se ha leído el artículo
array:24 [ "pii" => "S2659663620300527" "issn" => "26596636" "doi" => "10.1016/j.opresp.2020.07.003" "estado" => "S300" "fechaPublicacion" => "2020-10-01" "aid" => "61" "copyright" => "Sociedad Española de Neumología y Cirugía Torácica (SEPAR)" "copyrightAnyo" => "2020" "documento" => "article" "crossmark" => 1 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "rev" "cita" => "Open Respir Arch. 2020;2:284-8" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:1 [ "total" => 0 ] "itemSiguiente" => array:19 [ "pii" => "S2659663620300667" "issn" => "26596636" "doi" => "10.1016/j.opresp.2020.07.005" "estado" => "S300" "fechaPublicacion" => "2020-10-01" "aid" => "64" "copyright" => "Sociedad Española de Neumología y Cirugía Torácica (SEPAR)" "documento" => "article" "crossmark" => 1 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "rev" "cita" => "Open Respir Arch. 2020;2:289-93" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:1 [ "total" => 0 ] "es" => array:12 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Revisión</span>" "titulo" => "Comparaciones entre asociaciones de broncodilatadores de larga duración para la enfermedad pulmonar obstructiva crónica" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "289" "paginaFinal" => "293" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Comparisons Between Combinations of Long-Term Bronchodilators in Chronic Obstructive Pulmonary Disease" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Bernardino Alcázar-Navarrete, Jose Luis Lopez-Campos" "autores" => array:2 [ 0 => array:2 [ "nombre" => "Bernardino" "apellidos" => "Alcázar-Navarrete" ] 1 => array:2 [ "nombre" => "Jose Luis" "apellidos" => "Lopez-Campos" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2659663620300667?idApp=UINPBA00004N" "url" => "/26596636/0000000200000004/v2_202101060658/S2659663620300667/v2_202101060658/es/main.assets" ] "itemAnterior" => array:19 [ "pii" => "S2659663620300771" "issn" => "26596636" "doi" => "10.1016/j.opresp.2020.09.002" "estado" => "S300" "fechaPublicacion" => "2020-10-01" "aid" => "69" "copyright" => "Sociedad Española de Neumología y Cirugía Torácica (SEPAR)" "documento" => "article" "crossmark" => 1 "licencia" => "http://creativecommons.org/licenses/by-nc-nd/4.0/" "subdocumento" => "pgl" "cita" => "Open Respir Arch. 2020;2:278-83" "abierto" => array:3 [ "ES" => true "ES2" => true "LATM" => true ] "gratuito" => true "lecturas" => array:1 [ "total" => 0 ] "es" => array:13 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Documento de consenso</span>" "titulo" => "Documento de consenso de la Sociedad Española de Neumología y Cirugía Torácica (SEPAR) para el seguimiento clínico post-COVID-19" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "278" "paginaFinal" => "283" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Spanish Society of Pulmonology and Thoracic Surgery (SEPAR) Consensus for post-COVID-19 Clinical Follow-up" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 2054 "Ancho" => 2341 "Tamanyo" => 288222 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0025" class="elsevierStyleSimplePara elsevierViewall">Propuesta de seguimiento de la neumonía grave por COVID-19.</p> <p id="spar0030" class="elsevierStyleSimplePara elsevierViewall">Angio-TC: angiografía por tomografía computarizada; PE: prueba de esfuerzo; PFR: pruebas de función respiratoria; Rx T: radiografía de tórax; TCAR: tomografía computarizada de alta resolución.</p>" ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Oriol Sibila, María Molina-Molina, Claudia Valenzuela, Antonio Ríos-Cortés, Ane Arbillaga-Etxarri, Yolanda Torralba García, David Díaz-Pérez, Pedro Landete, Olga Mediano, Laura Tomás López, Luis Rodríguez Pascual, Luis Jara-Palomares, Raquel López-Reyes, David de la Rosa Carrillo" "autores" => array:14 [ 0 => array:2 [ "nombre" => "Oriol" "apellidos" => "Sibila" ] 1 => array:2 [ "nombre" => "María" "apellidos" => "Molina-Molina" ] 2 => array:2 [ "nombre" => "Claudia" "apellidos" => "Valenzuela" ] 3 => array:2 [ "nombre" => "Antonio" "apellidos" => "Ríos-Cortés" ] 4 => array:2 [ "nombre" => "Ane" "apellidos" => "Arbillaga-Etxarri" ] 5 => array:2 [ "nombre" => "Yolanda" "apellidos" => "Torralba García" ] 6 => array:2 [ "nombre" => "David" "apellidos" => "Díaz-Pérez" ] 7 => array:2 [ "nombre" => "Pedro" "apellidos" => "Landete" ] 8 => array:2 [ "nombre" => "Olga" "apellidos" => "Mediano" ] 9 => array:2 [ "nombre" => "Laura" "apellidos" => "Tomás López" ] 10 => array:2 [ "nombre" => "Luis" "apellidos" => "Rodríguez Pascual" ] 11 => array:2 [ "nombre" => "Luis" "apellidos" => "Jara-Palomares" ] 12 => array:2 [ "nombre" => "Raquel" "apellidos" => "López-Reyes" ] 13 => array:2 [ "nombre" => "David" "apellidos" => "de la Rosa Carrillo" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2659663620300771?idApp=UINPBA00004N" "url" => "/26596636/0000000200000004/v2_202101060658/S2659663620300771/v2_202101060658/es/main.assets" ] "es" => array:19 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Revisión</span>" "titulo" => "Patología respiratoria en la era del <span class="elsevierStyleItalic">big data</span>" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "284" "paginaFinal" => "288" ] ] "autores" => array:1 [ 0 => array:4 [ "autoresLista" => "Lourdes Prats, José Luis Izquierdo" "autores" => array:2 [ 0 => array:3 [ "nombre" => "Lourdes" "apellidos" => "Prats" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff0005" ] ] ] 1 => array:4 [ "nombre" => "José Luis" "apellidos" => "Izquierdo" "email" => array:1 [ 0 => "joseluis.izquierdoa@uah.es" ] "referencia" => array:3 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">a</span>" "identificador" => "aff0005" ] 1 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">b</span>" "identificador" => "aff0010" ] 2 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">*</span>" "identificador" => "cor0005" ] ] ] ] "afiliaciones" => array:2 [ 0 => array:3 [ "entidad" => "Departamento de Medicina y Especialidades, Universidad de Alcalá, Alcalá de Henares, España" "etiqueta" => "a" "identificador" => "aff0005" ] 1 => array:3 [ "entidad" => "Neumología, Hospital Universitario de Guadalajara, Guadalajara, España" "etiqueta" => "b" "identificador" => "aff0010" ] ] "correspondencia" => array:1 [ 0 => array:3 [ "identificador" => "cor0005" "etiqueta" => "⁎" "correspondencia" => "Autor para correspondencia." ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Respiratory Disease in the Era of Big Data" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 2338 "Ancho" => 2167 "Tamanyo" => 311625 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0025" class="elsevierStyleSimplePara elsevierViewall">Proceso de búsqueda bibliográfica.</p>" ] ] ] "textoCompleto" => "<span class="elsevierStyleSections"><p id="par0005" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">«In GOD we trust, all others must bring data»</span>. W. Edwards Deming</p><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0025">Introducción</span><p id="par0010" class="elsevierStylePara elsevierViewall">El <span class="elsevierStyleItalic">big data</span> puede definirse mediante 3 «V»: volumen, variedad y velocidad<a class="elsevierStyleCrossRefs" href="#bib0235"><span class="elsevierStyleSup">1–3</span></a>. La primera hace referencia a la enorme cantidad de datos, de crecimiento exponencial, que, en el caso de la patología respiratoria, puede proceder de las historias clínicas electrónicas (HCE), de los dispositivos electrónicos que manejan los pacientes, de sensores, de los medios sociales y de otras bases de datos regionales o nacionales que aportan diferentes informaciones poblacionales. De la heterogeneidad de estos datos se extrae la segunda constante del <span class="elsevierStyleItalic">big data</span>, la <span class="elsevierStyleItalic">variedad.</span> Por último, la <span class="elsevierStyleItalic">velocidad</span> hace referencia a la rapidez con la que la información es producida y recogida, lo que permite analizar el estado de salud individual y poblacional, mejorar el abordaje temprano de cada paciente y tomar decisiones casi en tiempo real en cuanto a la distribución de los recursos. Teniendo en cuenta que en Europa el gasto asociado a la patología respiratoria supone el 6% del presupuesto sanitario<a class="elsevierStyleCrossRef" href="#bib0250"><span class="elsevierStyleSup">4</span></a>, mejorar el abordaje clínico, y la distribución y planificación de los recursos gracias al análisis de los datos generados por los pacientes repercutirá, no solo positivamente sobre estos, sino también sobre la eficiencia del sistema sanitario.</p><p id="par0015" class="elsevierStylePara elsevierViewall">Con el fin de revisar el estado del arte del <span class="elsevierStyleItalic">big data</span> en patología respiratoria se ha realizado una búsqueda bibliográfica de artículos publicados entre 2012 y 2019 utilizando como motores de búsqueda <span class="elsevierStyleItalic">Pubmed, Scopus</span> y <span class="elsevierStyleItalic">Web Of Science</span> (<a class="elsevierStyleCrossRef" href="#fig0005">fig. 1</a>).</p><elsevierMultimedia ident="fig0005"></elsevierMultimedia></span><span id="sec0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0030">Aplicaciones del <span class="elsevierStyleItalic">big data</span> en la EPOC</span><p id="par0020" class="elsevierStylePara elsevierViewall">Frente a una metodología clásica, como fue la utilizada en el estudio ECLIPSE<a class="elsevierStyleCrossRefs" href="#bib0255"><span class="elsevierStyleSup">5,6</span></a>, Serra-Picamal et al<span class="elsevierStyleItalic">.</span>, en un estudio de <span class="elsevierStyleItalic">big data</span> llevado a cabo en Cataluña, seleccionaron a 17.555 pacientes hospitalizados por primera vez por EPOC<a class="elsevierStyleCrossRef" href="#bib0265"><span class="elsevierStyleSup">7</span></a>. Este estudio, gracias al análisis de macrodatos, permite describir 4 diferentes trayectorias del paciente EPOC tras la primera hospitalización (EPOC frágil, EPOC con reingreso precoz, EPOC con reingreso y EPOC sin reingreso), cada una de ellas con un perfil clínico y pronóstico propio. Otro de los trabajos <span class="elsevierStyleItalic">big data</span> más representativos hasta la fecha es el de Souliotis et al., que establece una cohorte EPOC a partir de los datos de <span class="elsevierStyleItalic">Central Unit of Prescriptions Processing</span> (KMES), la mayor aseguradora social de Grecia y que incluye a más del 90% de la población<a class="elsevierStyleCrossRef" href="#bib0270"><span class="elsevierStyleSup">8</span></a>. Este estudio proporciona los datos poblacionales necesarios para mejorar la prescripción farmacológica según la edad, el sexo y los tratamientos previos. Siguiendo esta idea, Kuilboer et al. publicaron los resultados de <span class="elsevierStyleItalic">AsthmaCritic</span> (Holanda), un sistema de apoyo para la toma de decisiones que tiene el objetivo de mejorar la práctica clínica en atención primaria para asma y EPOC mediante un algoritmo basado en los datos recogidos por el clínico en la HCE<a class="elsevierStyleCrossRef" href="#bib0275"><span class="elsevierStyleSup">9</span></a><span class="elsevierStyleItalic">.</span> En otro campo, el análisis <span class="elsevierStyleItalic">big data</span> de Qiu et al. estudia el impacto de la contaminación ambiental en las exacerbaciones (hospitalizaciones) de EPOC (cohorte de 54.966 pacientes), encontrando una relación positiva para niveles elevados de PM<span class="elsevierStyleInf">25</span>, PM<span class="elsevierStyleInf">10</span> y SO<span class="elsevierStyleInf">2</span> en los días previos al ingreso. La asociación en pacientes de edad avanzada (><span class="elsevierStyleHsp" style=""></span>80 años) fue mayor<a class="elsevierStyleCrossRef" href="#bib0280"><span class="elsevierStyleSup">10</span></a>. Además, este estudio recogió la temperatura media diaria, objetivando interacciones entre los niveles de contaminación y las temperaturas bajas, de manera que concentraciones altas de PM y temperaturas bajas se asociaron con el mayor riesgo de hospitalización entre la población EPOC<a class="elsevierStyleCrossRef" href="#bib0280"><span class="elsevierStyleSup">10</span></a>. Estos hallazgos concuerdan con los de Lee et al<span class="elsevierStyleItalic">.</span>, en cuya cohorte <span class="elsevierStyleItalic">big data</span> de pacientes EPOC las bajas temperaturas, la humedad, las concentraciones elevadas de PM<span class="elsevierStyleInf">10</span> y las infecciones víricas se asociaron con el aumento de las exacerbaciones; sugiriendo además que el frío potencia el efecto de estas dos últimas<a class="elsevierStyleCrossRef" href="#bib0285"><span class="elsevierStyleSup">11</span></a>. En Europa (Polonia), Zakowska et al. han iniciado un estudio <span class="elsevierStyleItalic">big data</span> con análisis de datos demográficos, sociales, sanitarios, económicos y ambientales con el objetivo de identificar asociaciones múltiples entre estos factores y las exacerbaciones de EPOC<a class="elsevierStyleCrossRef" href="#bib0290"><span class="elsevierStyleSup">12</span></a>.</p><p id="par0025" class="elsevierStylePara elsevierViewall">Recientemente se ha publicado el primer estudio que ha analizado la situación de la EPOC en España, utilizando metodología de <span class="elsevierStyleItalic">big data</span>, a partir de los datos capturados de registros clínicos electrónicos<a class="elsevierStyleCrossRef" href="#bib0295"><span class="elsevierStyleSup">13</span></a>. Con la popularización de esta tecnología es factible identificar los problemas reales en una población, implementar proyectos que ayuden a mejorar la práctica clínica y, simultáneamente, una monitorización continua de los resultados.</p></span><span id="sec0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0035">Aplicaciones del <span class="elsevierStyleItalic">big data</span> en el asma</span><p id="par0030" class="elsevierStylePara elsevierViewall">En el asma también existe heterogeneidad, con diferentes endotipos y fenotipos que modifican la respuesta al tratamiento<a class="elsevierStyleCrossRefs" href="#bib0300"><span class="elsevierStyleSup">14,15</span></a>. Sin embargo, los estudios realizados hasta la fecha con el objetivo de identificar las alteraciones genéticas responsables de los endotipos no han obtenido resultados concluyentes, en parte porque se necesitan grandes bases de datos para poder establecer relaciones significativas, pero también porque las interacciones genéticas pueden ser múltiples, sin estar un solo gen asociado con un fenotipo concreto. A pesar de ello, un estudio sobre 1.173 pacientes sí relaciona el gen CDHR3 con un aumento de la susceptibilidad a asma en general y a las hospitalizaciones tempranas en particular<a class="elsevierStyleCrossRef" href="#bib0310"><span class="elsevierStyleSup">16</span></a>. El futuro del <span class="elsevierStyleItalic">big data</span> es prometedor en este campo. El análisis de grandes cantidades de datos no requiere la estratificación de los pacientes y es capaz de integrar información genética, biológica, medioambiental y fenotípica si se dispone de las herramientas computacionales necesarias para analizarlos. Este abordaje supone una ventaja importante en el estudio de las ómicas y de los biomarcadores. En el momento de esta revisión no se ha encontrado ningún estudio de <span class="elsevierStyleItalic">big data</span> realizado con dicho objetivo, pese a que sí existen estudios multicéntricos a nivel europeo como U-BIOPRED <span class="elsevierStyleItalic">(Unbiased Biomarkers for the Prediction of Respiratory Disease)</span>, que emplean el abordaje de la medicina de sistemas para identificar los mecanismos subyacentes al asma<a class="elsevierStyleCrossRef" href="#bib0315"><span class="elsevierStyleSup">17</span></a>.</p></span><span id="sec0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0040">Aplicaciones del <span class="elsevierStyleItalic">big data</span> en el SAHS</span><p id="par0035" class="elsevierStylePara elsevierViewall">El potencial del <span class="elsevierStyleItalic">big data</span> en el SAHS es enorme, ya que la información producida por los pacientes se puede recoger desde diversas fuentes: estudios de sueño, equipos de CPAP, dispositivos electrónicos, encuestas y formularios, HCE, biomarcadores y datos genéticos. Actualmente la base de datos genéticos más amplia <span class="elsevierStyleItalic">(International Sleep Genetic Epidemiology Consortium)</span> recoge aproximadamente 25.000 registros, pero se estima que esta muestra solo es la décima parte de la necesaria para identificar variantes genéticas poco frecuentes que expliquen la variabilidad interindividual<a class="elsevierStyleCrossRef" href="#bib0245"><span class="elsevierStyleSup">3</span></a>. Para obtener y manejar grandes volúmenes de datos genéticos que, además, deben integrarse con los datos clínicos para extraer conclusiones, el <span class="elsevierStyleItalic">National Institute of Health</span> (NIH) creó la iniciativa <span class="elsevierStyleItalic">Big Data to Knowledge</span> (BD2K), que pretende facilitar el acceso a la información y favorecer el desarrollo de los métodos analíticos<a class="elsevierStyleCrossRef" href="#bib0320"><span class="elsevierStyleSup">18</span></a>. De forma similar, en España, la SSN <span class="elsevierStyleItalic">(Spanish Sleep Network)</span> puso en marcha BIOSSAHS, un proyecto en el que se recogen datos clínicos y muestras biológicas con el objetivo de avanzar en la identificación de nuevos biomarcadores y en la caracterización fenotípica<a class="elsevierStyleCrossRef" href="#bib0325"><span class="elsevierStyleSup">19</span></a><span class="elsevierStyleItalic">.</span></p><p id="par0040" class="elsevierStylePara elsevierViewall">Respecto a la asociación de las diferencias interindividuales con las comorbilidades del SAHS, Mohklesi et al. llevaron a cabo un estudio de <span class="elsevierStyleItalic">big data</span> en EE.<span class="elsevierStyleHsp" style=""></span>UU. con 1.704.905 pacientes y un grupo control, concluyendo que la HTA, la diabetes mellitus, la cardiopatía isquémica, la depresión, la obesidad mórbida, las arritmias, la insuficiencia cardiaca congestiva y el IAM son comorbilidades más frecuentes en el SAHS que en la población general. Dichas asociaciones se conocían previamente, pero este estudio confirma la relación con mayor precisión y aporta, en contraposición con otras cohortes tradicionales, nuevas asociaciones específicas en subgrupos de pacientes poco estudiados hasta la fecha: mujeres y diferentes rangos de edad<a class="elsevierStyleCrossRef" href="#bib0330"><span class="elsevierStyleSup">20</span></a>. En Europa, a partir de la <span class="elsevierStyleItalic">European Sleep Apnea Database</span> (ESADA), también se trabaja en la identificación de fenotipos clínicamente relevantes y en su relación con las comorbilidades, destacando la caracterización de pacientes en función de los patrones de sueño (hipersomnolencia diurna vs. síntomas de insomnio)<a class="elsevierStyleCrossRef" href="#bib0335"><span class="elsevierStyleSup">21</span></a>.</p><p id="par0045" class="elsevierStylePara elsevierViewall">Con el objetivo de encontrar factores predictivos de finalización del tratamiento con CPAP e identificar fenotipos de pacientes que pudieran beneficiarse de otros abordajes, Woehrle et al. recogieron los datos de 98.329 pacientes que iniciaron el tratamiento con CPAP entre 2009 y 2014 a partir del <span class="elsevierStyleItalic">ResMed Healthcare</span>, una de las empresas prestadoras de servicios de CPAP alemana. Se describe que el 12% abandonó el tratamiento en el primer año y se encontró una relación en «U» entre los pacientes, siendo que los más jóvenes (<<span class="elsevierStyleHsp" style=""></span>30 años) y mayores (><span class="elsevierStyleHsp" style=""></span>80 años) tienen las tasas más altas de discontinuación. Otros factores relacionados con el cese de la CPAP fueron: el sexo femenino, la sanidad pública y que el primer tratamiento fuera CPAP<a class="elsevierStyleCrossRef" href="#bib0340"><span class="elsevierStyleSup">22</span></a><span class="elsevierStyleItalic">.</span> Con objetivos similares, Turino et al. analizaron la heterogeneidad entre todos los pacientes con SAHS tratados con CPAP en Cataluña e identificaron 6 subgrupos diferentes en cuanto a comorbilidades asociadas, mortalidad y utilización de los recursos<a class="elsevierStyleCrossRef" href="#bib0345"><span class="elsevierStyleSup">23</span></a>. Es muy probable que la expansión de los biomarcadores y las mejoras en el análisis de datos procedentes de dispositivos electrónicos, estudios de sueño, CPAP, etc., todo ello en el contexto de la integración de <span class="elsevierStyleItalic">big data</span>, tengan un impacto significativo sobre el manejo de los pacientes en la medicina del sueño<a class="elsevierStyleCrossRef" href="#bib0350"><span class="elsevierStyleSup">24</span></a>.</p></span><span id="sec0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0045">Aplicaciones del <span class="elsevierStyleItalic">big data</span> en el cáncer del pulmón</span><p id="par0050" class="elsevierStylePara elsevierViewall">Esfuerzos similares dirigidos a optimizar el manejo de los pacientes mediante <span class="elsevierStyleItalic">big data</span> se han realizado también en otras entidades como el cáncer de pulmón. La base de estas intervenciones es que la agregación de múltiples parámetros (biomarcadores, pruebas de imagen u otros), HCE y protocolos de manejo permite el desarrollo de herramientas inteligentes que apoyen y faciliten la toma de decisiones, tal y como se objetiva con el modelo desarrollado por Wu et al<span class="elsevierStyleItalic">.</span><a class="elsevierStyleCrossRef" href="#bib0355"><span class="elsevierStyleSup">25</span></a>. Continuando con la aplicación de esta herramienta en la práctica clínica, Murphy et al<span class="elsevierStyleItalic">.</span> presentan un algoritmo capaz de identificar <span class="elsevierStyleItalic">red flags</span> en los informes radiológicos y alertar al clínico cuando un paciente está sufriendo retrasos en el diagnóstico que pueden comprometer el pronóstico. La sensibilidad fue del 99%, la especificidad del 38%, el VPN del 97% y el VPP del 61%, concluyendo que el algoritmo es capaz de identificar, entre grandes cantidades de datos radiológicos e HCE, casi todos los retrasos diagnósticos y mejorar de forma coste-efectiva el manejo de los pacientes con imágenes sugestivas de malignidad<a class="elsevierStyleCrossRef" href="#bib0360"><span class="elsevierStyleSup">26</span></a>.</p><p id="par0055" class="elsevierStylePara elsevierViewall">El volumen de <span class="elsevierStyleItalic">big data</span> producido por estos pacientes permite el desarrollo del aprendizaje automático o <span class="elsevierStyleItalic">machine learning,</span> cuyo cometido es analizar los datos mediante algoritmos computacionales que permitan clasificar, predecir y segmentar la información para extraer conclusiones no disponibles para el ojo humano<a class="elsevierStyleCrossRef" href="#bib0365"><span class="elsevierStyleSup">27</span></a>. Con este objetivo ya se han desarrollado sistemas CADe <span class="elsevierStyleItalic">(computer-aided detection)</span> y CADx <span class="elsevierStyleItalic">(computer-aided diagnosis)</span> que permiten cuantificar y calificar las apodadas como <span class="elsevierStyleItalic">características radiómicas,</span> para mejorar el diagnóstico por imagen. Actualmente existen otros sistemas de <span class="elsevierStyleItalic">machine learning</span> aplicables al diagnóstico histológico, tratamiento y pronóstico de los pacientes<a class="elsevierStyleCrossRef" href="#bib0365"><span class="elsevierStyleSup">27</span></a>.</p></span><span id="sec0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0050"><span class="elsevierStyleItalic">Big data</span> multidisciplinar en patología respiratoria</span><p id="par0060" class="elsevierStylePara elsevierViewall">La aparición de herramientas computacionales cada vez más potentes permite que el análisis de <span class="elsevierStyleItalic">big data</span> pueda agregar no solo información clínica o médica, sino también otra serie de datos no relacionados, como variables socio-ecológicas y ambientales<a class="elsevierStyleCrossRef" href="#bib0370"><span class="elsevierStyleSup">28</span></a>. Qiu et al. estudiaron durante un año (2015) el número de hospitalizaciones por causa respiratoria en 17 ciudades de Sichuan Basin (China), en relación con los niveles diarios de PM<span class="elsevierStyleInf">2.5</span>, PM<span class="elsevierStyleInf">10</span>, NO<span class="elsevierStyleInf">2</span> y SO<span class="elsevierStyleInf">2</span>. Del total, 115.788 hospitalizaciones fueron debidas a infecciones del tracto respiratorio superior, 152.537 a neumonía, 207.770 a EPOC y 16.986 a asma. Se concluye que el aumento de las concentraciones de contaminantes incrementa el riesgo de ingreso por patología respiratoria, sin encontrarse diferencias entre sexos<a class="elsevierStyleCrossRef" href="#bib0375"><span class="elsevierStyleSup">29</span></a>. Estos resultados fueron consistentes con los obtenidos previamente por Scarinzi et al<span class="elsevierStyleItalic">.</span> en un estudio en 25 ciudades italianas<a class="elsevierStyleCrossRef" href="#bib0380"><span class="elsevierStyleSup">30</span></a>. Además, la inclusión de grupos poblacionales de edades extremas permitió corroborar que los niños y pacientes de edades avanzadas son más vulnerables a los efectos de los contaminantes ambientales<a class="elsevierStyleCrossRef" href="#bib0375"><span class="elsevierStyleSup">29</span></a>. En el estudio de Kuo et al. (cohorte de <span class="elsevierStyleItalic">big data</span>) se explora la interacción particular del asma en niños y la contaminación, concluyendo que el factor con mayor impacto en exacerbaciones es el O<span class="elsevierStyleInf">3</span> y que existen variaciones estacionales (pico de hospitalización en primavera)<a class="elsevierStyleCrossRef" href="#bib0385"><span class="elsevierStyleSup">31</span></a>. Los resultados de estos estudios nos indican que con la agregación de datos ambientales y clínicos se pueden extraer conclusiones que pueden mejorar el manejo y reducir las hospitalizaciones.</p><p id="par0065" class="elsevierStylePara elsevierViewall">Otro ejemplo de análisis <span class="elsevierStyleItalic">big data</span> multidisciplinar es el de Dwyer-Lindgren et al<span class="elsevierStyleItalic">.</span>, que con el empleo de datos socio-ecológicos, demográficos, geográficos y clínicos estudiaron las diferencias en mortalidad de las enfermedades respiratorias crónicas entre los diferentes estados de EE.<span class="elsevierStyleHsp" style=""></span>UU.<a class="elsevierStyleCrossRef" href="#bib0390"><span class="elsevierStyleSup">32</span></a>. En esta línea Mannino y Sanderson realizan un análisis descriptivo de las asociaciones geográficas de cada una de las entidades con los patrones de mortalidad, de modo que la identificación de factores de riesgo permite implementar medidas de salud pública específicas en cada estado<a class="elsevierStyleCrossRef" href="#bib0395"><span class="elsevierStyleSup">33</span></a>.</p></span><span id="sec0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0055"><span class="elsevierStyleItalic">Modelos predictivos y</span> análisis en el mundo real</span><p id="par0070" class="elsevierStylePara elsevierViewall">Las estrategias encaminadas a mejorar el pronóstico de los pacientes con patología respiratoria convergen en intentar disminuir la tasa de exacerbaciones, el empeoramiento clínico y las complicaciones de la enfermedad. Los datos recogidos en múltiples fuentes de <span class="elsevierStyleItalic">big data</span> pueden contribuir en la identificación de «biomarcadores digitales»<a class="elsevierStyleCrossRef" href="#bib0400"><span class="elsevierStyleSup">34</span></a> que sirvan como predictores de futuras exacerbaciones.</p><p id="par0075" class="elsevierStylePara elsevierViewall">Revisando la literatura se han encontrado algunos modelos que reúnen las características descritas, dentro de los cuales cabe destacar el de Ram et al<span class="elsevierStyleItalic">.</span>, un modelo predictivo para asma que introduce como nuevas fuentes de <span class="elsevierStyleItalic">big data</span> las búsquedas en Google, Twitter y sensores ambientales<a class="elsevierStyleCrossRef" href="#bib0405"><span class="elsevierStyleSup">35</span></a>, partiendo del antecedente de <span class="elsevierStyleItalic">Google Flu Trends</span> y su capacidad de estimar la actividad de la epidemia gripal<a class="elsevierStyleCrossRefs" href="#bib0410"><span class="elsevierStyleSup">36,37</span></a>. Este modelo es capaz de predecir en tiempo real el número de pacientes con asma que acudirán a urgencias con un 70% de precisión<a class="elsevierStyleCrossRef" href="#bib0405"><span class="elsevierStyleSup">35</span></a>. Los autores ya han puesto en marcha un nuevo estudio para validar los resultados en un área geográfica más amplia y durante más tiempo.</p><p id="par0080" class="elsevierStylePara elsevierViewall">Otros ejemplos son el de Fishe et al., que estudian variables clínicas, demográficas y socio-ecológicas para identificar características prodrómicas de asma, ACO y EPOC con el objetivo de mejorar el diagnóstico precoz de estas entidades en base a modelos predictivos<a class="elsevierStyleCrossRef" href="#bib0370"><span class="elsevierStyleSup">28</span></a>; o el de Lynch et al<span class="elsevierStyleItalic">.</span>, que analizan las posibilidades de aplicación del <span class="elsevierStyleItalic">machine learning</span> a la predicción de la supervivencia de los pacientes con cáncer de pulmón<a class="elsevierStyleCrossRef" href="#bib0420"><span class="elsevierStyleSup">38</span></a>. De forma similar, el aprendizaje automático también se comienza a emplear en la predicción de la respuesta al tratamiento<a class="elsevierStyleCrossRefs" href="#bib0240"><span class="elsevierStyleSup">2,39,40</span></a>. El potencial de estos modelos queda patente, pero también se intuye que la cantidad de variables necesarias para que la predicción sea eficaz excede en número a lo manejable en la práctica clínica<a class="elsevierStyleCrossRef" href="#bib0435"><span class="elsevierStyleSup">41</span></a>.</p><p id="par0085" class="elsevierStylePara elsevierViewall">La práctica clínica genera interrogantes a una velocidad y complejidad tales que se hace necesaria una nueva forma de llevar a cabo la investigación médica. La reciente epidemia por el virus SARS-Cov-2 es un buen ejemplo de esta necesidad. Esta experiencia hace necesario un nuevo abordaje que sea compatible con la actividad asistencial y que, a su vez, dependa de la misma, todo ello con el objetivo de responder con la mayor evidencia y rapidez a preguntas centradas en el paciente. De este modo, la <span class="elsevierStyleItalic">información del mundo real,</span> la generada durante el proceso asistencial, debe ser recogida y analizada para proporcionar <span class="elsevierStyleItalic">evidencia del mundo real</span><a class="elsevierStyleCrossRef" href="#bib0440"><span class="elsevierStyleSup">42</span></a><span class="elsevierStyleItalic">.</span> Esta forma de trabajo, además de transformar la relación entre el clínico y la investigación, resulta la mejor fuente de evidencia posible para tomar decisiones clínicas. El volumen, la velocidad, la variedad y la veracidad de la <span class="elsevierStyleItalic">información del mundo real</span> que promete el <span class="elsevierStyleItalic">big data</span> permite diseñar estudios observacionales y experimentales como el <span class="elsevierStyleItalic">CleanUP-IPF trial</span><a class="elsevierStyleCrossRef" href="#bib0445"><span class="elsevierStyleSup">43</span></a>, el único ensayo clínico con estas características en el campo de la enfermedad pulmonar intersticial. Así, en los próximos años, la creación de cohortes extensas permitirá comparar la respuesta al tratamiento, todo ello a un coste radicalmente menor que la investigación actual.</p></span><span id="sec0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0060">Nuevos abordajes: <span class="elsevierStyleItalic">mHealth</span> y <span class="elsevierStyleItalic">eHealth</span></span><p id="par0090" class="elsevierStylePara elsevierViewall">A pesar de los avances terapéuticos, el pronóstico de los pacientes con enfermedades respiratorias crónicas sigue siendo pobre en comparación con otras entidades. Si bien se pueden identificar múltiples causas, la falta de adherencia al tratamiento es una de las principales<a class="elsevierStyleCrossRef" href="#bib0400"><span class="elsevierStyleSup">34</span></a>. Con el objetivo de mejorar dicha adherencia, se han desarrollado tecnologías digitales que permiten monitorizar al paciente, extraer resultados agregados y mejorar el tratamiento mediante el abordaje personalizado. Ejemplos de ello son los inhaladores electrónicos o <span class="elsevierStyleItalic">smart inhalers</span>, los servicios de mensajería, las herramientas para el autocontrol de la enfermedad, los nebulizadores con chip, los biosensores y los monitores remotos de parámetros fisiológicos, como el PEF o FeNO, contaminación ambiental, humedad, temperatura o de ejercicio físico. Estos dos últimos se encuadran dentro del término <span class="elsevierStyleItalic">mHealth (Mobile Health),</span> que hace referencia al uso de dispositivos móviles para mejorar la práctica clínica<a class="elsevierStyleCrossRefs" href="#bib0245"><span class="elsevierStyleSup">3,44</span></a>. El potencial de esta tecnología contribuye a que empresas como Amazon, Apple o Google decidan introducirse en el sector sanitario con la creación de dispositivos médicos interconectados, centrados en las necesidades del consumidor y que, a día de hoy, ya pueden aplicarse en el control de la diabetes o enfermedades cardiovasculares<a class="elsevierStyleCrossRefs" href="#bib0455"><span class="elsevierStyleSup">45,46</span></a>. En definitiva, existe potencial para identificar los comportamientos que requieren mejora, intervenir de forma efectiva y mejorar la adherencia y el pronóstico de los pacientes<a class="elsevierStyleCrossRef" href="#bib0400"><span class="elsevierStyleSup">34</span></a>.</p></span><span id="sec0045" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0065">Conclusión</span><p id="par0095" class="elsevierStylePara elsevierViewall">El <span class="elsevierStyleItalic">big data</span> aplicado a la patología respiratoria proporciona las herramientas necesarias para avanzar hacia la medicina personalizada, mejorar el pronóstico de los pacientes con enfermedades respiratorias crónicas, apoyar la labor clínica del médico, identificar grupos poblacionales en riesgo y para implementar medidas preventivas y actuaciones coste-eficientes a nivel regional y nacional. Sin embargo, es necesario comprender las implicaciones que tiene utilizar un análisis generador de hipótesis con el fin de tomar las medidas necesarias para que la evidencia generada sea clínicamente útil y significativa.</p></span><span id="sec0055" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0070">Financiación</span><p id="par0110" class="elsevierStylePara elsevierViewall">Beca UAH 2019/00003/016/001/005, Universidad de Alcalá, España.</p></span><span id="sec0050" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0075">Conflicto de intereses</span><p id="par0100" class="elsevierStylePara elsevierViewall">Lourdes Prats no refiere conflicto de intereses.</p><p id="par0105" class="elsevierStylePara elsevierViewall">José Luis Izquierdo ha recibido honorarios por asesoramiento, proyectos o ponencias de AstraZeneca, Bayer, Boehringer Ingelheim, Chiesi, Glaxo, Grifols, Smith Kline, Menarini, Novartis, Orion, Pfizer, Sandoz, y Teva.</p></span></span>" "textoCompletoSecciones" => array:1 [ "secciones" => array:16 [ 0 => array:3 [ "identificador" => "xres1444982" "titulo" => "Resumen" "secciones" => array:1 [ 0 => array:1 [ "identificador" => "abst0005" ] ] ] 1 => array:2 [ "identificador" => "xpalclavsec1318385" "titulo" => "Palabras clave" ] 2 => array:3 [ "identificador" => "xres1444981" "titulo" => "Abstract" "secciones" => array:1 [ 0 => array:1 [ "identificador" => "abst0010" ] ] ] 3 => array:2 [ "identificador" => "xpalclavsec1318384" "titulo" => "Keywords" ] 4 => array:2 [ "identificador" => "sec0005" "titulo" => "Introducción" ] 5 => array:2 [ "identificador" => "sec0010" "titulo" => "Aplicaciones del big data en la EPOC" ] 6 => array:2 [ "identificador" => "sec0015" "titulo" => "Aplicaciones del big data en el asma" ] 7 => array:2 [ "identificador" => "sec0020" "titulo" => "Aplicaciones del big data en el SAHS" ] 8 => array:2 [ "identificador" => "sec0025" "titulo" => "Aplicaciones del big data en el cáncer del pulmón" ] 9 => array:2 [ "identificador" => "sec0030" "titulo" => "Big data multidisciplinar en patología respiratoria" ] 10 => array:2 [ "identificador" => "sec0035" "titulo" => "Modelos predictivos y análisis en el mundo real" ] 11 => array:2 [ "identificador" => "sec0040" "titulo" => "Nuevos abordajes: mHealth y eHealth" ] 12 => array:2 [ "identificador" => "sec0045" "titulo" => "Conclusión" ] 13 => array:2 [ "identificador" => "sec0055" "titulo" => "Financiación" ] 14 => array:2 [ "identificador" => "sec0050" "titulo" => "Conflicto de intereses" ] 15 => array:1 [ "titulo" => "Bibliografía" ] ] ] "pdfFichero" => "main.pdf" "tienePdf" => true "fechaRecibido" => "2020-05-26" "fechaAceptado" => "2020-07-03" "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec1318385" "palabras" => array:3 [ 0 => "<span class="elsevierStyleItalic">Big data</span>" 1 => "Patología respiratoria" 2 => "Inteligencia artificial" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Keywords" "identificador" => "xpalclavsec1318384" "palabras" => array:3 [ 0 => "Big data" 1 => "Respiratory disease" 2 => "Artificial intelligence" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:2 [ "titulo" => "Resumen" "resumen" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">Uno de los elementos claves en la medicina de la segunda década del siglo XXI es el crecimiento exponencial de la información producida por los pacientes que se debe no solo a la transición hacia la digitalización de las historias clínicas, sino también a la aparición de nuevas fuentes de información y a la capacidad de análisis e interpretación de las ya existentes. Se estima que la cantidad de información médica se duplica cada 2 años, lo que supone que en 2020 existirá 50 veces más información que en 2011. En este contexto, el manejo adecuado de grandes cantidades de datos o <span class="elsevierStyleItalic">big data</span> debe traducirse en nuevas iniciativas que mejoren el diagnóstico, tratamiento y pronóstico de los pacientes en el camino hacia la medicina personalizada.</p><p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">El concepto de personalización o de medicina de precisión cobra especial interés en la patología respiratoria crónica. En los últimos años la investigación en entidades como el asma, la EPOC, el cáncer o el SAHS se ha centrado en la identificación de alteraciones genómicas, moleculares, metabólicas y proteicas (biomarcadores). Su análisis mediante herramientas de análisis de <span class="elsevierStyleItalic">big data</span> permite dejar atrás los modelos centrados en la respuesta media al tratamiento, que a su vez resultan subóptimos para la mayoría, para dar paso a la respuesta individualizada. En este camino se incorpora la <span class="elsevierStyleItalic">medicina de sistemas,</span> que, integrando también datos clínicos y poblacionales, aporta una visión multidimensional de la enfermedad y facilita el establecimiento de asociaciones causales, la mayoría de las cuales solo son apreciables mediante análisis de <span class="elsevierStyleItalic">big data</span>.</p></span>" ] "en" => array:2 [ "titulo" => "Abstract" "resumen" => "<span id="abst0010" class="elsevierStyleSection elsevierViewall"><p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">One of the key elements of medicine in the second decade of the 21st century is the exponential growth of patient-produced information, due not only to the transition to the digitization of medical records, but also to the emergence of new sources of information and the capacity for analysis and interpretation of existing ones. The amount of medical information is expected to double every 2 years, which means that there will be 50 times more information available in 2020 than in 2011. In this setting, these large amounts of data or «big data» must be properly managed to implement new initiatives that improve the diagnosis, treatment, and prognosis of patients on the path to personalized medicine.</p><p id="spar0020" class="elsevierStyleSimplePara elsevierViewall">The concept of personalization or precision medicine is of special interest in chronic respiratory disease. In recent years, research in entities such as asthma, COPD, cancer, or SAHS has focused on the identification of genomic, molecular, metabolic, and protein changes (biomarkers). Big data analysis tools can be used to move on from models based on the mean response to treatment, which are suboptimal for most patients, to focus on the individualized response. Part of this journey involves systems medicine, which also integrates clinical and population data to provide a multidimensional view of the disease and help identify causal associations that are usually only evident on big data analysis.</p></span>" ] ] "multimedia" => array:1 [ 0 => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 2338 "Ancho" => 2167 "Tamanyo" => 311625 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0025" class="elsevierStyleSimplePara elsevierViewall">Proceso de búsqueda bibliográfica.</p>" ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bibs0015" "bibliografiaReferencia" => array:46 [ 0 => array:3 [ "identificador" => "bib0235" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Big data and medical research in China" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "L. Zhang" 1 => "H. Wang" 2 => "Q. Li" 3 => "M.H. Zhao" 4 => "Q.M. Zhan" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1136/bmj.j5910" "Revista" => array:5 [ "tituloSerie" => "BMJ." "fecha" => "2018" "volumen" => "360" "paginaInicial" => "j5910" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29437562" "web" => "Medline" ] ] ] ] ] ] ] ] 1 => array:3 [ "identificador" => "bib0240" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Disaggregating asthma: Big investigation versus big data" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "D. Belgrave" 1 => "J. Henderson" 2 => "A. Simpson" 3 => "I. Buchan" 4 => "C. Bishop" 5 => "A. Custovic" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jaci.2016.11.003" "Revista" => array:6 [ "tituloSerie" => "J Allergy Clin Immunol." "fecha" => "2017" "volumen" => "139" "paginaInicial" => "400" "paginaFinal" => "407" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27871876" "web" => "Medline" ] ] ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bib0245" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The role of big data in the management of sleep-disordered breathing" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "R. Budhiraja" 1 => "R. Thomas" 2 => "M. Kim" 3 => "S. Redline" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jsmc.2016.01.009" "Revista" => array:6 [ "tituloSerie" => "Sleep Med Clin [Internet]." "fecha" => "2019" "volumen" => "11" "paginaInicial" => "241" "paginaFinal" => "255" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27236060" "web" => "Medline" ] ] ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bib0250" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "The economic burden of lung disease - ERS [Internet] [consultado 26 Dic 2019]. Disponible en: <a target="_blank" href="https://www.erswhitebook.org/chapters/the-economic-burden-of-lung-disease/">https://www.erswhitebook.org/chapters/the-economic-burden-of-lung-disease/</a>" ] ] ] 4 => array:3 [ "identificador" => "bib0255" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Characterisation of COPD heterogeneity in the ECLIPSE cohort" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A. Agusti" 1 => "P.M.A. Calverley" 2 => "B. Celli" 3 => "H.O. Coxson" 4 => "L.D. Edwards" 5 => "D.A. Lomas" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/1465-9921-11-122" "Revista" => array:5 [ "tituloSerie" => "Respir Res." "fecha" => "2010" "volumen" => "11" "paginaInicial" => "122" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/20831787" "web" => "Medline" ] ] ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bib0260" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Phenomenology of COPD: Interpreting phenotypes with the ECLIPSE study" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "A. Papi" 1 => "M.S. Magnoni" 2 => "C.C. Muzzio" 3 => "G. Benso" 4 => "A. Rizzi" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Monaldi Arch Chest Dis." "fecha" => "2016" "volumen" => "83" "paginaInicial" => "721722" ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bib0265" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Hospitalizations due to exacerbations of COPD: A big data perspective" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "X. Serra-Picamal" 1 => "R. Roman" 2 => "J. Escarrabill" 3 => "A. García-Altés" 4 => "J.M. Argimón" 5 => "N. Soler" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.rmed.2018.01.008" "Revista" => array:6 [ "tituloSerie" => "Respir Med." "fecha" => "2018" "volumen" => "145" "paginaInicial" => "219" "paginaFinal" => "225" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29398283" "web" => "Medline" ] ] ] ] ] ] ] ] 7 => array:3 [ "identificador" => "bib0270" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Using big data to assess prescribing patterns in Greece: The case of chronic obstructive pulmonary disease" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "K. Souliotis" 1 => "C. Kani" 2 => "M. Papageorgiou" 3 => "D. Lionis" 4 => "K. Gourgoulianis" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "PLoS One." "fecha" => "2016" "volumen" => "11" "paginaInicial" => "1" "paginaFinal" => "10" ] ] ] ] ] ] 8 => array:3 [ "identificador" => "bib0275" "etiqueta" => "9" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Feasibility of AsthmaCritic, a decision-support system for asthma and COPD which generates patient-specific feedback on routinely recorded data in general practice" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "M.M. Kuilboer" 1 => "M.A.M. van Wijk" 2 => "M. Mosseveld" 3 => "E. van der Does" 4 => "B.P. Ponsioen" 5 => "J.C. de Jongste" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1093/fampra/19.5.442" "Revista" => array:6 [ "tituloSerie" => "Fam Pract." "fecha" => "2002" "volumen" => "19" "paginaInicial" => "442" "paginaFinal" => "447" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/12356691" "web" => "Medline" ] ] ] ] ] ] ] ] 9 => array:3 [ "identificador" => "bib0280" "etiqueta" => "10" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The burden of COPD morbidity attributable to the interaction between ambient air pollution and temperature in Chengdu, China" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "H. Qiu" 1 => "K. Tan" 2 => "F. Long" 3 => "L. Wang" 4 => "H. Yu" 5 => "R. Deng" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Int J Environ Res Public Health." "fecha" => "2018" "volumen" => "15" "paginaInicial" => "492" ] ] ] ] ] ] 10 => array:3 [ "identificador" => "bib0285" "etiqueta" => "11" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Factors associated with chronic obstructive pulmonary disease exacerbation, based on big data analysis" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "J. Lee" 1 => "H.M. Jung" 2 => "S.K. Kim" 3 => "K.H. Yoo" 4 => "K.S. Jung" 5 => "S.H. Lee" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41598-019-43167-w" "Revista" => array:6 [ "tituloSerie" => "Sci Rep [Internet]." "fecha" => "2019" "volumen" => "9" "paginaInicial" => "1" "paginaFinal" => "8" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30626917" "web" => "Medline" ] ] ] ] ] ] ] ] 11 => array:3 [ "identificador" => "bib0290" "etiqueta" => "12" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Community determinants of COPD exacerbations in elderly patients in Poland: Protocol for a retrospective Big Data observational cohort study" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "I. Zakowska" 1 => "K. Kosiek" 2 => "A. Kowalczyk" 3 => "J. Grabowski" 4 => "M. Godycki-Cwirko" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "BMJ Open." "fecha" => "2019" "volumen" => "9" "paginaInicial" => "16" "paginaFinal" => "19" ] ] ] ] ] ] 12 => array:3 [ "identificador" => "bib0295" "etiqueta" => "13" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Clinical Management of COPD in a Real-World Setting. A Big Data Analysis" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "J.L. Izquierdo" 1 => "D. Morena" 2 => "Y. González" 3 => "J.M. Paredero" 4 => "B. Pérez" 5 => "D. Graziani" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:2 [ "tituloSerie" => "Arch Bronconeumol [Internet]." "fecha" => "2020" ] ] ] ] ] ] 13 => array:3 [ "identificador" => "bib0300" "etiqueta" => "14" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Lebrikizumab treatment in adults with asthma" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "J. Corren" 1 => "R.F. Lemanske" 2 => "N.A. Hanania" 3 => "P.E. Korenblat" 4 => "M.V. Parsey" 5 => "J.R. Arron" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1056/NEJMoa1106469" "Revista" => array:6 [ "tituloSerie" => "N Engl J Med." "fecha" => "2011" "volumen" => "365" "paginaInicial" => "1088" "paginaFinal" => "1098" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/21812663" "web" => "Medline" ] ] ] ] ] ] ] ] 14 => array:3 [ "identificador" => "bib0305" "etiqueta" => "15" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Mepolizumab for severe eosinophilic asthma (DREAM): A multicentre, double-blind, placebo-controlled trial" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "I.D. Pavord" 1 => "S. Korn" 2 => "P. Howarth" 3 => "E.R. Bleecker" 4 => "R. Buhl" 5 => "O.N. Keene" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/S0140-6736(12)60988-X" "Revista" => array:6 [ "tituloSerie" => "Lancet." "fecha" => "2012" "volumen" => "380" "paginaInicial" => "651" "paginaFinal" => "659" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/22901886" "web" => "Medline" ] ] ] ] ] ] ] ] 15 => array:3 [ "identificador" => "bib0310" "etiqueta" => "16" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A genome-wide association study identifies CDHR3 as a susceptibility locus for early childhood asthma with severe exacerbations" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "K. Bønnelykke" 1 => "P. Sleiman" 2 => "K. Nielsen" 3 => "E. Kreiner-Møller" 4 => "J.M. Mercader" 5 => "D. Belgrave" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/ng.2830" "Revista" => array:6 [ "tituloSerie" => "Nat Genet." "fecha" => "2014" "volumen" => "46" "paginaInicial" => "51" "paginaFinal" => "55" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/24241537" "web" => "Medline" ] ] ] ] ] ] ] ] 16 => array:3 [ "identificador" => "bib0315" "etiqueta" => "17" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Clinical and inflammatory characteristics of the European U-BIOPRED adult severe asthma cohort" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "D.E. Shaw" 1 => "A.R. Sousa" 2 => "S.J. Fowler" 3 => "L.J. Fleming" 4 => "G. Roberts" 5 => "J. Corfield" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1183/13993003.00779-2015" "Revista" => array:6 [ "tituloSerie" => "Eur Respir J." "fecha" => "2015" "volumen" => "46" "paginaInicial" => "1308" "paginaFinal" => "1321" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/26357963" "web" => "Medline" ] ] ] ] ] ] ] ] 17 => array:3 [ "identificador" => "bib0320" "etiqueta" => "18" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The NIH big data to knowledge (BD2K) initiative" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "P.E. Bourne" 1 => "V. Bonazzi" 2 => "M. Dunn" 3 => "E.D. Green" 4 => "M. Guyer" 5 => "G. Komatsoulis" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "J Am Med Inform." "fecha" => "2015" "volumen" => "22" "paginaInicial" => "1114" ] ] ] ] ] ] 18 => array:3 [ "identificador" => "bib0325" "etiqueta" => "19" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Upcoming scenarios for the comprehensive management of obstructive sleep apnea: an overview of the Spanish Sleep Network" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "O. Mediano" 1 => "I. Cano-Pumarega" 2 => "M. Sánchez-de-la-Torre" 3 => "M.L. Alonso-Álvarez" 4 => "M.F. Troncoso" 5 => "F. García-Río" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.arbres.2020.05.028" "Revista" => array:6 [ "tituloSerie" => "Arch Bronconeumol." "fecha" => "2020" "volumen" => "56" "paginaInicial" => "35" "paginaFinal" => "41" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32576395" "web" => "Medline" ] ] ] ] ] ] ] ] 19 => array:3 [ "identificador" => "bib0330" "etiqueta" => "20" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "Mokhles BI, Ham SA, Gozal D. The effect of sex and age on the comorbidity burden of OSA: an observational analysis from a large nationwide US health claims database. Eur Respir J. 2016;47:1162-9." ] ] ] 20 => array:3 [ "identificador" => "bib0335" "etiqueta" => "21" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Clinical phenotypes and comorbidity in European sleep apnoea patients" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "T. Saaresranta" 1 => "J. Hedner" 2 => "M.R. Bonsignore" 3 => "R.L. Riha" 4 => "W.T. McNicholas" 5 => "T. Penzel" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "PLoS One." "fecha" => "2016" "volumen" => "11" "paginaInicial" => "1" "paginaFinal" => "15" ] ] ] ] ] ] 21 => array:3 [ "identificador" => "bib0340" "etiqueta" => "22" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Predictors of positive airway pressure therapy termination in the first year: analysis of big data from a German homecare provider" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "H. Woehrle" 1 => "M. Arzt" 2 => "A. Graml" 3 => "I. Fietze" 4 => "P. Young" 5 => "H. Teschler" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/s12890-017-0557-5" "Revista" => array:6 [ "tituloSerie" => "BMC Pulm Med." "fecha" => "2018" "volumen" => "18" "paginaInicial" => "1" "paginaFinal" => "9" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29301525" "web" => "Medline" ] ] ] ] ] ] ] ] 22 => array:3 [ "identificador" => "bib0345" "etiqueta" => "23" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Characterization of the CPAP-treated patient population in Catalonia" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "C. Turino" 1 => "S. Bertran" 2 => "R. Gavaldá" 3 => "I. Teixidó" 4 => "H. Woehrle" 5 => "M. Rué" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "PLoS One." "fecha" => "2017" "volumen" => "12" "paginaInicial" => "1" "paginaFinal" => "12" ] ] ] ] ] ] 23 => array:3 [ "identificador" => "bib0350" "etiqueta" => "24" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Precision medicine for obstructive sleep apnea" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "M. Light" 1 => "R.L. Owens" 2 => "C.N. Schmickl" 3 => "A. Malhotra" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jsmc.2019.05.005" "Revista" => array:6 [ "tituloSerie" => "Sleep Med Clin [Internet]." "fecha" => "2019" "volumen" => "14" "paginaInicial" => "391" "paginaFinal" => "398" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31375207" "web" => "Medline" ] ] ] ] ] ] ] ] 24 => array:3 [ "identificador" => "bib0355" "etiqueta" => "25" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Decision based on big data research for non-small cell lung cancer in medical artificial system in developing country" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "J. Wu" 1 => "Y. Tan" 2 => "Z. Chen" 3 => "M. Zhao" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.cmpb.2018.03.004" "Revista" => array:6 [ "tituloSerie" => "Comput Methods Programs Biomed." "fecha" => "2018" "volumen" => "159" "paginaInicial" => "87" "paginaFinal" => "101" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29650322" "web" => "Medline" ] ] ] ] ] ] ] ] 25 => array:3 [ "identificador" => "bib0360" "etiqueta" => "26" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Computerized triggers of big data to detect delays in follow-up of chest imaging results" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "D.R. Murphy" 1 => "A.N.D. Meyer" 2 => "V. Bhise" 3 => "E. Russo" 4 => "D.F. Sittig" 5 => "L. Wei" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.chest.2016.05.001" "Revista" => array:6 [ "tituloSerie" => "Chest." "fecha" => "2016" "volumen" => "150" "paginaInicial" => "613" "paginaFinal" => "620" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27178786" "web" => "Medline" ] ] ] ] ] ] ] ] 26 => array:3 [ "identificador" => "bib0365" "etiqueta" => "27" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Role of artificial intelligence in the care of patients with nonsmall cell lung cancer" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "M. Rabbani" 1 => "J. Kanevsky" 2 => "K. Kafi" 3 => "F. Chandelier" 4 => "F.J. Giles" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:3 [ "tituloSerie" => "Eur J Clin Invest." "fecha" => "2018" "volumen" => "48" ] ] ] ] ] ] 27 => array:3 [ "identificador" => "bib0370" "etiqueta" => "28" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Prodromal clinical, demographic, and socio-ecological correlates of asthma in adults: a 10-year statewide big data multi-domain analysis" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "J.N. Fishe" 1 => "J. Bian" 2 => "Z. Chen" 3 => "H. Hu" 4 => "J. Min" 5 => "F. Modave" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1080/02770903.2019.1642352" "Revista" => array:5 [ "tituloSerie" => "J Asthma [Internet]." "fecha" => "2019" "paginaInicial" => "1" "paginaFinal" => "13" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33207980" "web" => "Medline" ] ] ] ] ] ] ] ] 28 => array:3 [ "identificador" => "bib0375" "etiqueta" => "29" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The burden of overall and cause-specific respiratory morbidity due to ambient air pollution in Sichuan Basin China: A multi-city time-series analysis" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "H. Qiu" 1 => "H. Yu" 2 => "L. Wang" 3 => "X. Zhu" 4 => "M. Chen" 5 => "L. Zhou" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.envres.2018.08.011" "Revista" => array:6 [ "tituloSerie" => "Environ Res." "fecha" => "2018" "volumen" => "167" "paginaInicial" => "428" "paginaFinal" => "436" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30121467" "web" => "Medline" ] ] ] ] ] ] ] ] 29 => array:3 [ "identificador" => "bib0380" "etiqueta" => "30" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Inquinamento atmosferico e ricoveri ospedalieri urgenti in 25 città Italiane: Risultati del progetto EpiAir2" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "C. Scarinzi" 1 => "E.R. Alessandrini" 2 => "M. Chiusolo" 3 => "C. Galassi" 4 => "M. Baldini" 5 => "M. Serinelli" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "Epidemiol Prev." "fecha" => "2013" "volumen" => "37" "paginaInicial" => "230" "paginaFinal" => "241" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/24293488" "web" => "Medline" ] ] ] ] ] ] ] ] 30 => array:3 [ "identificador" => "bib0385" "etiqueta" => "31" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Application of a time-stratified case-crossover design to explore the effects of air pollution and season on childhood asthma hospitalization in cities of differing urban patterns: Big data analytics of government open data" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "C.Y. Kuo" 1 => "R.H. Pan" 2 => "C.K. Chan" 3 => "C.Y. Wu" 4 => "D. Phan Van" 5 => "C.L. Chan" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Int J Environ Res Public Health." "fecha" => "2018" "volumen" => "15" "paginaInicial" => "647" ] ] ] ] ] ] 31 => array:3 [ "identificador" => "bib0390" "etiqueta" => "32" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Trends and patterns of differences in chronic respiratory disease mortality among US counties, 1980-2014" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "L. Dwyer-Lindgren" 1 => "A. Bertozzi-Villa" 2 => "R.W. Stubbs" 3 => "C. Morozoff" 4 => "S. Shirude" 5 => "M. Naghavi" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1001/jama.2017.11747" "Revista" => array:6 [ "tituloSerie" => "JAMA." "fecha" => "2017" "volumen" => "318" "paginaInicial" => "1136" "paginaFinal" => "1149" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28973621" "web" => "Medline" ] ] ] ] ] ] ] ] 32 => array:3 [ "identificador" => "bib0395" "etiqueta" => "33" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Using big data to reveal chronic respiratory disease mortality patterns and identify potential public health interventions" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "D.M. Mannino" 1 => "W.T. Sanderson" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1001/jama.2017.11746" "Revista" => array:6 [ "tituloSerie" => "JAMA." "fecha" => "2017" "volumen" => "318" "paginaInicial" => "1112" "paginaFinal" => "1114" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28973597" "web" => "Medline" ] ] ] ] ] ] ] ] 33 => array:3 [ "identificador" => "bib0400" "etiqueta" => "34" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Digital technologies and adherence in respiratory diseases: The road ahead" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "J.D. Blakey" 1 => "B.G. Bender" 2 => "A.L. Dima" 3 => "J. Weinman" 4 => "G. Safioti" 5 => "R.W. Costello" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1183/13993003.01147-2018" "Revista" => array:4 [ "tituloSerie" => "Eur Respir J [Internet]." "fecha" => "2018" "volumen" => "52" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30385603" "web" => "Medline" ] ] ] ] ] ] ] ] 34 => array:3 [ "identificador" => "bib0405" "etiqueta" => "35" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Predicting asthma-related emergency department visits using big data" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "S. Ram" 1 => "W. Zhang" 2 => "M. Williams" 3 => "Y. Pengetnze" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "IEEE J Biomed Heal Informatics." "fecha" => "2015" "volumen" => "19" "paginaInicial" => "1216" "paginaFinal" => "1223" ] ] ] ] ] ] 35 => array:3 [ "identificador" => "bib0410" "etiqueta" => "36" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Detecting influenza epidemics using search engine query data" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "J. Ginsberg" 1 => "M.H. Mohebbi" 2 => "R.S. Patel" 3 => "L. Brammer" 4 => "M.S. Smolinski" 5 => "L. Brilliant" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/nature07634" "Revista" => array:6 [ "tituloSerie" => "Nature." "fecha" => "2009" "volumen" => "457" "paginaInicial" => "1012" "paginaFinal" => "1014" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/19020500" "web" => "Medline" ] ] ] ] ] ] ] ] 36 => array:3 [ "identificador" => "bib0415" "etiqueta" => "37" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Assessing Google Flu trends performance in the United States during the 2009 influenza virus A (H1N1) pandemic" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "S. Cook" 1 => "C. Conrad" 2 => "A.L. Fowlkes" 3 => "M.H. Mohebbi" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1371/journal.pone.0023610" "Revista" => array:5 [ "tituloSerie" => "PLoS One." "fecha" => "2011" "volumen" => "6" "paginaInicial" => "e23610" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/21886802" "web" => "Medline" ] ] ] ] ] ] ] ] 37 => array:3 [ "identificador" => "bib0420" "etiqueta" => "38" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Prediction of lung cancer patient survival via supervised machine learning classification techniques" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "C.M. Lynch" 1 => "B. Abdollahi" 2 => "J.D. Fuqua" 3 => "A.R. de Carlo" 4 => "J.A. Bartholomai" 5 => "R.N. Balgemann" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.ijmedinf.2017.09.013" "Revista" => array:6 [ "tituloSerie" => "Int J Med Inform." "fecha" => "2017" "volumen" => "108" "paginaInicial" => "1" "paginaFinal" => "8" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29132615" "web" => "Medline" ] ] ] ] ] ] ] ] 38 => array:3 [ "identificador" => "bib0425" "etiqueta" => "39" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Cancer adjuvant chemotherapy strategic classification by artificial neural network with gene expression data: An example for non-small cell lung cancer" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "Y.C. Chen" 1 => "Y.C. Chang" 2 => "W.C. Ke" 3 => "H.W. Chiu" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jbi.2015.05.006" "Revista" => array:6 [ "tituloSerie" => "J Biomed Inform." "fecha" => "2015" "volumen" => "56" "paginaInicial" => "1" "paginaFinal" => "7" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/25998519" "web" => "Medline" ] ] ] ] ] ] ] ] 39 => array:3 [ "identificador" => "bib0430" "etiqueta" => "40" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A predictive model for personalized therapeutic interventions in non-small cell lung cancer" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "N. Kureshi" 1 => "S.S.R. Abidi" 2 => "C. Blouin" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "IEEE J Biomed Heal Informatics." "fecha" => "2016" "volumen" => "20" "paginaInicial" => "424" "paginaFinal" => "431" ] ] ] ] ] ] 40 => array:3 [ "identificador" => "bib0435" "etiqueta" => "41" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Paradigm changes for diagnosis: Using big data for prediction" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "J. Roca" 1 => "A. Tenyi" 2 => "I. Cano" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1515/cclm-2018-0971" "Revista" => array:6 [ "tituloSerie" => "Clin Chem Lab Med." "fecha" => "2019" "volumen" => "57" "paginaInicial" => "317" "paginaFinal" => "327" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30530879" "web" => "Medline" ] ] ] ] ] ] ] ] 41 => array:3 [ "identificador" => "bib0440" "etiqueta" => "42" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Closing the evidence gap in interstitial lung disease the promise of real-world data" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "E. Farrand" 1 => "K.J. Anstrom" 2 => "G. Bernard" 3 => "A.J. Butte" 4 => "C. Iribarren" 5 => "B. Ley" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1164/rccm.201807-1209PP" "Revista" => array:6 [ "tituloSerie" => "Am J Respir Crit Care Med." "fecha" => "2019" "volumen" => "199" "paginaInicial" => "1061" "paginaFinal" => "1065" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30452876" "web" => "Medline" ] ] ] ] ] ] ] ] 42 => array:3 [ "identificador" => "bib0445" "etiqueta" => "43" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "CleanUP IPF for the Pulmonary Trials Cooperative" "autores" => array:1 [ 0 => array:2 [ "colaboracion" => "ClinicalTrials gov" "etal" => false ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Libro" => array:1 [ "fecha" => "2017" ] ] ] ] ] ] 43 => array:3 [ "identificador" => "bib0450" "etiqueta" => "44" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Impact of “eHealth” in allergic diseases and allergic patients" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "A. Alvarez-Perea" 1 => "S. Sánchez-García" 2 => "R. Muñoz Cano" 3 => "D. Antolín-Amérigo" 4 => "O. Tsilochristou" 5 => "D.R. Stukus" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.18176/jiaci.0354" "Revista" => array:6 [ "tituloSerie" => "J Investig Allergol Clin Immunol." "fecha" => "2019" "volumen" => "29" "paginaInicial" => "94" "paginaFinal" => "102" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30457105" "web" => "Medline" ] ] ] ] ] ] ] ] 44 => array:3 [ "identificador" => "bib0455" "etiqueta" => "45" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "Redacción ECsalud.com. Amazon continúa su fuerte apuesta por el sector salud [Internet]. [consultado 2 Feb 2020]. Disponible en: <a target="_blank" href="https://www.consalud.es/ecsalud/ehealth/amazon-continua-fuerte-apuesta-sector-salud_72020_102.html">https://www.consalud.es/ecsalud/ehealth/amazon-continua-fuerte-apuesta-sector-salud_72020_102.html</a>" ] ] ] 45 => array:3 [ "identificador" => "bib0460" "etiqueta" => "46" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "“Trying, But Failing” — The role of inhaler technique and mode of delivery in respiratory medication adherence" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "F. Braido" 1 => "H. Chrystyn" 2 => "I. Baiardini" 3 => "S. Bosnic-Anticevich" 4 => "T. van der Molen" 5 => "R.J. Dandurand" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jaip.2016.03.002" "Revista" => array:6 [ "tituloSerie" => "J Allergy Clin Immunol Pract." "fecha" => "2016" "volumen" => "4" "paginaInicial" => "823" "paginaFinal" => "832" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/27587316" "web" => "Medline" ] ] ] ] ] ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/26596636/0000000200000004/v2_202101060658/S2659663620300527/v2_202101060658/es/main.assets" "Apartado" => array:4 [ "identificador" => "85985" "tipo" => "SECCION" "en" => array:2 [ "titulo" => "Revisiones" "idiomaDefecto" => true ] "idiomaDefecto" => "en" ] "PDF" => "https://static.elsevier.es/multimedia/26596636/0000000200000004/v2_202101060658/S2659663620300527/v2_202101060658/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2659663620300527?idApp=UINPBA00004N" ]
año/Mes | Html | Total | |
---|---|---|---|
2024 Noviembre | 3 | 1 | 4 |
2024 Octubre | 22 | 5 | 27 |
2024 Septiembre | 18 | 3 | 21 |
2024 Agosto | 32 | 1 | 33 |
2024 Julio | 42 | 5 | 47 |
2024 Junio | 28 | 3 | 31 |
2024 Mayo | 54 | 4 | 58 |
2024 Abril | 53 | 4 | 57 |
2024 Marzo | 44 | 4 | 48 |
2024 Febrero | 56 | 8 | 64 |
2024 Enero | 34 | 6 | 40 |
2023 Diciembre | 23 | 8 | 31 |
2023 Noviembre | 41 | 9 | 50 |
2023 Octubre | 41 | 3 | 44 |
2023 Septiembre | 25 | 3 | 28 |
2023 Agosto | 38 | 3 | 41 |
2023 Julio | 18 | 11 | 29 |
2023 Junio | 41 | 4 | 45 |
2023 Mayo | 108 | 7 | 115 |
2023 Abril | 74 | 2 | 76 |
2023 Marzo | 43 | 6 | 49 |
2023 Febrero | 52 | 7 | 59 |
2023 Enero | 41 | 7 | 48 |
2022 Diciembre | 48 | 5 | 53 |
2022 Noviembre | 57 | 10 | 67 |
2022 Octubre | 47 | 14 | 61 |
2022 Septiembre | 39 | 10 | 49 |
2022 Agosto | 46 | 14 | 60 |
2022 Julio | 28 | 12 | 40 |
2022 Junio | 39 | 15 | 54 |
2022 Mayo | 25 | 15 | 40 |
2022 Abril | 23 | 15 | 38 |
2022 Marzo | 65 | 14 | 79 |
2022 Febrero | 26 | 9 | 35 |
2022 Enero | 35 | 13 | 48 |
2021 Diciembre | 42 | 18 | 60 |
2021 Noviembre | 34 | 21 | 55 |
2021 Octubre | 70 | 29 | 99 |
2021 Septiembre | 61 | 18 | 79 |
2021 Agosto | 41 | 18 | 59 |
2021 Julio | 7 | 3 | 10 |
2021 Junio | 32 | 10 | 42 |
2021 Mayo | 38 | 15 | 53 |
2021 Abril | 83 | 15 | 98 |
2021 Marzo | 42 | 19 | 61 |
2021 Febrero | 31 | 24 | 55 |
2021 Enero | 13 | 12 | 25 |
2020 Diciembre | 6 | 3 | 9 |
2020 Noviembre | 1 | 3 | 4 |
2020 Octubre | 2 | 5 | 7 |
2020 Septiembre | 1 | 1 | 2 |