desafiante, en la búsqueda continua de medicina personalizada en el país, los estadísticos Liangyuan Hu y Madhu Mazumdar de la Escuela de Medicina Icahn en Mount Sinai han desarrollado herramientas analíticas y de modelado estadístico avanzado quepuede hacer que la atención médica y los datos médicos sean más significativos. Hu presentará sus hallazgos el 3 de agosto en las Reuniones estadísticas conjuntas JSM de 2017 en Baltimore, Maryland.
La disponibilidad de grandes registros de salud electrónicos es prometedora para el descubrimiento médico y los esfuerzos para desarrollar tratamientos individualizados. "Los análisis estadísticos potentes y los resultados de estos registros y bases de datos pueden ser la base sobre la cual se hacen preguntas médicas informadas y se toman decisiones", señalaHu
Por ejemplo, los médicos que buscan proporcionar un tratamiento óptimo para pacientes con cáncer de alto riesgo podrían considerar las modalidades de prostatectomía radical múltiple PR o radioterapia RT. Pero, dado que es difícil realizar ensayos controlados aleatorios que arrojen resultados de calidad que comparen RPRT para la supervivencia a largo plazo entre un grupo de tan alto riesgo, los médicos están limitados a los datos disponibles que pueden ayudarlos a tomar decisiones precisas y personalizadas ". Por lo tanto, encontrar evidencia usando herramientas estadísticas de grandes bases de datos nacionales representativas es crucial para informardecisiones médicas tan críticas ", dice Hu.
Demostrando con un estudio de caso en enfermedades crónicas, Hu mostrará desafíos típicamente asociados con la extracción de inferencias de registros de salud electrónicos y bases de datos administrativas. Las limitaciones tales como la configuración no controlada de la recopilación de datos, la variación de la práctica entre los médicos y los datos faltantes pueden llevar a conclusiones falsas, sino se abordan adecuadamente mediante métodos estadísticos rigurosos. Sus métodos aprovechan el aprendizaje automático y los modelos flexibles para extraer inferencias válidas utilizando registros de salud electrónicos muestreados de una población representativa y reflejar los resultados de la práctica clínica real.
"En los estudios de predicción clínica, mostramos que la combinación de las fortalezas de los algoritmos no paramétricos y los modelos paramétricos conduce al desarrollo de una herramienta reproducible y basada en datos que no solo generará un impacto inmediato en la salud pública, sino que también avanzará en el desarrollo de la metodología estadística relacionada conextrayendo información válida y útil de vastas fuentes de datos ", concluye Hu.
Fuente de la historia :
Materiales proporcionado por Asociación Americana de Estadística . Nota: El contenido puede ser editado por estilo y longitud.
Cite esta página :