Este estudio fue aprobado por el Comité de Ética del Hospital Afiliado Número Uno de la Universidad de Medicina China de Zhejiang (Número de aprobación: 2020-KL-072-01). Debido al carácter retrospectivo del estudio y al uso de historiales médicos existentes, se dispensó el consentimiento informado. Se mantuvo la confidencialidad de los pacientes durante todo el proceso de extracción y análisis de datos, y únicamente se utilizó información desidentificada con fines de investigación.
fuente de datos
Se revisaron retrospectivamente los registros médicos de pacientes diagnosticados con FPI-AG tratados por el profesor Xu en el Hospital Provincial de Medicina Tradicional China de Zhejiang desde septiembre de 2019 hasta diciembre de 2020. Inicialmente se seleccionaron un total de 96 pacientes con FPI-AG. Tras aplicar los criterios predefinidos de inclusión y exclusión, se incluyeron 42 pacientes elegibles y se obtuvieron 84 recetas completas de medicina herbal china para el análisis posterior mediante minería de datos. Las 84 recetas procedían de 42 pacientes, siendo cada receta un ajuste clínico independiente basado en la diferenciación de síndromes y que reflejaba decisiones reales de prescripción durante el período de tratamiento de la FPI-AG. Cada receta se consideró como una unidad analítica independiente, y todas las recetas procedían de la práctica clínica real durante la fase de exacerbación aguda. Criterios diagnósticos: El diagnóstico de FPI-AG se estableció según los criterios diagnósticos para enfermedades pulmonares intersticiales publicados por la Sociedad Respiratoria Europea (ERS) y la Sociedad Torácica Americana (ATS) en 201815, así como el Consenso de Expertos Chinos sobre el Diagnóstico y Tratamiento de la Exacerbación Aguda de la Fibrosis Pulmonar Idiopática formulado por el Grupo de Enfermedades Pulmonares Intersticiales de la Sociedad Torácica China16. Los criterios de inclusión incluían: cumplir con los criterios diagnósticos para FPI y encontrarse en la fase de exacerbación aguda; cumplir con los criterios diagnósticos para FPI-AG según la teoría de estadios del profesor Xu para el tratamiento de la FPI, con la diferenciación de síndromes de medicina tradicional china identificada como calor-flema obstruyendo el pulmón o flema-humedad obstruyendo el pulmón; haber experimentado un empeoramiento respiratorio típico o deterioro agudo dentro del último mes; tomografía computarizada de alta resolución (HRCT) que revelara opacidades en vidrio esmerilado nuevas o consolidaciones superpuestas a reticulaciones o fibrosis en panal preexistentes; ausencia de infección pulmonar confirmada. Los criterios de exclusión incluían pacientes con enfermedades primarias graves como trastornos cardiovasculares o cerebrovasculares, enfermedades del sistema hematopoyético o enfermedades psiquiátricas; pacientes con enfermedad cardíaca pulmonar o insuficiencia respiratoria asociadas; mujeres embarazadas o en período de lactancia, y aquellas con alergia conocida a algún componente del medicamento del estudio; pacientes con baja adherencia (incapacidad para seguir el tratamiento según lo requerido, o interrupción voluntaria del tratamiento).
Dado que este fue un estudio observacional retrospectivo basado en registros médicos existentes, no fue aplicable la aleatorización ni el enmascaramiento. El diseño del estudio se centró en identificar patrones de prescripción en lugar de evaluar la eficacia del tratamiento. Por lo tanto, los resultados clínicos, como la tasa de mejoría de los síntomas, la duración de la hospitalización y los puntos finales predefinidos, no se analizaron en este estudio de minería de datos.
Normalización de la Nomenclatura de la Medicina Herbolaria China
La nomenclatura de los medicamentos herbales se estandarizó de acuerdo con la Farmacopea China (edición 2015)17 y la segunda edición de Materia Médica China (edición del Nuevo Milenio)18. Cada hierba se convirtió en un formato codificado unificado antes del análisis estadístico. Diferentes sinónimos, formas de procesamiento y variaciones regionales de denominación que se refieren al mismo material medicinal se fusionaron en una única entrada estandarizada. El conjunto de datos estandarizado final fue revisado independientemente por dos investigadores antes de ser importado a la plataforma de análisis. Los materiales medicinales sin métodos de procesamiento especificados, como raíz de peonía blanca, ródizoma de atractilodes blanco y Ephedra, se registraron en su forma cruda. Para las hierbas con múltiples nombres que no afectan su eficacia o indicaciones, se aplicó un criterio unificado de nomenclatura.
Entrada y verificación de la receta
Los medicamentos seleccionados se ingresaron en una plataforma informática de análisis de prescripción y herencia de medicina tradicional china para su posterior análisis de minería de datos. Para garantizar la integridad y precisión, se implementó un procedimiento estandarizado de gestión de datos. Dos investigadores independientes realizaron por separado la extracción y el ingreso de datos, y las discrepancias fueron revisadas y resueltas por un clínico senior con más de 15 años de experiencia en medicina respiratoria y práctica de medicina tradicional china. La información de las recetas extraída se verificó cruzadamente con los registros médicos electrónicos originales. Se excluyeron del análisis los registros con componentes de receta incompletos, nombres de hierbas poco claros o información de medicación inconsistente. Los patrones de prescripción de medicamentos se exploraron mediante las funciones de análisis de casos médicos y análisis de recetas de la plataforma de minería de datos.
Flujo de trabajo de minería de datos y evaluación de resultados
El flujo de trabajo analítico general constó de cuatro pasos secuenciales. Primero, se importaron los datos estandarizados de prescripciones a la plataforma informática de minería de datos de medicina tradicional china. Segundo, se realizó un análisis de frecuencia para identificar las hierbas comúnmente utilizadas, considerando la frecuencia de uso de hierbas y la frecuencia acumulada de aplicación como las principales medidas de resultado. Tercero, se llevó a cabo un análisis de reglas de asociación basado en el algoritmo Apriori para identificar combinaciones centrales de hierbas, utilizando los valores de soporte y confianza como indicadores cuantitativos de evaluación. Finalmente, se realizó un análisis de agrupamiento basado en entropía para generar fórmulas potencialmente nuevas, y las combinaciones extraídas se interpretaron de acuerdo con la teoría de la MTC y evidencia farmacológica previa.
Dado que este estudio tuvo como objetivo identificar patrones de prescripción en lugar de comparar los efectos de intervenciones, no resultaron aplicables las estadísticas convencionales de prueba de hipótesis. Se realizaron análisis estadísticos descriptivos para resumir las frecuencias de hierbas y las categorías terapéuticas. La solidez de las reglas de asociación se evaluó mediante múltiples indicadores cuantitativos, incluyendo soporte, confianza y elevación. El soporte reflejó la frecuencia de aparición de combinaciones de hierbas, la confianza representó la probabilidad condicional entre hierbas asociadas, y los valores de elevación superiores a 1 indicaron correlaciones positivas más allá de la coocurrencia aleatoria. Estos parámetros cuantitativos se utilizaron para evaluar la fuerza y la fiabilidad de los patrones de prescripción identificados. La intensidad de la asociación se evaluó cuantitativamente mediante los valores de soporte, confianza y elevación, mientras que los parámetros de agrupamiento basados en entropía se emplearon para identificar combinaciones potenciales de fórmulas.
Análisis de frecuencia de hierbas
La frecuencia de las hierbas se definió como el recuento acumulado de la aparición de cada hierba en las 84 prescripciones. Se realizó un análisis de frecuencia mediante PivotChart de Excel para clasificar las hierbas según su número total de apariciones, y se elaboró una lista de alta frecuencia con las hierbas que presentaron las frecuencias más elevadas. Con base en estos resultados de frecuencia, analizamos además las propiedades medicinales de las hierbas, incluyendo las cuatro naturalezas (frío, caliente, tibio, fresco), los cinco sabores (ácido, amargo, dulce, picante, salado) y la tropismo meridiano (por ejemplo, meridianos del pulmón, del bazo), con el fin de resumir las características generales de las prescripciones y los principios de compatibilidad desde la perspectiva de la teoría de las propiedades en la medicina tradicional china.
Análisis de las normas sobre medicamentos recetados
Se realizó un análisis de reglas de asociación utilizando el algoritmo Apriori en el software IBM SPSS Modeler. Cada prescripción se trató como una “transacción” y cada hierba como un “ítem”. Se exploraron combinaciones frecuentes de fármacos y sus relaciones internas mediante análisis de redes complejas. Los parámetros principales se definieron previamente al análisis. El umbral mínimo de soporte se estableció en 50 prescripciones, asegurando que solo se conservaran combinaciones de hierbas observadas con frecuencia. Dado que el conjunto de datos comprendía 84 prescripciones, la frecuencia absoluta de soporte no podía exceder las 84 ocurrencias. El umbral de confianza se fijó en 0,8, lo que significa que cuando aparecía la hierba A, la probabilidad de co-ocurrencia de la hierba B superaba el 80 %, garantizando así la fiabilidad de las reglas de asociación extraídas. Sin embargo, dado que la confianza es asimétrica y puede verse influenciada por la frecuencia basal de la hierba consecuente, se calcularon adicionalmente los valores de elevación (lift) para determinar si la co-ocurrencia observada superaba las expectativas aleatorias. Un valor de lift mayor que 1 indicaba una asociación positiva, un valor igual a 1 indicaba independencia, y un valor menor que 1 indicaba una asociación negativa. Se consideraron significativas y se conservaron para su interpretación aquellas reglas que cumplían con los criterios de soporte ≥50, confianza ≥0,80 y lift >1. Las reglas conservadas se exportaron y ordenaron según los valores de soporte, confianza y lift para resumir sistemáticamente las combinaciones principales de hierbas y los patrones potenciales de compatibilidad para la EPI-AE.
Análisis de fórmula novedosa
Posteriormente, se realizó un análisis de fórmulas novedosas mediante el método de agrupamiento por entropía de sistemas complejos. Este análisis se llevó a cabo utilizando una plataforma informática de minería de datos de medicina tradicional china. En primer lugar, empleando la matriz de datos fórmula–hierba construida previamente, se estableció el grado de correlación en 8 para controlar el número y la cohesión de las combinaciones centrales de hierbas, y el grado de penalización en 2 para restringir la intensidad de asociación, garantizando así la racionalidad clínica de las combinaciones extraídas. Tras la configuración de parámetros, se utilizó la función “Extraer combinaciones” del software para identificar automáticamente combinaciones centrales implícitas y altamente correlacionadas entre las hierbas, basándose en el método mejorado de información mutua y en el algoritmo de agrupamiento por entropía compleja. La plataforma luego agrupó e integró estas combinaciones centrales para generar finalmente fórmulas potencialmente novedosas para el tratamiento de la EPI-FA. La fiabilidad de las combinaciones centrales extraídas y de las fórmulas candidatas se evaluó además mediante tres enfoques: evaluación de la consistencia con los resultados de hierbas de alta frecuencia; comparación con los principios terapéuticos clásicos de la MTC para la EPI-FA; e interpretación basada en mecanismos farmacológicos previamente descritos de hierbas representativas. Estos procedimientos se utilizaron como métodos de validación interna para mejorar la interpretabilidad clínica de los patrones de prescripción identificados.