Traducido del inglés al español - www.onlinedoctranslator.

com

Jooet al. BMC Medicina Pulmonar https://

(2023) 23:196 BMC Medicina Pulmonar
doi.org/10.1186/s12890-023-02479-4

INVESTIGACIÓN Acceso abierto

Aumentar la precisión del diagnóstico de asma

utilizando una definición operativa para el asma y
un método de aprendizaje automático
hyonsoo-joo1, Daeun Lee2, Sang Haak Lee3, Young Kyoon Kim4*†y Chin Kook Rhee4*†

Abstracto

IntroducciónEl análisis de los datos del Seguro Nacional de Salud se ha llevado a cabo activamente con el fin de realizar investigaciones
académicas y establecer evidencias científicas para la política de servicios de atención médica en asma. Sin embargo, ha habido una limitación
para la precisión de los datos extraídos a través de la definición operativa convencional. En este estudio, verificamos la precisión de la
definición operativa convencional de asma, aplicándola a un entorno hospitalario real. Y mediante el uso de una técnica de aprendizaje
automático, establecimos una definición operativa adecuada que predice el asma con mayor precisión.

MétodosExtrajimos pacientes con asma usando la definición operativa convencional de asma en el hospital St. Mary's de Seúl y el
hospital St. Paul's en la Universidad Católica de Corea entre enero de 2017 y enero de 2018. Entre estos pacientes de asma
extraídos, el 10 % de los pacientes fueron seleccionados al azar. Verificamos la precisión de la definición operativa convencional
para el asma comparando el diagnóstico real a través de la revisión de la historia clínica. Y luego operamos enfoques de aprendizaje
automático para predecir el asma con mayor precisión.

ResultadosSe identificó un total de 4235 pacientes con asma utilizando una definición de asma convencional durante el período de estudio.
De estos, se recogieron 353 pacientes. Los pacientes de asma fueron el 56% de la población de estudio, el 44% de los pacientes no eran
asmáticos. El uso de técnicas de aprendizaje automático mejoró la precisión general. El modelo de predicción XGBoost para el diagnóstico de
asma mostró una precisión del 87,1 %, un AUC del 93,0 %, una sensibilidad del 82,5 % y una especificidad del 97,9 %. Las principales variables
explicativas fueron ICS/LABA,LAMA y LTRA para el diagnóstico adecuado del asma.

ConclusionesLa definición operativa convencional de asma tiene limitaciones para extraer verdaderos pacientes con asma en el mundo real.
Por lo tanto, es necesario establecer una definición operativa estandarizada precisa de asma. En este estudio, el enfoque de aprendizaje
automático podría ser una buena opción para construir una definición operativa relevante en la investigación utilizando datos de reclamos.

Palabras claveAsma, definición operativa convencional, aprendizaje automático

†Young Kyoon Kim y Chin Kook Rhee contribuyeron igualmente a este trabajo.

* Correspondencia:
El joven Kyoon Kim
youngkim@catholic.ac.kr
Chin Kook Rhee
chinkook77@gmail.com
La lista completa de información del autor está disponible al final del artículo.

© El(los) autor(es) 2023.Acceso abiertoEste artículo tiene una licencia internacional de Creative Commons Attribution 4.0, que permite el uso, el
intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor
o autores originales y a la fuente, se proporcione una enlace a la licencia Creative Commons, e indicar si se realizaron cambios. Las imágenes u otro
material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de
crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal
o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visitehttp://
creativecommons.org/licenses/by/4.0/. La renuncia de Creative Commons Public Domain Dedication (http://creativecommons.org/publicdomain/zero/
1.0/) se aplica a los datos disponibles en este artículo, a menos que se indique lo contrario en una línea de crédito a los datos.

Contenido cortesía de Springer Nature, se aplican términos de uso. Derechos reservados.

Jooet al. BMC Medicina Pulmonar (2023) 23:196 Página 2 de 9

Introducción Alrededor del 10% de estos pacientes con asma extraídos

Los estudios basados en datos de reclamaciones se han vuelto
comunes en la investigación del cuidado de la salud durante la última
década [1]. Los datos de reclamaciones son atractivos para los
investigadores porque ofrecen numerosas ventajas. Los datos de
reclamos tienen información de salud que es anónima, abundante,
económica y ampliamente disponible en formato electrónico [1], y
reflejan la práctica médica del mundo real. Por lo tanto, estos datos se
han utilizado para investigaciones académicas, encuestas posteriores a
la comercialización y evaluaciones económicas. Sin embargo, los datos
de reclamos tienen varias desventajas; no están diseñados para la
investigación médica, ya que ocasionalmente les faltan valores críticos,
y se informan por debajo o por encima de los datos clínicos reales [2].
Además, es posible que los códigos de enfermedad en los datos de las
reclamaciones no representen el verdadero estado de la enfermedad
de un paciente. Por lo tanto, construir una definición operativa precisa
de los datos de siniestros es muy importante para que estos estudios
sean más relevantes.
Varios estudios han utilizado datos de reclamos nacionales en la
investigación del asma [3–7]. En la mayoría de estos estudios, los
investigadores extrajeron a los pacientes con asma utilizando una
definición operativa convencional, que contiene dos componentes
principales. En primer lugar, deben tener los códigos de asma de
la Clasificación Internacional de Enfermedades, Décima Revisión
(ICD-10) como diagnóstico principal. En segundo lugar, deben
haberle recetado medicamentos relacionados con el asma. Sin
embargo, existen preocupaciones en la investigación del asma en
cuanto a si los pacientes con asma extraídos a través de una
definición operativa convencional reflejan la realidad de todas las
situaciones clínicas.
En este estudio, verificamos la precisión de la definición
operativa convencional de asma aplicándola a un entorno
hospitalario real. Establecimos una definición operativa
adecuada que predice el asma con mayor precisión, utilizando
una técnica de aprendizaje automático.
fueron seleccionados al azar. Se excluyeron pacientes < 19
años y pacientes que no visitaron la consulta de neumología o
alergia durante el estudio. Verificamos la precisión de la
definición operativa convencional para el asma haciendo
coincidir el diagnóstico real en una revisión de la historia
clínica. Luego, operamos un enfoque de aprendizaje
automático para predecir el asma con mayor precisión. Todos
los métodos se realizaron de acuerdo con las directrices y
normativas pertinentes. El presente estudio fue aprobado por
la Junta de Revisión Institucional del Hospital St. Mary de Seúl
y quedó exento de los requisitos de consentimiento informado
debido a su diseño retrospectivo (KC18ZNSI0850).
predictores
Los predictores para el desarrollo del modelo se eligieron a partir
de los resultados de las pruebas de función pulmonar y los
medicamentos relacionados con el asma en la definición operativa
convencional de asma.
análisis estadístico
Desarrollamos un modelo de referencia y cinco modelos de aprendizaje
automático para predecir el asma en el conjunto de entrenamiento
(seleccionado aleatoriamente el 75% de la muestra). Ajustamos un
modelo de regresión logística para el modelo de referencia, incluidos
todos los predictores. Los modelos predictivos se construyeron con: (1)
un árbol de decisiones, (2) bosque aleatorio, (3) aumento de gradiente
extremo (XGBoost), (4) máquina de aumento de gradiente de luz
(LGBM) y (5) el algoritmo CatBoost. La optimización de hiperparámetros
se realizó mediante una búsqueda en cuadrícula y una optimización
bayesiana.
Un árbol de decisión es un método de aprendizaje supervisado no
paramétrico que se utiliza para la clasificación y la regresión. Es un
tabla 1Características basales de la población de estudio
Variables Significar±Dakota del Sur

Métodos norte (%)

Diseño del estudio y población Años de edad 64.6±15.2

Extrajimos pacientes con asma usando la definición operativa Mujer, n (%) 174 (49,3%)
convencional de asma en el Hospital St. Mary de Seúl (hospital IMC, kg/m2 24.1±4.2
de referencia terciario con 1356 camas) y el Hospital St. Paul Historial de tabaquismo
(301 camas) en la Universidad Católica de Corea entre enero Actual fumador 17 (4,8%)
de 2017 y enero de 2018. la definición de asma fue: 1) códigos ex fumador 106 (30,0%)
ICD-10 para asma; 2) uso de más de un fármaco como nunca fumador 160 (45,3%)
medicación relacionada con el asma en al menos dos visitas a Tabaquismo paquete-año 18.3±22.5
la clínica ambulatoria [corticosteroides inhalados (ICS),
Función pulmonar
agonistas β2 de acción prolongada (LABA), ICS más agonistas
FVC post-BD, L 3.08±0.99
β2 de acción prolongada (ICS/LABA) ), antagonistas
Post-BD FVC, % predicho 85.7±18.3
muscarínicos de acción prolongada (LAMA), agonistas β2 de
Post-BD FEV1, L 2.01±0.83
acción corta, antagonistas muscarínicos de acción corta,
FEV1 post-BD, % predicho 76.3±24.5
antagonistas de los receptores de leucotrienos, agonistas β 2
FEV1/FVC post-BD, % 65,6±15.7
sistémicos, corticosteroides sistémicos o derivados de la
BDbroncodilatador,IMCÍndice de masa corporal,Dakota del SurDesviación Estándar,CVFCapacidad
xantina] [8].
vital forzada,FEV1Volumen espiratorio forzado en 1 s

Contenido cortesía de Springer Nature, se aplican términos de uso. Derechos reservados.

Jooet al. BMC Medicina Pulmonar (2023) 23:196 Página 3 de 9

Figura 1Diagrama de flujo para la inscripción de pacientes

estructura de árbol similar a un diagrama de flujo, donde los nodos usado. Todos los análisis se realizaron con el software R
internos denotan una prueba de un atributo; cada rama representa un versión 3.4 (The R Foundation for Statistical Computing,
resultado de la prueba y cada nodo hoja tiene una etiqueta de clase. Viena, Austria).
Random forest es un conjunto de árboles de decisión creados
utilizando muestras de arranque de los datos de entrenamiento y
selección aleatoria de características para inducir el árbol. El LGBM fue Resultados

diseñado para ser preciso, eficiente y rápido, que son ventajas cuando
se manejan datos a gran escala. XGBoost es una implementación de
una máquina de aumento de gradiente y uno de los algoritmos de
mejor rendimiento utilizados para el aprendizaje supervisado. Se
puede utilizar tanto para problemas de regresión como de clasificación.
CatBoost proporciona un marco de refuerzo de gradiente que intenta
resolver las características categóricas mediante una alternativa
Características basales de la población de estudio
Se identificó un total de 4.235 pacientes con asma utilizando la
definición convencional de asma. De estos, se reclutaron 353
pacientes (fig.1). Las características basales de los pacientes
inscritos se describen en la Tabla1. Entre el
Tabla 2Fármacos de mantenimiento tomados por la población de estudio

basada en permutaciones en comparación con el algoritmo clásico.

Variables norte (%)

Medimos el rendimiento predictivo de cada modelo calculando SCI/LABA 235 (66,6%)

el área bajo la curva característica operativa (AUC) del receptor, así SCI 30 (8,5%)

como la precisión, la sensibilidad y la especificidad de la medida F1 LABA 5 (1,4%)

para evaluar la calidad del modelo en el conjunto de prueba (el 25 LAMA 83 (23,5%)

% restante de la muestra). Además, para obtener predicciones LABA/LAMA 26 (7,4%)

estables, medimos el rendimiento predictivo de cada modelo con SAMA 8 (2,3%)

una validación cruzada de diez veces. Para probar la diferencia en SABA 58 (16,4%)

el índice de evaluación de cada modelo, este estudio usó el Derivados de xantina 81 (22,9%)

arranque en los datos de validación extra, preparó 1000 conjuntos LTRA 184 (52,1%)

de prueba diferentes en 50 tamaños de unidad o 50 000 muestras Agonista beta sistémico 17 (4,8%)

de arranque y aplicó el análisis de varianza para probar la corticosteroide sistémico 27 (7,6%)

diferencia en el valor promedio del índice La prueba post-hoc de SCIcorticoide inhalado,LABAAgonista beta2 de acción prolongada,LAMAAntagonista muscarínico

Tukey fue de acción prolongada,LTRAAntagonista del receptor de leucotrienos,SABAAgonista beta2 de acción

corta,SAMAAntagonista muscarínico de acción corta

Contenido cortesía de Springer Nature, se aplican términos de uso. Derechos reservados.

Jooet al. BMC Medicina Pulmonar (2023) 23:196
Figura 2Diagnósticos reales de la población de estudio
353 pacientes, el 49,3% eran mujeres y la edad media fue de 64,6 años;
El 45,3% nunca fueron fumadores, el 34,8% eran fumadores actuales o
exfumadores y el promedio de cigarrillos-año fue de 18,3. El volumen
espiratorio forzado medio posbroncodilatador (BD) en 1 s (FEV1) fue de
2,01 l (76,3 % del valor teórico) y el FEV1/capacidad vital forzada medio
posbroncodilatador (BD) fue de 65,6. Mesa2muestra los fármacos de
mantenimiento de la población de estudio. Un inhalador combinado
ICS/LABA fue el medicamento prescrito con más frecuencia, seguido
por los inhaladores antagonistas de los receptores de leucotrienos
(LTRA) y LAMA.
Fig. 3Medicamentos prescritos según el diagnóstico real
Contenido cortesía de Springer Nature, se aplican términos de uso. Derechos reservados.
Página 4 de 9
Diagnóstico real por revisión de la historia clínica
Cifra2muestra los diagnósticos reales de la población de estudio.
Los pacientes con asma comprendían el 56 % de la población del
estudio y el 44 % de los pacientes no tenían asma. De estas, la
enfermedad pulmonar obstructiva crónica (EPOC) fue la más
frecuente, seguida de la bronquitis, la bronquiolitis obliterante
(BO) y otras enfermedades. Además, prescribimos medicamentos
para el asma de acuerdo con el diagnóstico real (Fig.3). Un
inhalador LAMA fue el medicamento recetado con más frecuencia
para los pacientes con EPOC y BO.
Jooet al. BMC Medicina Pulmonar (2023) 23:196 Página 5 de 9

Tabla 3Habilidades predictivas de los modelos de aprendizaje automático para el Predicción de pacientes con asma utilizando una técnica de aprendizaje

diagnóstico de asma después de una búsqueda en cuadrícula con validación cruzada automático

Se utilizaron dos métodos de validación cruzada. Las capacidades

Modelo Exactitud ABC Sensibilidad especificidad
(Recordar) (Precisión) predictivas de los modelos de aprendizaje automático en el diagnóstico
del asma se resumen en las Tablas3y4. El modelo de predicción LGBM
Árbol 0.8118 0.8665 0.7193 1.0000
(búsqueda en cuadrícula) para el diagnóstico de asma tuvo una
Bosque aleatorio 0.8353 0.9060 0.7544 1.0000
precisión del 85,9 %, un AUC del 91,7 %, una sensibilidad del 79,0 % y
XGBoost 0.8235 0.8935 0.7368 1.0000
una especificidad del 100 %. Estos resultados fueron similares a los de
LGBT 0.8588 0.9173 0.7895 1.0000
la regresión logística y mejores que los de random forest. Cifra4
gatoboost 0.8235 0.9098 0.7368 1.0000
muestra los resultados del modelo de árbol de decisión (después de
LGBTModelo de aumento de gradiente de luz,XGBoostImpulso de gradiente extremo una búsqueda en cuadrícula) para el diagnóstico de asma. La precisión
del modelo de árbol de decisión fue del 81,2%. La precisión fue mayor
que la precisión real, aunque la precisión fue menor que la de los otros

Tabla 4Habilidades predictivas de los modelos de aprendizaje automático modelos. El modelo predictivo XGBoost (ajuste de hiperparámetro
para el diagnóstico de asma después de la validación cruzada con ajuste de bayesiano) para el diagnóstico de asma mostró una precisión del 87,1
hiperparámetro bayesiano %, un AUC del 93,0 %, una sensibilidad del 82,5 % y una especificidad
del 97,9 %. Este resultado fue mejor que el de la regresión logística. Los
Modelo Exactitud ABC Sensibilidad especificidad
(Recordar) (Precisión) otros modelos mostraron mejores resultados que la precisión real. Los
modelos de aprendizaje automático proporcionaron una mayor
Árbol 0.8353 0.8712 0.8070 0.9388
capacidad predictiva que la definición operativa convencional de asma.
Bosque aleatorio 0.7412 0.8835 0.6140 1.0000
XGBoost 0.8706 0.9301 0.8246 0.9792
La precisión fue significativamente diferente como resultado del
LGBT 0.8118 0.8966 0.7193 1.0000
arranque, en comparación con XBG (Bayes), que mostró la mayor
gatoboost 0.8000 0.9029 0.7544 0.9348
precisión, pero la diferencia en el AUC entre los tres modelos no
LGBTModelo de aumento de gradiente de luz,XGBoostImpulso de gradiente extremo fue significativa. Los tres modelos con el mayor rendimiento
tuvieron un grado similar de precisión (Tabla5).

Figura 4Modelo de árbol de decisión para el diagnóstico de asma. La entropía es una medida de la aleatoriedad en la información que se procesa. Cuanto mayor
es la entropía, más difícil es concluir. La muestra es el número de datos correspondientes al nodo actual. La lista de valores indica cuántas muestras de un nodo
determinado se incluyen en cada categoría. Cada elemento en el dominio de clasificación se denomina clase.

Contenido cortesía de Springer Nature, se aplican términos de uso. Derechos reservados.

Jooet al. BMC Medicina Pulmonar (2023) 23:196 Página 6 de 9

Tabla 5Habilidades predictivas de los modelos de aprendizaje automático para el Inhalador ICS (Tabla6). Este resultado es similar al resultado de la
diagnóstico de asma después de la validación cruzada de arranque técnica de aprendizaje automático.

Modelo Exactitud ABC Sensibilidad especificidad Puntuación F1

(Recordar) (Precisión)
Discusión
XGBoost 0.869421 0.893428 0.823082 0.978909 0.89388
Los datos de reclamos se pueden usar para examinar el estado actual y
LGBT 0.858168 0.894258 0.788516 1.0000 0.881333
las tendencias que reflejan el entorno de atención médica real en lugar
(Logi) 0.858168 0.894258 0.788516 1.0000 0.881333
de un entorno experimental limitado. Sin embargo, la precisión del
Árbol 0.834608 0.849462 0.80581 0.938875 0.86682
diagnóstico de la enfermedad incluido en los datos de las
Aleatorio 0.822236 0.867463 0.734925 1.0000 0.846677
bosque
reclamaciones sigue siendo controvertida. Se puede utilizar una
definición operativa para confirmar la presencia o ausencia de
LGBTModelo de aumento de gradiente de luz,XGBoostImpulso de gradiente extremo
enfermedad. Sin embargo, este enfoque tiene algunas limitaciones.
Disminuye el número de pacientes extraídos, lo que diluye la ventaja de
los datos de reclamaciones como big data a la hora de poner
Variables predictivas importantes condiciones para la extracción de pacientes utilizando la definición
Cifras5y6indicar las variables importantes para predecir el operativa. Aunque la extracción con condiciones simples conduce a la
diagnóstico de asma. Las principales variables explicativas extracción de más pacientes, da como resultado la inclusión de más
fueron ICS/LABA, LAMA y LTRA para un diagnóstico adecuado pacientes no deseados.
de asma. La variable más significativa para un correcto En este estudio, examinamos la proporción real de
diagnóstico de asma en el modelo de regresión logística fue el pacientes comparando los pacientes de la muestra en función
uso de un inhalador ICS/LABA, seguida de un de una definición operativa y los datos de su historial médico.

Figura 5Importancia variable basada en los modelos de aprendizaje automático para el diagnóstico de asma después de una búsqueda en cuadrícula con validación cruzada

Contenido cortesía de Springer Nature, se aplican términos de uso. Derechos reservados.

Jooet al. BMC Medicina Pulmonar (2023) 23:196 Página 7 de 9

Figura 6Importancia variable basada en los modelos de aprendizaje automático para el diagnóstico de asma después de la validación cruzada con ajuste de hiperparámetro
bayesiano

cartas Los datos fueron analizados con base en una definición

Tabla 6Importancia de la variable mediante regresión logística para predecir con
operacional frecuentemente utilizada en investigaciones previas. Los
mayor precisión el diagnóstico de asma
pacientes con asma representaron sólo el 56% de los casos. Es decir, el
Coeficiente PAG-valor 44% fueron erróneamente incluidos como pacientes asmáticos aunque
no tuvieran asma. Para superar este problema, utilizamos un enfoque
(Interceptar) − 0,56 0.32552
de aprendizaje automático que dio como resultado un aumento
PFT − 0,0538 0.91038
observable en la precisión. Hasta donde sabemos, este es el primer
ICSLABÁ 1.4263 0.00007
estudio que compara los datos de las reclamaciones con los de las
SCI 1.3623 0.02046
historias clínicas reales. Además, este es el primer estudio que utiliza
LABA − .05754 0.70679
un método de aprendizaje automático para aumentar la precisión del
LAMA − 1.463 0.00005
diagnóstico de pacientes muestreados a través de una definición
LABALAMA − 1,0956 0.6184
operativa.
SAMA − 1.4257 0.18140
El predictor clave en los modelos de aprendizaje automático fue
SABA − 0,2296 0.60339
el inhalador ICS/LABA. Los ICS/LABA son fármacos básicos para el
teofilina 0.3295 0.38583
tratamiento del asma. Por lo tanto, muchos pacientes asmáticos
LTRA 0.5134 0.07581
usan ICS/LABA. Los ICS/LABA a menudo se usan para la EPOC, y
Agonista beta sistémico − 0,5349 0.44372
los ICS/LABA todavía se usan para algunas enfermedades de las
esteroide sistémico − 0,9765 0.08474
vías respiratorias. Por lo tanto, determinar si alguien tiene asma
SCIcorticoide inhalado,LABAAgonista beta2 de acción prolongada,LAMAAntagonista muscarínico
con ICS/LABA es menos preciso. Otro predictor clave fue LAMA. El
de acción prolongada,LTRAAntagonista del receptor de leucotrienos,SABAAgonista beta2 de acción
corta,SAMAAntagonista muscarínico de acción corta uso de LAMA fue identificado por regresión logística

Contenido cortesía de Springer Nature, se aplican términos de uso. Derechos reservados.

Jooet al. BMC Medicina Pulmonar (2023) 23:196 Página 8 de 9

menos asociado con el diagnóstico de asma. LAMA es el Conclusión

tratamiento más básico para la EPOC, pero se usa como
complemento en casos de asma grave. Estudios previos que
usaron datos de reclamos fueron inconsistentes al incluir LAMA
como un medicamento relacionado con el asma. Sin embargo, los
tamaños de muestra de otros dos estudios realizados durante el
mismo período fueron diferentes debido a una diferencia en la
definición operativa. La proporción de uso de LAMA es del 20% en
hospitales terciarios [7]. El uso de LAMA ha sido excluido en
estudios que no incluyeron LAMA [3]. En nuestro estudio, una
revisión de las historias clínicas de los pacientes de la muestra
mostró que la EPOC era la segunda entrada incorrecta más común
después del asma y que algunos pacientes con EPOC usaban
La definición operativa convencional de asma tiene un rango
limitado, por lo que se pueden extraer verdaderos pacientes con
asma en el mundo real. Por lo tanto, era necesario establecer una
definición operativa estandarizada precisa de asma. En este
estudio, un enfoque de aprendizaje automático fue una buena
opción para crear una definición operativa relevante utilizando
datos de reclamaciones.
abreviaturas
ABC Área bajo la curva característica operativa del receptor
BD Broncodilatador
IMC Índice de masa corporal

BO Bronquiolitis obliterante
LAMA. Sin embargo, si se eliminara LAMA, se excluiría al 13,1 % EPOC Enfermedad pulmonar obstructiva crónica
(26/199) de los pacientes reales con asma. En particular, se VEF Volumen espiratorio forzado en 1 s

excluirían los pacientes con asma grave. Sin embargo, si se utiliza CVF Capacidad vital forzada
CIE-10 Clasificación Internacional de Enfermedades Décima Revisión
un método de aprendizaje automático, la precisión del diagnóstico SCI Corticosteroide inhalado
de asma aumenta, incluso cuando los pacientes se muestrean a LABA Agonista β2 de acción prolongada

través de una definición operativa que incluye LAMA. LAMA Antagonista muscarínico de acción prolongada

LGBT Máquina potenciadora del gradiente de luz

De acuerdo con nuestro estudio, la precisión de la definición previa
LTRA Antagonista del receptor de leucotrienos
de asma por datos de reclamaciones fue solo del 56%. Por lo tanto, SABA Agonista β2 de acción corta

muchos estudios previos por definición convencional pueden no SAMA Antagonista muscarínico de acción corta

representar a pacientes reales con asma. Esta es una de las razones

por las que realizamos este estudio. Al aplicar este nuevo método, los
investigadores pueden analizar características más precisas de los
pacientes con asma en el futuro.
Nuestro estudio tuvo varias limitaciones. Primero, los pacientes
eran mayores. La prevalencia del asma aumenta con la edad; sin
embargo, los pacientes de este estudio eran mucho mayores que
los incluidos en estudios anteriores que utilizaron datos de
reclamaciones [9,10]. Cuanto mayor es la edad de un paciente con
asma, más difícil es diferenciar el asma de la EPOC.11–14]. Sin
embargo, incluso al considerar estos factores, la precisión
Agradecimientos
No aplica.
Contribuciones de los autores
HJ, SHL y YKK contribuyeron a la concepción y diseño de este estudio; analizó e
interpretó los datos; manuscrito redactado. DL seleccionó, definió, generó y
analizó los datos. RCK proporcionó una crítica constructiva sobre el concepto y el
diseño de este estudio; interpretó los datos y redactó y revisó el artículo. Todos
los autores contribuyeron a redactar, revisar el artículo y aprobar la versión final
del artículo para su publicación.
Fondos
Esta investigación fue apoyada por una subvención del Proyecto de I + D de Tecnología de la Salud
de Corea a través del Instituto de Desarrollo de la Industria de la Salud de Corea (KHIDI),

aumentó en nuestro estudio. En segundo lugar, solo se extrajeron financiado por el Ministerio de Salud y Bienestar de la República de Corea. (número de concesión:
HI18C0522).
y analizaron los pacientes de un hospital de referencia. Existen
diferencias en el uso de medicamentos en hospitales primarios, Disponibilidad de datos y materiales.

secundarios y terciarios.7]. La frecuencia de uso de LAMA en un Los conjuntos de datos utilizados y/o analizados durante el estudio actual están
disponibles del autor correspondiente a pedido razonable.
hospital primario es notablemente baja. El predictor clave en los
métodos de aprendizaje automático fue LAMA. Por lo tanto, la
Declaraciones
efectividad del aprendizaje automático puede parecer exagerada,
pero el aumento en la precisión del diagnóstico es innegable. En Aprobación ética y consentimiento para participar

tercer lugar, nuestro estudio utilizó múltiples modelos de
aprendizaje automático y las técnicas de optimización de
hiperparámetros pueden aumentar el riesgo de sobreajustar los
modelos a los datos de entrenamiento, lo que puede resultar en
Este estudio se realizó de acuerdo con la Declaración de Helsinki enmendada. La
Junta de Revisión Institucional del Hospital St. Mary de Seúl aprobó el protocolo
del estudio (KC18ZNSI0850). La Junta de Revisión Institucional del Hospital St.
Mary's de Seúl eliminó el requisito de consentimiento informado por escrito de
cada paciente debido a la naturaleza retrospectiva del estudio.

un rendimiento más bajo cuando se aplica a nuevos datos. Consentimiento para

Tendremos esto en cuenta al aplicar estas técnicas a otros publicación No aplica.

estudios. En cuarto lugar, el tamaño de la muestra era pequeño.

Debido a que llevó mucho tiempo revisar las historias clínicas de
todos los pacientes de la muestra, solo el 10% de las historias
clínicas se revisaron al azar. Sin embargo, esta muestra fue lo
suficientemente grande como para aplicar el aprendizaje
automático.
Conflicto de intereses
Los autores declaran no tener conflictos de intereses.
Detalles del autor
1División de Medicina Pulmonar y de Cuidados Críticos, Departamento de Medicina
Interna, Facultad de Medicina, Hospital Uijeongbu St. Mary's, Universidad Católica de
Corea, Seúl, República de Corea.2Departamento de Aplicado

Contenido cortesía de Springer Nature, se aplican términos de uso. Derechos reservados.

Jooet al. BMC Medicina Pulmonar (2023) 23:196 Página 9 de 9

Estadísticas, Universidad de Yonsei, Seúl, República de Corea.3División de Medicina

Pulmonar, de Cuidados Intensivos y del Sueño, Departamento de Medicina Interna,
Facultad de Medicina, Hospital Eunpyeong St. Mary's, Universidad Católica de Corea, Seúl,
República de Corea.4División de Medicina Pulmonar y de Cuidados Críticos,
Departamento de Medicina Interna, Facultad de Medicina, Hospital St. Mary de Seúl,
Universidad Católica de Corea, 222 Banpodaero, Seochogu, Seúl 06591, República de
Corea.

Recibido: 26 septiembre 2022 Aceptado: 15 mayo 2023

Referencias
1. Ferver K, Burton B, Jesilow P. El uso de datos de reclamos en la investigación de atención médica.
Salud Pública Abierta J. 2009;2(1):11–24.
2. Lee J, Lee JS, Park SH, Shin SA, Kim K. Perfil de cohorte: Servicio Nacional de Seguros de
Salud-Cohorte Nacional de Muestra (NHIS-NSC), Corea del Sur. Int J Epidemiol.
2017;46(2):e15.
3. Choi JY, Yoon HK, Lee JH, Yoo KH, Kim BY, Bae HW, Kim YK, Rhee CK. Estado actual
de la atención del asma en Corea del Sur: base de datos del servicio de
revisión y evaluación de seguros de salud a nivel nacional. J Torac Dis.
2017;9(9):3208–14.
4. Choi JY, Yoon HK, Lee JH, Yoo KH, Kim BY, Bae HW, Kim YK, Rhee CK. Índices de
pruebas de función pulmonar a nivel nacional en pacientes con asma de
Corea del Sur. J Torac Dis. 2018;10(7):4360–7.
5. Choi JY, Yoon HK, Lee JH, Yoo KH, Kim BY, Bae HW, Kim YK, Rhee CK. Uso a nivel
nacional de corticosteroides inhalados por pacientes con asma de Corea del
Sur: un examen de la base de datos de servicio y revisión de seguros de salud.
J Torac Dis. 2018;10(9):5405–13.
6. Park HJ, Byun MK, Kim HJ, Ahn CM, Rhee CK, Kim K, Kim BY, Bae HW, Yoo KH. Las
visitas regulares de seguimiento reducen el riesgo de exacerbación del asma que
requiera hospitalización en adultos coreanos con asma. Alergia Asma Clin
Immunol. 2018;14:29.
7. Cho EY, Oh KJ, Rhee CK, Yoo KH, Kim BY, Bae HW, Lee BJ, Choi DC, Lee H,
Park HY. Comparación de características clínicas y manejo del asma por
tipos de atención médica en Corea del Sur. J Torac Dis. 2018;10(6):3269–
76.
8. Rhee CK, Yoon HK, Yoo KH, Kim YS, Lee SW, Park YB, Lee JH, Kim Y, Kim
K, Kim J, et al. Utilización médica y costo en pacientes con síndrome de
superposición de enfermedad pulmonar obstructiva crónica y asma. EPOC.
2014;11(2):163–70.
9. Kim S, Kim J, Kim K, Kim Y, Park Y, Baek S, Park SY, Yoon SY, Kwon HS, Cho YS, et al.
Uso de la atención médica y patrones de prescripción asociados con el asma en
adultos en Corea: análisis de la base de datos de reclamos del NHI. Alergia.
2013;68(11):1435–42.
10. Lee E, Kim A, Ye YM, Choi SE, Park HS. Aumento de la prevalencia y la mortalidad del
asma con la edad en Corea, 2002-2015: un estudio nacional basado en la población.
Alergia Asma Immunol Res. 2020;12(3):467–84.
11. Gillman A, Douglass JA. Asma en el anciano. Alergia Asia Pac.
2012;2(2):101–8.
12. Akgun KM, Crothers K, Pisani M. Epidemiología y manejo de enfermedades
pulmonares comunes en personas mayores. J Gerontol A Biol Sci Med Sci.
2012;67(3):276–91.
13. Oraka E, Kim HJ, King ME, Callahan DB. Prevalencia del asma entre los ancianos estadounidenses por

grupos de edad: la edad sigue siendo importante. Asma J. 2012;49(6):593–9.

14. Weiner P, Magadle R, Waizman J, Weiner M, Rabner M, Zamir D. Características

¿Listo para enviar su investigación? Elija BMC y benefíciese de:
del asma en los ancianos. Eur Respir J. 1998;12(3):564–8.

• presentación en línea rápida y conveniente

Nota del editor • minuciosa revisión por pares realizada por investigadores experimentados en su campo

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en

• publicación rápida sobre la aceptación
mapas publicados y afiliaciones institucionales.
• soporte para datos de investigación, incluidos tipos de datos grandes y complejos

• Gold Open Access, que fomenta una colaboración más amplia y un aumento de las citas

• visibilidad máxima para su investigación: más de 100 millones de visitas al sitio web por año

En BMC, la investigación siempre está en progreso.

Aprende másbiomedcentral.com/submissions

Contenido cortesía de Springer Nature, se aplican términos de uso. Derechos reservados.

Términos y condiciones

Contenido de la revista Springer Nature, presentado por cortesía de Springer Nature Customer Service Centre GmbH ("Springer Nature").
Springer Nature apoya una cantidad razonable de trabajos de investigación compartidos por autores, suscriptores y usuarios autorizados ("Usuarios"), para uso
personal no comercial a pequeña escala, siempre que se mantengan todos los derechos de autor, marcas comerciales y de servicio y otros avisos de propiedad.
Al acceder, compartir, recibir o utilizar el contenido de la revista Springer Nature, usted acepta estos términos de uso ("Términos"). A estos efectos, Springer
Nature considera que el uso académico (por parte de investigadores y estudiantes) no es comercial.
Estos Términos son complementarios y se aplicarán además de los términos y condiciones aplicables del sitio web, una licencia de sitio relevante o una suscripción
personal. Estos Términos prevalecerán sobre cualquier conflicto o ambigüedad con respecto a los términos relevantes, una licencia del sitio o una suscripción personal
(solo en la medida del conflicto o la ambigüedad). Para los artículos con licencia Creative Commons, se aplicarán los términos de la licencia Creative Commons utilizada.

Recopilamos y utilizamos datos personales para proporcionar acceso al contenido de la revista Springer Nature. También podemos utilizar estos datos personales
internamente dentro de ResearchGate y Springer Nature y, según lo acordado, compartirlos, de forma anónima, con fines de seguimiento, análisis e informes. De lo
contrario, no divulgaremos sus datos personales fuera de ResearchGate o del grupo de empresas Springer Nature, a menos que tengamos su permiso, como se detalla en
la Política de privacidad.
Si bien los Usuarios pueden usar el contenido de la revista Springer Nature para uso personal no comercial a pequeña escala, es importante tener en cuenta que los Usuarios no pueden:

1. utilizar dicho contenido con el fin de proporcionar acceso a otros usuarios de forma regular oa gran escala o como un medio para eludir el control de acceso;

2. usar dicho contenido cuando hacerlo se considere un delito penal o legal en cualquier jurisdicción, o dé lugar a responsabilidad civil, o sea ilegal de otro
modo;
3. insinúe o sugiera de forma falsa o engañosa respaldo, aprobación, patrocinio o asociación a menos que Springer Nature lo acepte explícitamente por
escrito;
4. usar bots u otros métodos automatizados para acceder al contenido o redirigir mensajes

5. anular cualquier función de seguridad o protocolo de exclusión; o

6. compartir el contenido para crear un sustituto de los productos o servicios de Springer Nature o una base de datos sistemática del contenido de la revista Springer Nature.

De acuerdo con la restricción contra el uso comercial, Springer Nature no permite la creación de un producto o servicio que genere ingresos, regalías, alquileres o ingresos
de nuestro contenido o su inclusión como parte de un servicio pago o para otra ganancia comercial. El contenido de la revista Springer Nature no se puede utilizar para
préstamos interbibliotecarios y los bibliotecarios no pueden cargar el contenido de la revista Springer Nature a gran escala en su repositorio institucional o en cualquier
otro.
Estos términos de uso se revisan periódicamente y pueden modificarse en cualquier momento. Springer Nature no está obligado a publicar ninguna información o contenido en este sitio
web y puede eliminarlo o eliminar características o funcionalidades a nuestro exclusivo criterio, en cualquier momento con o sin previo aviso. Springer Nature puede revocarle esta
licencia en cualquier momento y eliminar el acceso a cualquier copia del contenido de la revista Springer Nature que se haya guardado.
En la máxima medida permitida por la ley, Springer Nature no ofrece garantías, representaciones ni garantías a los Usuarios, ya sea expresa o implícita con
respecto al contenido de la revista Springer Nature y todas las partes renuncian y renuncian a cualquier garantía implícita o impuesta por la ley, incluida la
comerciabilidad o idoneidad para un fin determinado.
Tenga en cuenta que estos derechos no se extienden automáticamente al contenido, los datos u otro material publicado por Springer Nature que puede tener licencia de
terceros.
Si desea utilizar o distribuir el contenido de nuestra revista Springer Nature a un público más amplio o de forma regular o de cualquier otra manera no permitida
expresamente por estos Términos, comuníquese con Springer Nature en

onlineservice@springernature.com