Métodos y herramientas de normalización de información clínica para su uso avanzado en asistencia sanitaria e investigación biomédica

• Autores: Carlos Luis Parra Calderón
• Directores de la Tesis: María José Escalona Cuaresma (dir. tes.) , Alicia Martínez García (dir. tes.)
• Lectura: En la Universidad de Sevilla ( España ) en 2025
• Idioma: español
• Número de páginas: 133
• Enlaces
  • Tesis en acceso abierto en: Idus
• Resumen

  • Esta tesis por compendio de publicaciones aborda los retos y oportunidades en la reutilización de datos de salud en un contexto de transformación digital de la sanidad y de la investigación biomédica, centrándose en mejorar el manejo de los datos, privacidad y la implementación de guías de práctica clínica (GPC) mediante el uso de tecnologías avanzadas. El acelerado desarrollo de tecnologías digitales ha permitido la acumulación masiva de datos de salud, lo que abre importantes oportunidades para la investigación y la toma de decisiones clínicas. Sin embargo, la falta de interoperabilidad entre sistemas, la limitada adopción de los principios FAIR (Findable, Accessible, Interoperable, and Reusable) y las preocupaciones sobre la privacidad de los datos clínicos y limitaciones legales de su uso plantean importantes barreras para su plena explotación.

    La tesis propone un conjunto de metodologías innovadoras basadas en los principios FAIR, guías clínicas computacionales orientadas al usuario y el aprendizaje federado preservador de la privacidad para superar estos desafíos. Se desarrolló un marco para la transformación de datos clínicos en datos FAIR, facilitando su accesibilidad y reutilización. Además, se evaluó la viabilidad de la implementación de GPC computacionales para el manejo de la diabetes mellitus tipo 2, demostrando que los modelos computacionales pueden mejorar la adherencia clínica y reducir la variabilidad en la atención. También se diseñó e implementó una arquitectura de aprendizaje federado sobre datos FAIR que permite a múltiples organizaciones colaborar en el desarrollo de modelos predictivos sin comprometer la privacidad de los pacientes. Y por último, se demostró el valor que aporta el desarrollo de GPC orientadas por el usuario.

    La tesis concluye que la transformación de datos basada en principios FAIR y la implementación de aprendizaje federado representan avances significativos hacia la creación de sistemas de salud interconectados que investigan de manera colaborativa, donde los datos clínicos puedan ser compartidos y reutilizados de manera segura y eficiente. También subraya la necesidad de interfaces centradas en el usuario para mejorar la adopción de guías de práctica clínica computacionales. La investigación futura debe enfocarse en la introducción de estos métodos en el desarrollo de una nueva generación de Historias de Salud Electrónicas (HSE) que incorporen estándares globales de objetos digitales FAIR y faciliten la adopción de herramientas de inteligencia artificial que mejoren la toma de decisiones clínicas personalizadas.

    Este trabajo contribuye al avance del ecosistema digital de la salud, mejorando la accesibilidad, interoperabilidad y seguridad de los datos; la compartición de los datos y la reproducibilidad de la investigación en Salud y la adherencia a las guías de práctica clínicas, con el objetivo final de transformar la atención médica y acelerar la investigación mediante el uso eficiente y seguro de los datos de salud.