|
Encontrarás: Enlaces directos a todas las Ediciones, Sitios Interesantes, Enlaces de Salud, Lugares de Argentina y Utilitarios GRATIS Continuamos compartiendo muchísima INFORMACIÓN en nuestro Foro de discusión en YAHOO |
|
Boletín Electrónico Management en Salud Buenos Aires - Argentina Número: 24 --- 16 de Abril del 2005 Este boletín se distribuye en forma gratuita a 614 suscriptores voluntarios. |
|
Encontrarás: Enlaces directos a todas las Ediciones, Sitios Interesantes, Enlaces de Salud, Lugares de Argentina y Utilitarios GRATIS Continuamos compartiendo muchísima INFORMACIÓN en nuestro Foro de discusión en YAHOO |
|
Comentario del Editor.
Editorial: Comentarios del Editor Volver é Hola amigos suscriptores del Boletín, ¿Cómo han estado? Los días 12, 13 y 14 de Abril se desarrolló el Coloquio: Los Jueces y la Evidencia Científica, el cual Management en Salud pudo presenciar gracias a la atenta invitación recibida por parte de Maria Isabel Ramírez, suscriptora de nuestra Publicación. Fue grato ver la apertura mental manifestada por los magistrados expositores donde la Medicina Basada en la Evidencia fue la estrella del Evento. Aplaudo a sus Mentores, pero a mi modesto entender creo que al Coloquio le quedó una pata de la mesa sin tratar, al no abordar temas tan importantes en Medicina como las Tecnologías de la Información (Historia Clínica Electrónica y Firma Digital). Uds. dirán, "éste Jorge siempre con lo mismo", pero hasta que no se tome conciencia de la importancias estratégica que implica la utilización de dichas herramientas en el área de la Salud, no se lograrán importantes avances en cuanto a Reducción de Costos y Mejoramiento de la Calidad de Atención. Sin ir más lejos, el tema que abordaremos en la presente Edición, es fundamental para lograr avances sustanciales en la Medicina Basada en la Evidencia con eficiencia y eficacia. En fin, espero que en la próxima oportunidad la temática de Tecnología sea incorporada. Volviendo a la presente Edición, abordaremos una herramienta que creo fundamental para permite transformar:
Esta herramienta es el Data Mining o Minería de Datos y la utilización de las Redes Neuronales. Agradecemos al Dr. Carlos Alberto Porta y al Lic. Daniel Canepa por el material suministrado. Agradezco su atención y espero que la presente edición sea de su agrado. Les mando un afectuoso saludo.
Lic. Jorge Armando Guerra Editor responsable del Management en Salud e-mail: [email protected] www.managementensalud.com.ar Tel: (54 11) 4581-0673 - 4585-6879 - cel: 15 5661-5742 Buenos Aires - Argentina Para suscribirse al Boletín “Management en Salud”, enviar un mail a: [email protected] Para suscribirse al Foro de Discusión, enviar un mail a: [email protected]
Nuestros amigos
Aplicación de Data Mining y Redes Neuronales. Volver é Consideraciones Tecnológicas sobre las Redes Neuronales a la luz de las Ciencias Biológicas. En búsqueda de reglas que permitan establecer relaciones entre acontecimientos vinculados con la Salud, la Medicina debió buscar los métodos de avanzada necesarios como para hacer frente a los reclamos de la época. La profunda motivación de esta búsqueda está constituida por la necesidad de establecer reglas que puedan confirmar las apreciaciones empíricas existentes, o establecer nuevas reglas a la luz de los conocimientos actuales constituyendo de esa forma una verdadera revolución científica de bases epistemológicas. Profundamente inmersos en la informatización de la Medicina precursora del cambio del siglo XX, los investigadores se dedicaron en los últimos años a evaluar las Redes Neuronales, método cuyo diseño semeja la estructura y la relación de las neuronas del cerebro humano, y que por lo tanto pueden ser personalizadas para cada uso, eligiéndolas de acuerdo a sus funciones o modificando las características de sus componentes. Tal vez el término "Redes Neuronales", generalmente asociado al de "inteligencia artificial", induzca a creer en una complejidad inalcanzable para el profesional de la bio-medicina abocado al ejercicio de una disciplina donde la lógica booleana no encuentra el campo propicio, pero lo cierto es que el empleo de las redes neuronales por parte del médico no implica el conocimiento especializado mas allá de la simple recolección de datos. Su función, es constituir sistemas que aprenden las asociaciones lógicas (adaptativos). En sí, una red neuronal es un método matemático muy poderoso destinado a establecer modelos de distintos tipos de sistemas, especialmente sistemas no lineales. En Medicina, casi todos los sistemas son no-lineales, por lo que se considera que en ella los sistemas lineales no tienen validez. Desafortunadamente, el grado de certeza exigido por los sistemas basados en la lógica son muy escasos en Medicina. Adicionalmente, la incertidumbre de los procesos biológicos, alejados del modelo matemático de la lógica booleana, llevó a diseñar la lógica posibilística, o lógica difusa ("fuzzy logic"), de forma tal que pudiéramos obtener verdades "parciales". Habitualmente llamadas sistema de "caja negra", se pretende definir a las redes neuronales como un proceso de cálculo que no puede ser visto. Esto puede significar un punto en contra de la utilización por el profesional de la Medicina, habitualmente acostumbrado a conocer las reglas que rigen la "causa y efecto". Por su robusta configuración y su potencia en el manejo de datos, constituyen una herramienta de singular valor en el manejo de información lo suficientemente pequeña como para desplazar eficazmente a los procedimientos estadísticos convencionales. Las redes neuronales se caracterizan por ciertas condiciones:
La estructura de una red neuronal está basada en la existencia de una capa con los nodos de entrada que reciben las señales, y una capa de nodos de salida que emiten las señales de respuesta. En el medio, puede haber una cantidad potencialmente ilimitada de capas intermedias que contienen los nodos intermedios, constituyendo la capa oculta. Existen diferentes esquemas de construcción de redes neuronales, las cuales utilizan diferentes sistemas de "cableado" y estrategias de aprendizaje. El aprendizaje en las redes neuronales es producido a través de ejemplos, cambiándose los factores de peso (weights) en cada elemento para reducir el error en la salida. Existen dos categorías de aprendizaje en las redes neuronales:
El gráfico siguiente ilustra sobre la similitud de la unión sináptica de las neuronas biológicas y la "sinapsis" de las redes neuronales.
La configuración de las "capas" que conforman una red neuronal se puede observar en la imagen siguiente.
Existen diversas formas de configurar una red neuronal; las tres formas que mas se han utilizado son:
En la imagen siguiente se puede apreciar la constitución esquemática del perceptron.
En los últimos años ha sido cuestionada la utilidad del perceptron en sistemas complejos. Se considera que una red neuronal de una sola capa puede solucionar el 80 % de los problemas con la única limitación del tiempo necesario para realizar el proceso. Agregando mas redes neuronales, la velocidad aumenta. Pero debe tenerse presente que si el número de neuronas es muy grande, además de modelar la señal el sistema puede modelar el ruido.
Durante el entrenamiento, los nodos de la capa oculta se organizan a si mismo. Durante la fase de recall la red neuronal responderá a los inputs que exhiben características similares a aquellas aprendidas durante la fase de entrenamiento. Para cada input, la red produce una patente de output. Se compara el output actual con el deseado utilizado durante el entrenamiento, y se calcula el error. Backpropagation ( BP) es un algoritmo habitualmente utilizado en las redes MLPs, el cual propaga hacia atrás los errores de output hacia la capa previa. El resultado obtenido al mezclar los pesos con una proporción del último cambio de peso (momento) es la reducción de las fluctuaciones de los resultados. Si bien es cierto que el entrenamiento de una red neuronal se basa en el intento y el error, el algoritmo back propagation compara los resultados obtenidos con los esperados. Este proceso suele tomar sólo una fracción del tiempo que suelen demandar el intento y error. Los pasos que realiza el algoritmo de retropropagación comienzan con el cálculo de la diferencia entre los outputs deseados y los reales. Luego calcula el gradiente de error al cuadrado en relación con los pesos que ingresan en la capa de salida. Y posteriormente se repite en cada capa subsiguiente, hacia atrás. Aplicación de Redes neuronales en el Sector Salud. Las Redes Neuronales han sido utilizadas originariamente en forma genérica para las siguientes aplicaciones:
La clasificación de las áreas de la aplicación de redes neuronales en el campo de la Medicina, es la siguiente:
El algoritmo generalmente utilizado en los ítems 1), 2), y 4) es el de retropropagación El comportamiento de una red neuronal depende de los pesos de las funciones de input-output (Funciones de transferencia). En términos generales, podemos citar que las funciones típicamente pueden estar en alguna de estas tres categorías:
Herramientas FREEWARE Y SHAREWARE para Redes neuronales. (Potencialmente utilizables en Bio-Medicina)
Consideraciones No se han considerado en este trabajo la utilidad de las redes neuronales en el ejercicio profesional de la Medicina, sistemas de atención médica, prepagas, Obras Sociales, etc, limitándose a lo estrictamente científico. Sin embargo, debe hacerse notar que la utilidad en estos sub-sectores del sector Salud también puede ser manifiesta, en tanto se pueda contar con los registros suficientes de información que permitan posteriormente conocer los resultados de las tendencias, actitudes, costumbres, y hasta pronósticos sobre la actividad de la dupla paciente/profesional. Del material obtenido como información, surge que el empleo de redes neuronales en Bio-Medicina se encuentra en pleno desarrollo. A los trabajos iniciales se le fueron agregando numerosas investigaciones que permiten establecer patentes o pautas significativas de normalidad o de patología. En ocasiones, los equipos multidisciplinarios que llevaron a cabo estos trabajos lograron no solamente establecer patrones novedosos en los temas biológicos tratados, sino diseñar productos propios de ANN que luego serían promovidos en el ambiente de la Bio-Medicina. Es evidente que con el uso de redes neuronales se está en camino de llegar a revolucionar los conceptos empíricos que la Medicina posee. Solamente el hecho de poder establecer si determinado síntoma, o determinado valor en un análisis de laboratorio puede ser significativo de cierta patología, nos está llevando de la mano al replanteo filosófico del conocimiento médico. La aparición de la Medicina Basada en la Evidencia significó un profundo cisma en la valoración de la Información Médica, ya que basándose en principios epidemiológicos de real trascendencia pudo establecer los lineamientos destinados a valorizar los trabajos científicos que fueran desarrollados en forma coherente y despojados de toda subjetividad. Se pudo construir de ese modo, la base de datos "Cochrane" de trabajos reconocidos como poseedores de valor científico, los cuales constituyen una garantía de seguridad y calidad. Luego de la profundización en el tema de las redes neuronales, surge claramente que la labor de la Medicina Basada en la Evidencia (EBM) debe urgentemente adaptar y adoptar los sistemas basados en el modelo de redes neuronales para continuar con su profícua labor de los últimos años. Sin pretender llevar la Medicina a una función lineal, estamos en condiciones de aprovechar la tecnología en aras de una mejor calidad de atención médica y permitir extraer conclusiones científicas que aparentemente antes no eran detectadas. Los investigadores que trabajan en Medicina con redes neuronales se han agrupado en una Sociedad Científica mundial: ANNIMAB (Artificial Neuronal Network in Medicine and Biology). Ya se han realizado Jornadas y eventos en su seno, el último de ellos en Göteborg, Suecia, en 2000. Se han evaluado los métodos en que muchos de sus integrantes realizaron los papers que se detallan en el APENDICE. Este trabajo monográfico le deja al profesional de la Salud algunas consideraciones que pueden ser analizadas a la luz de la Ética, la Filosofía, la Psicología del Conocimiento Científico, y las relaciones interdisciplinarias dentro de la Ciencia y Tecnología. La Ética no se ve en crisis ante el advenimiento de los procesos tecnológicos de fin del Milenio. Se da la paradojal situación de que la Tecnología moderna ha hechado mano a los modelos biológicos (redes neuronales; algoritmos genéticos; etc) para la solución de problemas y situaciones precisamente biológicas (los trabajos de esta monografía con ANN; la decodificación del genoma humano con algoritmos genéticos, etc). El Conocimiento Científico en Biología, carente de la lógica matemática, se ve engrandecido por las posibilidades de lograr un agrupamiento de las variables, por la facilidad de procesamiento de medidas pequeñas y de poblaciones extensas, y especialmente por las posibilidades de establecer nuevos patrones de señales que identifiquen tanto la enfermedad como la normalidad. Ciencias Biológicas y Tecnología ya van de la mano. La Biología y la Medicina no pueden ocultar la necesidad de la Tecnología para el soporte epidemiológico que caracteriza la Medicina moderna en todos sus grados de utilidad. En cuanto a la Filosofía, debemos reconocer y aplaudir que la era de la duda científica ante los papers que a diario inundan las publicaciones médicas tiene su próxima finalización con el advenimiento de este modelo que permite acercarnos cada vez mas al diagnóstico certero por excelencia. En términos de Platón, será que estamos cada día mas cerca de la realidad "inmanente"? APENDICE TRABAJOS DE MEDICINA EFECTUADOS Y EN CURSO QUE UTILIZAN REDES NEURONALES. Se han tenido en cuenta solamente aquellos papers cuyos contenidos se pudieron obtener para su consideración. 1) "Classification of EEG (electroencophalography) data of psychotic patients, and automatic sleep staging based on EEG data". El Neural Networks Groups del Austrian Research Institute for Artificial Intelligence, con la cooperación del Dept. of Medical Cybernetics and Artificial Intelligence at the University of Vienna, han llevado a cabo esta investigación con el objetivo principal de establecer el reconocimiento de las patentes y el proceso de señales como ayuda en neurología mediante redes neuronales. Prof. Rappelsberger. 2) "The identification of coronary artery disease from stress ECG. Trabajo realizado en el mismo Instituto. Son sus autores See Dorffner, Leitgeb & Koller. Basan sus estudios en la obtención de patrones de electrocardiogramas para el diagnóstico de insuficiencia coronaria mediante redes neuronales. 3) "Development of a new standard for polygraphic sleep analysis". Este fue un proyecto llamado SIESTA, realizado en colaboración con 15 centros europeos. El objetivo fue establecer pautas en el electroencefalograma realizado durante el sueño (Polisomnografía), y poder establecer de esa forma el diagnóstico de las alteraciones del sueño. Emplean redes neuronales. 4) "The alarm detection in cardiotocograms (CTG) for fetal monitoring". Realizado conjuntamente con la II Clínica Ginecológica de la Univ. De Viena. Búsqueda de los signos de alarma durante el desarrollo del Monitoreo Cardíaco Fetal de la paciente en el tercer trimestre de embarazo mediante el empleo de redes neuronales. 5) "The interpretation of thallium-201 scintigrams (heart scans) with respect to coronary artery disease" En cooperación con el Dep. de Cardiología, Medicina II de la Universidad de Viena. Establecimiento de patrones comunes en pacientes sometidos a cámara gamma con talio radioactivo para el diagnóstico de insuficiencia coronaria. 6) "CTG Evaluation with Neural Networks. Development of an Alarm System for Fetal Monitoring". (Cardiotocogramas) University of Vienna, Dept. of Obstetrics and Gynecology, Div. of Prenatal Diagnosis and Therapy . Autora: Claudia Ulbricht. Similares consideraciónes que el trabajo del item 4). Pero la autora focaliza la investigación en la necesidad de establecer señales checkeadas automaticamente que permitan un alerta del sufrimiento fetal lo suficientemente precoz como para solucionar el inconveniente con éxito. En búsqueda de un método eficaz, la autora utiliza diferentes sistemas convencionales y obviamente el de Redes Neuronales. Como información decisiva para este trabajo se tomó en cuenta el fenómeno de la desaceleración de la frecuencia fetal durante los episodios de sufrimiento. A diferencia de los métodos convencionales que evalúan la frecuencia cardíaca fetal (FHR) latido a latido (integrada), en este trabajo se registró cada latido y no se trabajó en valores promedio. Las muestras de trazados de cardiotocogramas fueron testeadas mediante redes neuronales. Según la autora, el set de modelos testeados contiene diferentes tipos de multicapa de perceptrons y una capa simple oculta con feedback. Los resultados indican que la desaceleración es fuertemente dependiente de la variabilidad de la FHR. Por lo tanto, recomienda que los sistemas futuros de cardiotocografía integren variados métodos de medida de la variabilidad de la FHR para lograr una correcta clasificación. 7) "Simulation Tools for Neural Networks". VieNet2 V2.0 - Vienna Neural Network Toolkit 2 Se trata de una herramienta para implementar simulaciones de redes neuronales. Según sus autores, fue desarrollada para permitir el desarrollo de redes neuronales sin las restricciones que otros simuladores poseen. Posee una interfase gráfica y permite la conexión del haedware necesario para las investigaciones. Para investigación científica, el software es entregado gratuitamente. Fuera de esa situación se traa de un shareware. Autores: Linhart G., Dorffner G. 8) "Forecasting Fetal Heartbeats with Neural Networks". Autores: Claudia Ulbricht, Georg Dorffner, Andreas Lee. Como complemento del paper del item 6), el mismo equipo trata de posticar los intervalos entre los latidos fetales registrados en fetos. Comparan seis modelos de redes neuronales que combinan ventanas de input, capas ocultas de feedback, y unidad autorecurrente de feedback en diferentes direcciones. Consideran que la ación de las dos primeras es la que tuvo mejor performance. Y recomiendan emplear varias técnicas para procesar los aspectos temporales inherentes a la secuencia de input. 8) Enhancement of EEG-based Diagnosis of Neurological and Psychiatric Disorders by Artificial Neural Networks (ANNDEE) Proyecto realizado en Austria, con el objetivo de valorizar el diagnóstico de las enfermedades neurológicas y psiquiátricas mediante el uso de redes neuronales que clasifiquen e interpreten los datos del electroencefalograma. Especialmente dedicado el diagnóstico de esquizofrenia, enfermedad de Párkinson, desórdenes del sueño, epilepsia, etc, así como la detección de psicosis y enfermedades degenerativas. Características del paper: estandarización, estadísticas y comparación de los resultados, en sistema no linear (caótico). 9) "Assessing Scoliosis with Laser Imaging and Neural Networks". Autores: Zernicke, Ronsky, Harder, Clynch, Dewar, Labelle, Gu, Dansereau, Fauvel Este grupo de trabajo de la Universidad de Calgary (Canada) pretende establecer mediante redes neuronales los patrones de comparación de las deformaciones de la curvatura lateral de la columna vertebral de niños sometidos a estudios basados en imágenes obtenidas por laser. De esa forma se puede detectar la escoliosis idiopática del adolescente, cuyo trtamiento preventivo a edad temprana puede dar excelentes resultados. El motivo de uso de imágenes laser se debe al inteneto de evitar la irradiación de los niños en procesos de RX convencionales. Aparentemente se trata de una afección frecuente que pasa inadvertida. 10) "Decision-Support Systems designed for Critical Care". Autores: M. Frize, H.C.E. Trigg, F.G. Solven, M. Stevenson. B.G. Nickerson . University of New Brunswick, Fredericton, N.B. , Canada E3B 5A3 Con el desarrollo de una herramienta de razonador basado en casos clínicos, se logró comparar los 10 casos mas parecidos con el caso especial del nuevo paciente admitido en Unidad de Terapia Intensiva. Utilizaron una base de datos de 2000 pacientes, la cual debió ser convertida a lenguaje del razonador, luego de lo cual mediante una red neuronal de feed-forward y back-propagation lograron un entrenamiento para predecir al tiempo de alta de los pacientes, duración de la respiración artificial, y de la mortalidad. Propugnan el uso de este sistema para otras aplicaciones en medicina. 11) "Artificial Neural Networks and Fuzzy Logic in Medical Data Analysis " (Central Laboratory, Turku University Central Hospital) Finlandia.. Autor: Jari Forsström, MD El objetivo de este estudio es la aplicación de técnicas no lineares como las redes neuronales en el análisis de datos médicos. Hasta ahora, estos sistemas han sido utilizados en imágenes y en datos de laboratorio. Ante los resultados inseguros de los procedimientos estadísticos convencionales, se realizó este trabajo para clasificar imágenes de Resonancia Nuclear Magnética. En este proyecto, se incluyeron los casos de problemas médicos en donde el modelo se caracteriza por ser no linear, para lo cual se utilizó la "lógica difusa". 12) "EEG-Analysis by means of Artificial Intelligence" Autor: Christoph Herrmann, Darmstadt University of Technology (Alemania) El autor desarrolla un sistema híbrido basado en redes neuronales y "fuzzy neural network", con el cual puede establecer mas reglas que con procedimientos estadísticos convencionales, o que con las redes neuronales solas. Se considera de gran importancia para establecer los patrones clínicos corrspondientes. 13) "A populational model of hippocampus CA3 region slices". Autor: Ventriglia, F. Research Institute for Particle and Nuclear Physics. Budapest. Establecen un modelo estadístico que puede describir la actividad eléctrica de la población de neuronas de la región cerebral llamada Hipocampus. 14) "Prostate ultrasound images processing". Autores: D. Crivianu-Gaita, F. Miclea, A. Gaspar, S. Holban, G. Muntean . Timisoara, Rumania. Los autores, considerando que para el diagnóstico del cánce de próstata es muy importante la evaluación del volumen prostático con el menor error posible, desarrollaron un software que permite detectar la próstata en ecografías transabdominales (no transrectales), obtener una imagen bidimensional y construir un modelo 3D para computar su volumen. Desarrollan e implementan dos métodos para la reconstrucción tridimensional de la próstata: 1) contorno usando algoritmo original y reconstrucción mediante dos secciones ortogonales: transversal y sagital. 2) filtros circulares, y algoritmo de eliminación de múltiples puntos. Consideran importante la elección de los parámetros significativos que formarán la patente de aprendizaje de la red neuronal. 15) "NN in information intensive health care". Universidad de Goteborg, Suecia. Se trata de un trabajo conjunto de los Dept. de Filosofía y Medicina de la Universidad de Goteborg, dirigido por Helge Malmgren. Se trata de un trabajo actualmente en realización. 16) "Medical Knowledge Extraction". Autor: Ankica Babic (Linkoping University, Suecia) Se trata de la implementación del procesamiento de la información de datos médicos para adquirir el conocimiento necesario como para establecer nuevas reglas de diagnóstico y tratamiento. Para ello, utilizan el método estadístico convencional y las redes neuronales. Consideran que con el uso simultáneo de ambos sistemas se logra un considerable resultado que puede ser utilizado para la determinación de normas. Es una tesis de doctorado. 17) "Artificial Neural Network - a Tool to Improve Computer-Based Decision Support Systems". Lund University (Suecia). Autores: Edenbrandt, Lars; Pahlm, Olle; Sörnmo, Leif; Palmer, John; Heden, Bo; Holst, Holger; Lindahl, Dan Considerando que las redes neuronales aprenden mediante ejemplos y después de una sesión de entrenamiento, pueden ser utilizadas para clasificar nuevos ejemplos. En este trabajo se utilizan redes neuronales para clasificar diagnóstico por imágenes y electrocardiogramas. En trabajos anteriores, los autores evaluaron los resultados de Cámara Gamma mediante redes neuronales. Consideran que estas redes constituyen un avance de singular magnitud en Medicina. 18) "Unit for Biomedical Informatics and Systems Analysis, BMSA" Torgny Groth, associate professor, Director de BMSA . Uppsala University, Suecia. BMSA es una unidad de investigación interdisciplinaria abocada a tecnologías y metodologías modernas en investigación relacionada con la educación médica, especialmente informática Médica y redes neuronales en Medicina. Poseen una proficua labor en estudios de Telemedicina, y en la aplicación de redes neuronales en áreas como Terapia Intensiva. 18) "Continuous logic algebra as a mechanism for rule induction from trained neural networks". Autores: T. Etchells, P.J.G. Lisboa and D.C. Pountney Se trata de uno de los papers que caracterizan la actividad de investigador de P. J. G. Lisboa. Se confirma la naturaleza no linear de la información obtenida mediante redes neuronales. 19) "Neural Networks in the Interpretation of Contrast-Enhanced Magnetic Resonance Images of the Breast". Autores: Harte T.P, Hanka R., Dixon A.K., Lomas D.J., Britton P.D. (Alemania) El objetivo de este trabajo es emular la experiencia de los radiólogos en la identificación de las imágenes malignas en estudios de Resonancia Nuclear Magnética de la mama, mediante el uso de redes neuronales. Indirectamente se está buscando incrementar la experiencia de los médicos especializados en Patología Mamaria, para identificar con el máximo de seguridad las lesiones precursoras que permitan minimizar el número de operaciones quirúrgicas innecesarias. Utilizan un producto de red neuronal llamado Stuttgart Neural Network Simulator. Aprovechando los distintos grados de grises que denotan múltiples planos, la RNM con contraste a base de gadolinio puede tener en Patología Mamaria una aplicación de vital interés, especialmente considerando las posibilidades de detección de lesiones no detectables por la mamografía convencional. El texto completo del paper es muy descriptivo, y permite apreciar cómo realmente este método puede tener proximamente un papel definitorio en aquellas imágenes mamográficas dudosas. 20) "Neural Network Approach for Differential Diagnosis of Interstitial Lung Diseases". Se trata de un paper destinado a establecer diagnóstico diferencial de las enfermedades del pulmón basado en la enorme ayuda que las redes neuronales pueden brindar al respecto. 21) "Artificial Intelligence Program at Colorado State University ". Autor: Dr. Darrell Whitley. Department of Computer Science, Colorado University. Es un detalle de las actividades que está realizando el grupo de trabajo de la Universidad de Colorado. Entre ellos: Reconocimiento multisensorial de objetos (Computer vision); Genetic Algorithms y neuronal networks; Organización con algoritmos genéticos; Estudios empíricos de sistemas inteligentes; Reconocimientos de EEG; producción de imágenes 3D. 22) "Current urological applications of neural networks". Henry Ford Health Systems, Detroit. En este trabajo se citan los papers previos sobre identificación de litiasis urinaria, patología prostática, cáncer de próstata, etc, todos basados en el uso de redes neuronales que implementan el algoritmo de back propagation. 23) "Synthesize, Optimize, Analyze, Repeat (SOAR): Application of Neural Network Tools to ECG Patient Monitoring" Autores: Raymond L. Watrous, Geoffrey Towell, Martin S. Glassman. Siemens Corporate Research, Learning Systems Department, Princeton, New Jersey Presentan resultados de la aplicación de síntesis, optimización y análisis de tareas de Electrocardiograma a través de red neuronal. 24) "Coronary Disease Diagnosis". Autor: David D. Turner, Considerando que el SPECT (single photon emitted computed tomography) no es un procedimiento tecnologicamente perfecto, se propone el uso de imágenes scintigráficas logradas con talio, y procesadas mediante redes neuronales con el objeto de investigar los resltados con back-propagation. 25) "Applications of Neural Networks in Environment, Energy, and Health". Proceedings of the 1995 Workshop on Environmental and Energy Applications of Neural Networks . Autores: Paul E. Keller, Sherif Hashem, Lars J. Kangas, Richard T. Kouzes Presentan el modelo para aplicación de redes neuronales en Medicina, especialmente en imágenes médicas, reconocimiento de señales patológicas, diagnóstico médico, análisis de los efectos ambientales, seguro de salud, y modelos de sistemas biológicos. 26) "An Introduction To Neural Networks". Autores: John-William DeClaris; James Roberts (Maryland University) Este trabajo consiste en una reseña de redes neuronales, con detalles técnicos del perceptron propuesto en 1958 por Frank Rosenblatt Cornell University. Consideran que una red neuronal de una sola capa es capaz de solucionar el 80 % de los problemas, con la limitación del tiempo necesario. Agregando mas redes neuronales, la velocidad es mayor. Igualmente se aumenta la velocidad colocando los perceptrones en serie o en paralelo. 27) "Artificial Neural networks in Anesthesia". Autor: Dwayne Westenskow, PhD. Dept Anesthesiology University of Utah Descripción de los contenidos de las aplicaciones de redes neuronales en Anestesiología incluye los procesos siguientes: alarmas; monitoreo de la prsión arterial; medición del volumen sistólico; análisis del capnógrafo y del ECG; rechazo a los artefactos falsos de la oximetría de pulso, y control de la profundidad de la anestesia. En general se utlizan redes neuronales de back-propagation. 28) Department of Radiology, Yale University School of Medicine Director: Anand Rangarajan, Ph.D. Actualmente trabajando en imágenes médicas, visión computada, y estado de conciencia mediante redes neuronales. 29) "Neural network in the diagnosis of hepatocarcinoma". Autores: Paola Di Giacomo; Riccardo Maceratini. La Sapienza University, Roma. Utilizan redes neuronales con aprendizaje supervisado y back-propagation en el diagnóstico de carcinoma hepático, encontrando muy buenos resultados (error 0.004). Este trabajo puede leerse en el sitio del Congreso Virtual Informedica 2000. (http://www.informedica.org.ar) 30) "Fine Needle Aspirate of Breast Lesions Dataset". Autores: Dr Simon S Cross, Dr Robert F Harrison, Department of Pathology, University of Sheffield Medical School, UK Los autores proponen establecer reglas para la punción de lesiones mamarias con aguja fina (PAF), y para ello recurren a la ayuda de redes neuronales. Autor: Carlos Alberto Porta (Buenos Aires) Doctor en Medicina El autor desea hacer público un sincero agradecimiento al Prof. Lic. Juan M. Ale (Universidad de Palermo) por la motivación, el apoyo y el interés brindado en la confección de esta monografía. Igualmente, agradecemos la información enviada en forma personal por los Dres. Paola Di Giacomo y Riccardo Maceratini (Universidad La Sapienza). Biobliografía. 1) INFORMEDICA Dr. Renato Sabbatini, Univ. de Campinhas, Brasil. http://www.apub.org.br/infomed/artigos.htm 2) AN INTRODUCTION TO NEURAL NETWORKS. J.W. De Claris; J. Roberts; A. Lacaze. http://www.enee.umd.edu/medlab/neural/nn1.html 3) ANNIMAB (Artificial neural networks in Medicine and Biology) http://www.hum.gu.se/mailman/listinfo/annimab 4) CONGRESO DE ANNIMAB-1 http://phil.gu.se/ann/annimab2.html 5) INTERNATIONAL NEURAL NETWORK SOCIETY http://cns-web.bu.edu/inns 6) ANN PAPERS. Richard Dybowski http://www.umds.ac.uk/microbio/richard/papers.html 7) DATA MINING P. Adriaans; D. Zantinge Addison-Wesley 1998 8) "Neural network in the diagnosis of hepatocarcinoma". Autores: Paola Di Giacomo; Riccardo Maceratini. La Sapienza University, Roma. http://www.informedica.org.ar
Análisis de Datos en Salud: Concepto de Data Mining Volver é Introducción Las demandas en las organizaciones de salud de hoy en día tienen diversos aspectos. Las presiones para reducir costos manteniendo un alto nivel en el cuidado de los pacientes ha llevado a dichas organizaciones a reformular sus métodos para el Gerenciamiento. La consolidación de los diferentes actores durante el proceso de atención está ayudando a mejorar la productividad y los costos, las organizaciones de salud están comenzando a utilizar herramientas para obtener información a partir de los datos asistenciales, financieros y económicos generados durante la atención médica del paciente en forma integral. Data Mining (minería de datos) y Descubrimiento de Conocimiento en Bases de Datos (KDD-Knowledge Discovery in Databases), trata de descubrir información escondida y patrones no esperados en grandes bases de datos. Esto trae una gran significancia para las organizaciones de salud para obtener comportamientos de consumos, obtener las mejoras prácticas de atención según diagnósticos, extracción de conocimiento para conceptos médicos en bibliotecas, para citar algunas. Motivación Si bien los sistemas actuales permiten generar reportes para informar el contenido de los datos (tablas, bases de datos, etc.), no permiten analizar el contenido de los mismo para focalizarlos sobre conocimiento importante. La necesidad de disponer indicadores e información en una organización de salud viene dada por las siguientes circunstancias: · El análisis estandarizado sobre datos de actividad, calidad y costos que se realizan en la actualidad se limitan, por lo general, a valores transversales no acumulados, en forma manual y segmentada. · No se realizan comparaciones con periodos anteriores, ni con objetivos, y en consecuencia no se tienen elementos para introducir medidas correctoras para subsanar desviaciones no deseadas. · Existe una insuficiente utilización por parte de los directivos y de los responsables de las unidades de la información sobre actividad, calidad y costos disponible en una organización de salud para la toma de decisiones. Esto lleva a disponer de toda una gama de herramientas y técnicas que tengan la habilidad de asistir al análisis de grandes volúmenes de información en forma inteligente y automática para el descubrimiento de conocimiento. Problemática Las personas están demandando servicios de salud de más calidad tanto en la atención pública como la privada. Los límites de capacidad ya son alcanzados con mayor frecuencia, debido a que la esperanza de vida es mayor gracias a los avances de la tecnología médica. Todas estas demandas están basadas en un problema: la necesidad de descubrir más información ya sea el análisis de tendencias acerca de la población de pacientes, el seguimiento de costos, o el informe de pagos. Con mayor acceso a información más valiosa, los analistas o tomadores de decisión del sector salud estarán mejor informando, permitiéndole utilizar de forma más eficiente sus equipos, instalaciones y recursos humanos. Pero ¿cuál es la forma más efectiva de obtener la información de gestión o los datos históricos necesarios cuando y donde se los necesita?. La respuesta se encuentra en las soluciones de data warehousing, KDD y de data mining, las cuales permitirán responder estas preguntas: · ¿Cómo definir los precios o conocer los costos correctamente de acuerdo con las tendencias o patrones en las enfermedades o síntomas? · ¿Qué procedimientos son más efectivos en costo y más beneficiosos para los pacientes, como por ejemplo en tratamientos preventivos en lugar de tratamientos post-enfermedad? · ¿Cómo afecta la geografía y los grupos de edad la demanda de ciertos procedimientos médicos? · ¿Qué métodos logran los mejores resultados en la recuperación de pacientes?. Y si existe más de una opción, ¿cuál es la de menor costo? · ¿Puede mejorarse la asignación de los recursos humanos basándose en un mejor entendimiento de los perfiles o características de los pacientes? · ¿Cómo se puede determinar qué equipo médico es más utilizado por los pacientes y de acuerdo a ciertas ? · ¿Dónde puede realizarse una inversión en equipamiento para lograr un mejor atención y a la vez disminuir los costos? · ¿Qué tan efectivos son los procedimientos recomendados a los pacientes? Las soluciones de inteligencia de negocios lo ayudarán a encontrar las respuestas a partir de los volúmenes de información existente de registros de pacientes, datos clínicos, asistenciales y administrativos. Objetivo La necesidad cada vez mayor de contar con información más completa que permita una gestión de recursos más eficaz en base a las demandas poblacionales, supone el análisis de grandes volúmenes de datos, y la implantación de herramientas que permitan los estudios retrospectivos (atenciones realizadas) para mejorar la calidad de las decisiones y pasos tomados durante la actividad asistencial. Es conocido que los datos por sí solos no producen beneficio directo. Su verdadero valor radica en la posibilidad de extraer información útil para la toma de decisiones y la comprensión. Tradicionalmente en la mayoría de los dominios este análisis de datos se hacía mediante un proceso manual o semiautomático: uno o más analistas con conocimiento de los datos y con la ayuda de técnicas estadísticas proporcionaban resúmenes y generaban informes. Por todo lo anterior, surge la necesidad de metodologías para el análisis inteligente de datos, que permitan descubrir un conocimiento útil a partir de los datos. Este es el concepto de proceso de KDD y Data Mining. Data Mining y KDD El proceso de KDD es un conjunto de pasos interactivos e iterativos, entre los que se incluye el pre-procesamiento de los datos para corregir los posibles datos erróneos, incompletos o inconsistentes, la reducción del número de registros o características encontrando los más representativos, la búsqueda de patrones de interés con una representación particular y la interpretación de estos patrones incluso de una forma visual. Las técnicas de Data Mining es la extracción de información útil de los datos y el análisis de los mismos para buscar relaciones entre ellos no vistas en simples sentencias de SQL. Como se verá más adelante, Data Mining es considerada la etapa más importante del proceso KDD por utilizar herramientas para extraer información, vistas para la generación de conocimientos. KDD es un proceso multidisciplinario que intenta proveer herramientas para automatizar el proceso de análisis de datos, acceso eficiente a los datos, optimización de búsquedas. KDD considera el entendimiento del dominio en cuestión para su desarrollo y exploración, identificando el conocimiento previo relevante e identificando el objetivo principal a alcanzar desde el punto de vista del usuario final. El proceso de KDD consta de 6 etapas en las cuales vamos a entrar que una de ellas Data Mining: · Selección de Datos · Limpieza · Enriquecimiento · Codificación · Data Mining · Reporte o Visualización
Selección de Datos Es la selección de datos operacionales sobre los requerimientos de información solicitados por ejemplo: registro de consumos de medicamentos, registro de las observaciones de las prácticas de laboratorios de paciente, registro de hospitalizaciones de pacientes, etc. Limpieza Es el proceso de depuración de los datos operacionales, por ejemplo la identificación de duplicaciones o inconsistencias a partir de estas en función de los datos (el mismo paciente con diferente número de afiliado de obra social). Otro elemento de limpieza es la falta de datos del dominio por ejemplo algún campo del registro en null o con datos inválidos. Se deben eliminar el mayor número posible de datos erróneos o inconsistentes o irrelevantes. Enriquecimiento Es agregar información a los datos operacionales seleccionados, por ejemplo, datos adicionales del paciente como fecha de nacimiento, fecha de primera visita, carga de enfermedad a la fecha del estudio de laboratorio, etc. Es posible agregar otro tipo de información mediante otras bases de datos y combinarlas con los datos para analizar. Codificación Transformación de los datos seleccionados a determinados formatos, nomenclaturas, exclusión de ciertos registros aplicados a reglas generales por ejemplo: resultados normales del orina para un determinado diagnóstico. A este punto, la fase de codificación implica simples sentencias de SQL. En esta etapa la información en la base de datos está con mucho detalle para ser usada por algoritmos para seguimiento de patrones por ejemplo convertir la fecha de nacimiento del paciente por edad, el domicilio por region, codificar los resultados de los análisis de laboratorio en rango de valores. Data Mining Esta etapa del proceso es la más interesante. Data Mining es la exploración y análisis de grandes volúmenes de datos con el fin de descubrir patrones en los datos que sean válidos, novedosos, determinar acciones o decisiones a partir de ellos y finalmente comprenderlos e interpretarlos. El tipo de conocimiento que se desea extraer va a marcar claramente la técnica de data mining a utilizar. Según el conocimiento que se desea buscar se puede distinguir entre: · Data Mining dirigido: predecir ciertos datos o grupos de datos porque se sabe lo que se busca. Para este caso se trata de seleccionar el algoritmo adecuado. · Data Mining sin dirección: se trabaja con los datos para obtener información Existen diferentes técnicas y son usadas para diferentes propósitos para descubrir patrones potencialmente interesantes y son las siguientes para señalar algunas: · Asociaciones: una asociación entre dos atributos ocurre cuando la frecuencia de que se den dos valores determinados de cada uno conjuntamente es relativamente alta. Ejemplo: los primeros embarazos que fueron por cesárea entonces los embarazos subsiguientes también. (Esto se conoce como reglas de asociación) · Dependencias: una dependencia funcional es un patrón en el que se establece que uno o más atributos determinan el valor de otro. Ejemplo: un paciente que ingresa a maternidad determina su sexo. · Clasificación/árboles de decisión: una clasificación es el entendimiento de una dependencia, en la que el atributo dependiente puede tomar un valor entre varios conjuntos ya conocidos. Ejemplo: para los atributos de edad, miopia y astigmatismo han determinado pacientes para lo que la operación de cirugía ocular ha sido satisfactoria. · Agrupamiento/Segmentación: El agrupamiento (o clustering) es la detección de grupos. No se conoce su característica ni su cardinalidad con lo cual, su objetivo es determinar grupos diferenciados del resto o de comportamiento según los atributos en cuestión. · Tendencias/Regresión: El objetivo es predecir los valores de una variable continua a partir de la evolución sobre otra variable continua. Ejemplo: cantidad de pacientes atendidos en un período de tiempo, turnos otorgados, registrados en la historia clínica electrónica a partir de unidades de tiempo. · Modelos gráficos de dependencias probabilísticas: básicamente redes bayesianas, en dónde la evaluación se basa en la probabilidad y el encontrar el modelo en heurísticas. Data Mining involucra ajustar modelos o determinar patrones a partid de datos. Este ajuste normalmente es de tipo estadístico en el sentido que se permite un cierto ruido o errores dentro del modelo. Los algoritmos de data mining realizan en general tareas de descripción (datos y patrones), de predicción (datos desconocidos) y de segmentación (datos). Reporte o Visualización Es el resultado de la aplicación de la técnica de data mining que puede tomar varias formas. Presentación en gráficos, listados o tablas de comparación. Conclusiones En las organizaciones de salud la gestión clínica pretende favorecer la práctica médica se oriente a las utilidades relevantes del paciente, que se fundamente en la evidencia y que se tenga en cuenta el costo de oportunidad de las actuaciones. Para ello es necesario que los profesionales de la salud y responsables de áreas dispongan de información adecuada para que tomen decisiones clínicas y administrativas coste-efectivas con óptimo nivel de calidad. En la siguiente figura se describe los elementos involucrados para el análisis:
A continuación se describen situaciones que pueden ser cubiertas con los requerimientos presentados anteriormente: · Combinando datos externos demográficos o estadísticas nacionales de salud con los datos internos sobre tratamientos de pacientes en un data warehouse se pueden comprender mejor los cambios de tendencias en los patrones de enfermedad a través de las regiones geográficas. El resultado puede ser una mejor política de distribución de recursos. · Data mining puede ser utilizado para descubrir patrones y relaciones entre tratamientos, resultados y costos. Los patrones pueden ser detectados a partir de la primera visita del paciente, y las sucesivas. · Un data warehouse extenso, que utilice bases de datos de alta performance, puede proveer un análisis detallado del tratamiento de los pacientes según la edad, causística y la región. Con esta información es posible predecir dónde se encontrará la mayor demanda para un procedimiento médico en particular. · Para determinar cuál es el mejor y más económico procedimiento para la recuperación de un paciente. · Realizando un análisis del resultado y del protocolo, se pueden comparar varios procedimientos para los diagnósticos y descubrir cuál es el que obtiene el mejor resultado. Y si más de un tratamiento es posible, se podrá determinar cuál es el de menor costo, ayudándolo a ofrecer mejores cuidados a más personas. · Utilizando herramientas de soporte para la toma de decisiones para analizar registros de horas trabajadas, información demográfica de los pacientes y enfermedades, se puede pronosticar más precisamente los requerimientos de recursos humanos según los perfiles de los pacientes. · Un data warehouse departamental puede realizar un seguimiento de la utilización de los equipos médicos y físicos para las intervenciones quirúrgicas por parte de los pacientes y determinar dónde y cuándo se producen los cuellos de botella. Este análisis puede aprovecharse entonces, para preparar la planificación regular de los equipos y la eliminación de aquellos que ya no son utilizados. · Los médicos querrán acceder a la información de sus pacientes para poder compararla con las prácticas de otros colegas. Esta información es vital como parte del desarrollo profesional de cada uno de ellos. Y este tipo de información puede estar disponible para cada uno de ellos a través de internet directamente en el domicilio, o la oficina del médico. Es importante conocer los requerimientos iniciales para inciar el proceso de KDD y Data Mining y obtener la información para la toma de decisiones a partir de los datos propios de la organización. A continuación se presenta un esquema de indicadores que se puede caracterizar para un adecuado análisis de cada conjunto de elementos.
Referencias Agrawal, R., Imielinski, T. and Swami, A. Mining association rules between sets of items in massive databases. Proc. ACM SIGMOD International Conference Management of Data, Washington, D.C., 1993.
Bradley, P., Johanes G., Ramakrishnan R., Ramakrishnan S. Scaling Mining Algorithms to Large Databases, Communications of ACM, vol. 45, nro 8, Agosto 2002. Chidanand A., Bing Liu, Pedmault E., Padhraic S., Business Applications of Data Mining, Communications of ACM, vol. 45, nro 8, Agosto 2002. Han J., Altman R., Kumar V., Mannila H., Pregibon D. Emerging Scientific Applications in Data Mining. Communications of ACM, vol. 45, nro 8, Agosto 2002 Rainsford C., Roddick J. Databases issues in Knowledge Discovery and Data Mining. Australian Journal of Informations Systems, Vol 6, Iss 2. Mannila H.. Data Mining: machine learning, statistics, anda databases. http://www.cs.helsinki.fi/~mannila/. Departament of Computer Science, University of Helsinki. Adriaans P., Zantige D., Data Mining. Addison –Wesley. 1996. Kimball R., Reeves L., Ross M., Thornthwaite W. The Data Warehouse Lifecycle Toolkit, Wiley, 1998. Autor: Lic. Daniel Canepa Consultor en Informática en Salud Resumen del Boletín Oficial (Temas de Salud): 1ra. Quincena de Abril 2005 Volver é MS_313-05.HTM B.O. 01/04/05 SALUD PUBLICA Resolución 313/2005 - MSA - Habilitase el Registro Nacional Integrado de Poseedores de PCBs, que funcionará en el ámbito de la Dirección Nacional de Gestión Ambiental. ANMAT_1813-05 B.O. 04/04/05 PRODUCTOS ALIMENTICIOS Disposición 1813/2005 - ANMAT - Prohíbese la comercialización del producto rotulado Café Tostado Santos "bourbon", contenido en una bolsa de poliester aluminizado, con las .nicas inscripciones de: Industria Argentina y Peso Neto 1000g., de la supuesta firma José Antonio Miguens Calvelo. ANMAT_1796-05 B.O. 04/04/05 PRODUCTOS DOMESTICOS Disposición 1796/2005 - ANMAT - Incorpórase como anexo XI de la Disposición ANMAT Nº 7292/98, la Resolución GMC Mercosur Nº 10/04 Reglamento Técnico Mercosur para Productos de Limpieza y Afines. ANMAT_1660-05 B.O. 04/04/05 PRODUCTOS PARA DIAGNOSTICO Disposición 1660/2005 - ANMAT - Prohíbese la comercialización de todas las unidades de la presentación por 10 ml del producto de diagnóstico denominado Anti IgG Humana, importado por la firma Química Córdoba S.A. ANMAT_1554-05 B.O. 04/04/05 SUPLEMENTOS DIETARIOS Disposición 1554/2005 - ANMAT - Prohíbese la comercialización del producto rotulado Suplemento Dietario, Vitaminas y Minerales A.N.Y.D. RNPA Nº 01027158, y RNPA Nº 01001151. ANMAT_1192-05 B.O. 04/04/05 PRODUCTOS MEDICINALES Disposición 1192/2005 - ANMAT - Prohíbese la comercialización y uso del producto rotulado Congorosa (Lex Aquifolium) elaborado por Herboristería Guingard, de la ciudad de Chajarí, Provincia de Entre Ríos, por contener una sustancia prohibida por Disposición Nº 1788/2000. ANMAT_1191-05 B.O. 04/04/05 ESPECIALIDADES MEDICINALES Disposición 1191/2005 - ANMAT - Prohíbese la comercialización y uso del producto rotulado Solución Fisiológica marca Florisana, no estéril, no inyectable de Droguería Florisana ANMAT_1176-05 B.O. 04/04/05 ESPECIALIDADES MEDICINALES Disposición 1176/2005 - ANMAT - Prohíbese la comercialización y uso del producto rotulado Gemtro 1gr. por frasco ampolla, lote 7RG06P vto. sept.1 2005, el cual dice ser elaborado por la firma Eli Lilly And Company Indianápolis Usa e importado por Ely Lilly Interamerica Inc. (Sucursal Argentina). APE_3000-05 B.O. 11/04/05 PROGRAMAS ESPECIALES Resolución 3000/2005 - APE - Apruébanse las nuevas normas de financiamiento y seguimiento de los beneficiarios VIH+ por los que los Agentes del Seguro de Salud soliciten apoyo financiero ante la mencionada Administración. Deróganse las Resoluciones Nros. 475/2002 y 5600/2003 y parcialmente la Resolución Nº 5656/2004. ANMAT_1825-05.HTM B.O. 12/04/05 ESPECIALIDADES MEDICINALES Disposición 1825/2005 - ANMAT - Prohíbese la comercialización y uso del producto Proetztotal x 20ml, frasco ampolla, sin lote y sin vencimiento, certificado Nº 32.992, por tratarse de unidades falsificadas. ANMAT_1824-05.HTM B.O. 12/04/05 SALUD PUBLICA Disposición 1824/2005 - ANMAT - Clausúrase preventivamente el establecimiento de la firma Maigal Corporation Sucursal Argentina, sito en la Ciudad Autónoma de Buenos Aires, por haberse detectado el incumplimiento de las Buenas Prácticas de Fabricación y Control de Calidad. ANMAT_1823-05.HTM B.O. 12/04/05 ESPECIALIDADES MEDICINALES Disposición 1823/2005 - ANMAT - Prohíbese la comercialización y uso de determinados lotes del producto Larjancaína 2% con Epinefrina (Lidocaína con epinefrina), inyectable, de Laboratorios Veinfar I.C.S.A. ANMAT_1822-05.HTM B.O. 12/04/05 PRODUCTOS PARA DIAGNOSTICO Disposición 1822/2005 - ANMAT - Inhíbese preventivamente el establecimiento perteneciente a la firma Chemar S.A. sito en la Ciudad Autónoma de Buenos Aires. Prohíbese la comercialización y uso de determinados productos no autorizados por la ANMAT. ANMAT_1820-05.HTM B.O. 12/04/05 SALUD PUBLICA Disposición 1820/2005 - ANMAT - Levántase parcialmente la clausura del establecimiento de la firma Merlino y Cía. Sociedad Colectiva, resuelta mediante la Disposición Nº 4963/2004. ANMAT_1658-05.HTM B.O. 12/04/05 PRODUCTOS ALIMENTICIOS Disposición 1658/2005 - ANMAT - Prohíbese la comercialización del producto rotulado como "Café Brasil Dorado", por no cumplimentar con la normativa vigente. ANMAT_1621-05.HTM B.O. 12/04/05 PRODUCTOS ALIMENTICIOS Disposición 1621/2005 - ANMAT - Prohíbese la comercialización del producto ilegal "Harina de trigo fortificada con hierro y vitaminas" marca Dipama. DECRETO_317-05.HTM B.O. 12/04/05 SISTEMA DE CONTRATACIONES REGIONALES DE LAS OBRAS SOCIALES Decreto 317/2005 - Apruébase el mencionado Sistema, que será de aplicación mediante una implementación progresiva en las regiones del país, de acuerdo con la cantidad y densidad de su población beneficiaria. Normas generales. Agentes del Sistema Nacional del Seguro de Salud Obligatoriamente Incorporados. Programa de acreditación de prestadores. Régimen de Débito Automático para la facturación de servicios médico-asistenciales brindados a beneficiarios de las Obras Sociales. Lineamientos Generales para el Modelo Prestacional. Guía para los contratos a celebrarse entre los Agentes del Seguro de Salud y los Prestadores. Nómina de provincias incorporadas. ANMAT_1841-05.HTM B.O. 13/04/05 SALUD PUBLICA Disposición 1841/2005 - ANMAT - Clausúrase con carácter preventivo el establecimiento Redia de María Gracia Noto, sito en la Ciudad Autónoma de Buenos Aires, por infracciones a la Disposición Nº 853/99. ANMAT_1840-05.HTM B.O. 13/04/05 ESPECIALIDADES MEDICINALES Disposición 1840/2005 - ANMAT - Prohíbese a la firma Droguería Disval S.R.L., la comercialización de especialidades medicinales, hasta tanto se inscriba en la base única de establecimientos que efectúan tránsito interjurisdiccional de dichos productos. ANMAT_1837-05.HTM B.O. 13/04/05 ESPECIALIDADES MEDICINALES Disposición 1837/2005 - ANMAT - Prohíbese la comercialización y uso del producto rotulado como Glucotrin VL, blister por 10 cápsulas, Lote MB039. ANMAT_1834-05.HTM B.O. 13/04/05 PRODUCTOS COSMETICOS Disposición 1834/2005 - ANMAT - Prohíbese la comercialización y uso de determinados productos. ANMAT_1832-05.HTM B.O. 13/04/05 ESPECIALIDADES MEDICINALES Disposición 1832/2005 - ANMAT - Prohíbese la comercialización y uso de determinado lote del producto Fortovase NF - Saquinavir 200mg. por 180 cápsulas blandas. ANMAT_1830-05.HTM B.O. 13/04/05 PRODUCTOS MEDICOS Disposición 1830/2005 - ANMAT - Prohíbese la comercialización y uso de determinados productos. ANMAT_1829-05.HTM B.O. 13/04/05 SALUD PUBLICA Disposición 1829/2005 - ANMAT - Prohíbese la comercialización y uso de todos los productos a base de Kombucha, por no estar autorizados. ANMAT_1827-05.HTM B.O. 13/04/05 PRODUCTOS PARA AUTOEVALUACION Disposición 1827/2005 - ANMAT - Prohíbese la comercialización y uso de determinadas presentaciones de los productos Evatest y Evatest Easy, propiedad de la firma Laboratorios Elea S.A.C.I.F. y A., por haberse detectado irregularidades en las mismas. ANMAT_1826-05.HTM B.O. 13/04/05 PRODUCTOS PARA DIAGNOSTICO Disposición 1826/2005 - ANMAT - Prohíbese la comercialización y uso de determinados productos. Inhíbese preventivamente el establecimiento de la firma Laboratorios W. Brizuela S.A., sito en la ciudad de Córdoba, por haberse detectado el incumplimiento de las Buenas Prácticas de Fabricación y Control. SSS_309-05.HTM B.O. 12/04/05 OBRAS SOCIALES Resolución 309/2005 - SSS - Establécese que los ex ministros, ex secretarios y ex subsecretarios jubilados, pertenecen al ámbito personal de actuación de la Obra Social de Ministros, Secretarios y Subsecretarios. Modificación de la Resolución Nº 168/2005. DNPDP_3-05.HTM B.O. 13/04/05 REGISTRO NACIONAL DE BASES DE DATOS Disposición 3/2005 - DNPDP - Apruébanse los formularios, instructivos y normas de procedimiento que utilizará la Dirección Nacional de Protección de Datos Personales, en relación con la implementación del citado Registro. ANMAT_1929-05.HTM B.O. 14/04/05 SALUD PUBLICA Disposición 1929/2005 - ANMAT - Apruébase la Guía para la Verificación de las Buenas Prácticas de Fabricación y Control para Industrias de Productos Domisanitarios. ANMAT_1927-05.HTM B.O. 14/04/05 ESPECIALIDADES MEDICINALES Disposición 1927/2005 - ANMAT - Establécese como Sustancia de Referencia a Furosemida para ensayos físico-químicos. ANMAT_1858-05.HTM B.O. 14/04/05 ESPECIALIDADES MEDICINALES Disposición 1858/2005 - ANMAT - Prohíbese la comercialización y uso de determinados lotes del producto Fiebrolito (paracetamol) 10%, gotas, de Laboratorios Fabop S.A. ANMAT_1857-05.HTM B.O. 14/04/05 ESPECIALIDADES MEDICINALES Disposición 1857/2005 - ANMAT - Prohíbese la comercialización y uso de determinados lotes del producto Respiret Klonal (salbutamol) 0,5g, solución para nebulizar. ANMAT_1856-05.HTM B.O. 14/04/05 PRODUCTOS COSMETICOS Disposición 1856/2005 - ANMAT - Prohíbese la comercialización y uso del producto rotulado como Vitix Gel que favorece la pigmentación, dado que posee indicaciones de tipo terapéutico no permitidas, conforme la Resolución Nº 155/98 ex MSyAS. ANMAT_1849-05.HTM B.O. 14/04/05 PRODUCTOS COSMETICOS Disposición 1849/2005 - ANMAT - Inhíbense preventivamente las actividades productivas del establecimiento Soap & Soap de Pablo J. Fernández, hasta tanto cumplimente lo normado por la Disposición Nº 1107/99. ANMAT_1848-05.HTM B.O. 14/04/05 PRODUCTOS PARA DIAGNOSTICO Disposición 1848/2005 - ANMAT - Prohíbese la comercialización y uso de la línea de productos para diagnóstico de uso in vitro rotulada como Inmunokit, por no estar autorizada por la ANMAT. ANMAT_1847-05.HTM B.O. 14/04/05 SALUD PUBLICA Disposición 1847/2005 - ANMAT - Prohíbese la comercialización y uso del producto rotulado Minancora por 30 gr., por no estar registrado en la ANMAT. ANMAT_1842-05.HTM B.O. 14/04/05 PRODUCTOS COSMETICOS Disposición 1842/2005 - ANMAT - Prohíbese la comercialización y uso de un determinado lote del producto rotulado 7 x 7 Fresh Crema Dental por 140G, por tratarse de un producto falsificado.
Si se desea conocer en detalle alguna de las disposiciones del BORA solicítenlo por mail a: [email protected] Capacitación: Cómo enviar archivos gigantescos vía Internet Volver é Compartir presentaciones multimedia, música o fotos de alta definición es posible y sin necesidad de usar el email. Los equipos y aparatos son cada vez más chicos, pero los programas y archivos parecen ser cada vez más grandes y complejos a lo que se suma que los archivos y documentos que se manejan cotidianamente entre usuarios se suman exponencialmente. A la hora de enviarlos por mail...aahh...la cosa se complica. La capacidad de almacenamiento de las cuentas de webmail y el tamaño máximo de los adjuntos era un tema de debate (cobrar por ampliar las casillas o no, etc.) hasta que Google con su GMail dio por tierra con todas las especulaciones, primero ofreciendo un GigaByte de capacidad y ahora dos. Aún así, no todos lo usuarios tienen cuentas de GMail, ni tienen por qué tenerlas, o no quieren cambiar su dirección de correo o lo que sea y necesitan una solución. Las hay y se pueden agrupar en:
En este caso vamos a describir y explicar los servicios online que permiten intercambiar archivos de gran tamaño. En general todos tienen el mismo principio de funcionamiento:
Puntos en contra
Bajo estos principios generales, cada uno de los sistemas que presentamos tiene sus particularidades: YouSendIt (www.yousendit.com) Tiene una capacidad de almacenamiento de archivos de hasta 1GB y no indica límites en cuanto al tamaño de cada archivo a subir. El método es muy sencillo y tal como lo explicamos en el punto anterior. El sistema dice asegurar la privacidad de los datos usando una encriptación y otras medidas de seguridad que se detallan aquí. No interfiere con el uso de firewalls y el material subido al sistema, automáticamente caduca (se cae) a la semana. SendThisFile (sendthisfile.com) Se trata de la versión gratuita de un servicio pensado para profesionales y empresas (desde ya pagos, pero con muchas más funciones). Implica primero registrarse como usuario y además el archivo se borra si o si a los tres días. A cambio de eso, no mencionan un tope a la cantidad de archivos a subir ni al tamaño de los mismos y permite hasta tres descargas por archivo. Como los otros, no permite enviar un archivo a múltiples destinatarios, lo que si permiten las versiones pagas (desde 2,50 dólares) que además aseguran el material con encriptación de 128-bits SSL, entre otras muchas posibilidades extra. Dropload (www.dropload.com) Permite enviar (subir al sistema) archivos de hasta 100MB cada uno, pero no indica cuántos, o sea si hay un límite en cuanto a la cantidad de ellos que se quieran subir. El archivo desaparece del sistema cuando lo baja el destinatario o pasada una semana (lo hayan bajado o no). Este servicio implica primero registrarse como usuario. Al destinatario le llega un mail con las instrucciones de descarga y al igual que el resto sólo permite enviar UN archivo a UN destinatario. Para enviar el mismo a varias personas hay que pagar. RapidShare (rapidshare.com) Tiene un logo mmuuuyyy similar a YouShareIt, pero una interfaz aún más espartana. Aquí no hay que completar ningún dato, sólo se busca el archivo en la PC (con examinar), upload y listo. ¿Y luego? Se genera un link de descarga (hay que buscarlo debajo de todo en la página sino no se ve. Muy malo el diseño...) y es uno mismo quien tiene que enviar un mail al destinatario para que baje el archivo. Lo bueno de esto es que si bien implica un paso mas, podemos así hacer un envío múltiple de emails y además en caso de que se trate de un autoenvío, no necesitamos mandar ningun mail. Recién en la descarga nos enteramos de que hay un servicio pago que además soporta aceleradores de descarga, etc. Presenta un tope máximo de archivos de hasta 30 NOV, pero mantiene el material durante 30 días. YouShareIt (www.youshareit.com) Un misterio. El servicio presenta una forma de uso y pantalla con las mismas características que Yousendit, pero con un diseño más rudimentario, y no aclara más que el tope de los archivos a subir que es de 50 MB. Autor: Leo DaCruz Eventos Volver é
Volver é Enlaces de Salud: Motores de búsqueda en Biomedicina Volver é Experimental Search Engine Meta-Index http://www.ncsa.uiuc.edu/SDG/Software/Mosaic/Demo/metaindex.html Healthatoz - The Search Engine for Health and Medicine http://www.HealthAtoZ.com:80 MedExplorer - Health-Medical Search Engine http://www.medexplorer.com MedFinder Smart Medical Web Search http://www.netmedicine.com/medfinder.htm MedHunt World-Wide Medical Search http://www.hon.ch/cgi-bin/find?1 Medical World Search http://www.mwsearch.com WWW VL Biosciences Medicine Other Medical Indices http://www.ohsu.edu/cliniweb/wwwvl/other_med.html Yahoo! Health http: //www.yahoo.com/Health Yahoo! HealthMedicineWeb Directories http://dir.yahoo.com/Health/Medicine/Web_Directories
Fuente: COMRA - Confederación Médica de la República Argentina Novedades sobre Firma Digital Volver é Argentina: Jornadas del Sistema Informativo de Legislación Provincial de Tierra del Fuego Se ha llevado a cabo en la Presidencia del Poder Legislativo de Tierra del Fuego la 1º Jornada sobre el Sistema Informativo de Legislación Provincial, destinado a agentes y funcionarios de Información Parlamentaria, Comisiones e Informática del Poder Legislativo Provincial y de los Concejos Deliberantes de Ushuaia, Río Grande y Tolhuin. Entre los temas tratados, se presentó la posibilidad que brinda el sistema de poder efectuar el ingreso de Asuntos Legislativos mediante una "Mesa de Entradas Virtual" utilizando tecnología de Firma Digital de acuerdo a la Ley Nacional 25.506, la Ley Provincial Nº 633 y a los respectivos Reglamentos de Cámara. Información sobre las Jornadas en el sitio web del Poder Legislativo de la provincia de Tierra del Fuego, Antártida e Islas del Atlántico Sur (en español): link: http://www.legistdf.gov.ar/blog/post.php/388 España: comisión para implementar DNI electrónico Se han iniciado las reuniones de la Comisión de Coordinación del documento de identidad electrónico. El lanzamiento del proyecto piloto se prevee para principios de 2006, esperándose que se encuentre plenamente operativo para fines de 2007. Artículo extraído del Diario del Navegante – Diario El Mundo – Madrid – España (en español): link: http://www.el-mundo.es/navegante/2005/04/04/esociedad/1112601953.html
De todo un poco Volver é Sitios interesantes
Citas Célebres
Mensajes Positivos
Turismo
Cierre Volver é Información Administrativa Ediciones anteriores Nro. 1 Firma Digital Nro. 2 Balanced Scorecard o Cuadro de Mando Integral Nro. 3 Historia Clínica Computarizada Nro. 4 Workflow - 1ra. parte: Introducción, Conceptos, tipos de Workflow. Nro. 5 Workflow - 2da. parte: Modelando el Workflow Nro. 6 Administración de Proyectos Nro. 7 Costos en Salud Nro. 8 Costos ABC / ABM Nro. 9 Comunicación Interna en las Organizaciones Nro. 10 Facility Management (Gerenciamiento de Mantenimiento) Nro. 11 Coaching Nro. 12 Wireless: Redes Inalámbricas Nro. 13 Marketing en Salud Nro. 14 E-Learning Nro. 15 Incompatibilidad Jurídica en la Salud de Argentina Nro. 16 ¿ Qué es BIOMETRIA ? Factores Claves de Éxito en la Informatización de la Atención Médica de Urgencia Nro. 17 Inteligencia Artificial Sistema inteligente de adquisición de señales Biomédicas vinculadas a la Historia Clínica Electrónica Nro. 18 Financiamiento para Empresas de Salud. Implementación de un entorno de alta disponibilidad en un Sistema de Información Clínica. Nro. 19 Desarrollo e Implementación de un diseño integral de Salud en una solución de Gobierno Electrónico. (Prov. de San Luis) Nro. 20 Health over IP (Salud sobre Protocolo de Internet) Factura Electrónica en la Argentina Nro. 21 Organización y Métodos (Parte I) Nro. 22 Organización y Métodos (Parte II) Nro. 23 ¿Pueden las técnicas de biometría dactiloscópica informatizada ayudar a la identificación de recién nacidos? Carta Compromiso con el Ciudadano. Invite a sus amigos y colegas a recibir Management en Salud, re-enviando el presente Boletín. Quieres recibir este boletín, suscríbete enviando un mail a: [email protected]s Para desuscribirse del presente boletín envíe un mail a: [email protected] Súmate a nuestro Foro en Yahoo, haciendo un clic en el siguiente enlace:
Espero que el material de éste Boletín haya sido de su agrado. Si Ud. desea aportar notas, sitios de interés, etc. para incluir en el Boletín, envíelo a la casilla del Editor; todo material publicado mantendrá la fuente de la información.
Lic. Jorge Armando Guerra Editor responsable del Management en Salud e-mail: [email protected] www.managementensalud.com.ar Tel: (54 11) 4581-0673 - 4585-6879 - cel: 15 5661-5742 Buenos Aires - Argentina |
|||||||||||||||||||||||||||||
