Patient Journey.
Nuestra tecnología empodera a las organizaciones sanitarias mediante la activación de sus datos, posibilitando la toma de decisiones estratégicas e informadas.
El camino que recorre el paciente comprende diversas etapas en las que debe interactuar con los servicios de atención sanitaria, por lo que es esencial tener en cuenta sus experiencias durante el proceso a fin de mejorar la atención.
Nuestro enfoque.
IOMED permite a las organizaciones sanitarias aprovechar el potencial de los datos poblacionales y analizar la experiencia del paciente desde una perspectiva centrada en él. Gracias al procesamiento y desbloqueo de datos, IOMED permite a las organizaciones sanitarias a identificar carencias y elaborar análisis estratégicos, y conseguir ofrecer soluciones más personalizadas y eficaces.
+21M
Historias clínicas únicas
+50
Partners estratégicos
+30
Años de datos
+175
Centros de atención primaria
Nuestra tecnología.
Mapeo conceptual
automatizado.
Nuestra tecnología puede automatizar el mapeo y estructuración de todas las fuentes de datos hospitalarios, como los resultados de laboratorio, los procedimientos radiológicos o la información farmacéutica, entre otros, a un modelo estandarizado.
Modelo de datos común
OMOP.
Nuestra tecnología estandariza todos los datos hospitalarios al modelo de datos comunes OMOP. El hecho de disponer de datos estandarizados permite a las organizaciones sanitarias aprovechar su potencial a través del establecimiento de colaboraciones con otras organizaciones del sector salud.
Procesamiento del
lenguaje natural.
Nuestra tecnología basada en la IA y nuestros sistemas de procesamiento de lenguaje natural pueden comprender entradas de texto libre de historias clínicas y extraer la información relevante teniendo en cuenta el contexto. No se trata únicamente de extraer palabras clave, sino de lograr un entendimiento profundo de la información y garantizar su calidad a través de un doble control de calidad.
Modelo federado
de datos.
Nuestro modelo federado de datos permite a los hospitales almacenar sus datos dentro de sus propias instalaciones hospitalarias, lo que garantiza su plena protección y disponibilidad, y el cumplimiento del RGPD.
Resultados significativos.
Ahorro de costes.
El hospital puede identificar oportunidades para optimizar los recursos y reducir los costes asociados con las pruebas y los procedimientos innecesarios mediante un análisis del recorrido del paciente.
Diagnóstico precoz.
Mediante el estudio del recorrido del paciente, el hospital puede identificar los patrones y primeros síntomas de la enfermedad, lo que favorece el diagnóstico precoz. Esto resulta fundamental para mejorar los resultados y posibilitar un tratamiento más eficaz desde las primeras fases de la enfermedad.
Seguridad del paciente.
Gracias a la comprensión de los aspectos cruciales de este recorrido, el hospital puede adoptar medidas para mejorar la seguridad del paciente durante todo el proceso de asistencia sanitaria. Esto incluye reducir los errores médicos y garantizar que los pacientes reciban la atención adecuada en el momento oportuno.
Explora otros casos de uso.
Explora más casos de uso.
Construye un futuro basado en datos.
Aprovecha el potencial de los datos explorando posibilidades junto a nosotros.
Datos protegidos.
Sanidad empoderada.
Cumplimos estrictamente los principios y las normas establecidos por el Reglamento General de Protección de Datos (RGPD). Nuestras rigurosas medidas de seguridad garantizan el respeto de los derechos individuales y la protección de los datos en todo momento. Actuamos bajo las consideraciones éticas más estrictas, al tiempo que ofrecemos a los profesionales sanitarios la posibilidad de aprovechar el poder de los datos.
Principales referencias.
The DERMACLEAR study: Verification results of a natural language processing system in dermatology.
Results from the DERMACLEAR study will increase the real-world evidence of clinical practice, obtaining a large amount of information on patients with the studied diseases. The NLP system used is precise in identifying patients diagnosed with HS, PsO, CU and/or AD, and other medical variables from EHRs, highlighting that it is a valid system to use in the DERMACLEAR study.
August 2023
An open source corpus and automatic tool for section identification in Spanish health records.
This work shows that it is possible to build competitive automatic systems when both data and the right evaluation metrics are available. The annotated data, the implemented evaluation scripts, and the section identification Language Model are open-sourced hoping that this contribution will foster the building of more and better systems.
September, 2023
NATI (NATural language in ThyroId cancer).
A total of 5137 medical records of patients diagnosed with thyroid cancer between 2015 and 2022 were included. The median follow-up (interquartile range) was 29.7 months (8.8-55.8). The mean age at the time of diagnosis was 55 years (SD 18), and 67% were women. The stage could be classified in a subgroup of 520 patients, of which 60% (n=313) had advanced stages. Metastasis was observed in 2177 patients (42%) during the follow-up, mainly in lymph nodes (44%). It was also identified that the majority of patients (71%; n=3629) had some comorbidity.
September, 2023
Extending the OMOP CDM to store the output of natural language processing pipelines.
Although OMOP CDM provides a NOTE_NLP table to store the outputs of NLP algorithms, queries to this table can become clumsy and slow, so we designed and extended the OMOP CDM with our own NLP schema to store the results generated in the annotation process of NLP. We designed an extension of the OMOP CDM able to store the output of NLP solutions while integrating with the vocabulary normalization process of the OMOP CDM.
September, 2021
A Framework for False Negative Detection in NER/NEL.
Finding the false negatives of a NER/NEL system is fundamental to improve it, and is usually done by manual annotation of texts. However, in an environment with a huge volume of unannotated texts (e.g. a hospital) and a low frequency of positives (e.g. a mention of a particular disease in the clinical notes) the task becomes very inefficient.
June, 2022
Efficient automated mapping of internal source codes to OMOP CDM concepts.
Our automated concept mapping system provides an efficient way of mapping source codes to OMOP concepts. By utilizing text-based vector representations and knowledge transfer, our system can find equivalent mappings from other hospitals, thereby reducing the time and effort required for manual mapping.
June, 2023
ContextMEL: Classifying Contextual Modifiers in Clinical Text.
Taking advantage of electronic health records in clinical research requires the development of natural language processing tools to extract data from unstructured text in different languages. A key task is the detection of contextual modifiers, such as understanding whether a concept is negated or if it belongs to the past. We present ContextMEL, a method to build classifiers for contextual modifiers that is independent of the specific task and the language, allowing for a fast model development cycle.
June, 2020
Conoce algunos de nuestros Data Partners.
Actualidad.
Keep
Updated!
Recinto Modernista Sant Pau
Sant Antoni Maria Claret 167
08025 Barcelona
info@iomed.health
