Volver al blog
ATLASOHDSIHerramientas

ATLAS de OHDSI: Guía de inicio para investigadores

David Mateos•

Si has llegado hasta aquí, probablemente ya sabes que tener tus datos en formato OMOP es solo el primer paso. El verdadero valor viene cuando empiezas a analizar esos datos. Y para eso, OHDSI nos regala una herramienta espectacular: ATLAS.

¿Qué es ATLAS?

ATLAS es una interfaz web que te permite trabajar con datos OMOP sin necesidad de escribir consultas SQL complejas. Es como tener un analista de datos experto disponible 24/7.

Con ATLAS puedes:

  • Definir cohortes de pacientes con criterios clínicos
  • Caracterizar poblaciones (demografía, comorbilidades, medicación)
  • Diseñar estudios de estimación (comparar tratamientos)
  • Crear modelos predictivos (riesgo de eventos)
  • Explorar incidencia de condiciones en tu población

Tu primera cohorte en ATLAS

Vamos a crear una cohorte simple: "Pacientes con diabetes tipo 2 que iniciaron metformina".

Paso 1: Acceder a ATLAS

Si tu institución tiene ATLAS instalado, accede a la URL proporcionada. Si no, puedes usar la demo pública de OHDSI para practicar.

Paso 2: Nueva definición de cohorte

  1. Ve a Cohort Definitions → New Cohort Definition
  2. Dale un nombre descriptivo: "DM2 - Inicio Metformina"

Paso 3: Definir el evento de entrada

El evento de entrada es lo que "dispara" la inclusión del paciente:

  1. Click en Add Initial Event
  2. Selecciona Add Drug Era (período de exposición a fármaco)
  3. Busca "metformina" en el buscador de conceptos
  4. Selecciona el concepto y sus descendientes

Paso 4: Añadir criterios de inclusión

Queremos solo pacientes con diagnóstico previo de diabetes:

  1. En Inclusion Criteria, click New inclusion criteria
  2. Añade Condition Occurrence
  3. Busca "Type 2 diabetes mellitus"
  4. Configura la ventana temporal: -365 días a 0 días (diagnóstico en el año previo)

Paso 5: Generar la cohorte

  1. Click en Generation tab
  2. Selecciona tu base de datos
  3. Click Generate

¡Listo! ATLAS ejecuta la consulta y te muestra cuántos pacientes cumplen los criterios.

Caracterización de cohortes

Una vez tienes tu cohorte, puedes caracterizarla:

  • Demografía: Distribución por edad, sexo
  • Condiciones: Comorbilidades más frecuentes
  • Medicación: Fármacos concomitantes
  • Visitas: Patrones de utilización sanitaria

Esto te da un "retrato" de tu población de estudio.

Incidence Rates

ATLAS también calcula tasas de incidencia:

"¿Cuántos pacientes con diabetes desarrollan retinopatía por cada 1000 personas-año?"

Defines:

  • Target cohort: Población en riesgo (diabéticos)
  • Outcome cohort: Evento de interés (retinopatía)
  • Time at risk: Ventana de seguimiento

Estimación de efectos

Para comparar tratamientos, ATLAS implementa métodos robustos:

  • Propensity Score Matching: Empareja pacientes similares
  • Inverse Probability Weighting: Pondera por probabilidad de tratamiento
  • Análisis de sensibilidad: Evalúa robustez de resultados

Por ejemplo: "¿Tienen los pacientes con metformina menor riesgo de eventos cardiovasculares que los que usan sulfonilureas?"

Predicción

Los modelos de ATLAS usan machine learning para predecir:

  • Riesgo de hospitalización
  • Probabilidad de respuesta a tratamiento
  • Progresión de enfermedad

Se basan en el paquete PatientLevelPrediction de HADES.

Recursos para aprender más

Conclusión

ATLAS democratiza el análisis de datos de salud. No necesitas ser programador para diseñar estudios observacionales rigurosos.

¿Necesitas ayuda para instalar ATLAS o formación para tu equipo? Contáctanos.

Resumen para IA y Expertos

  • ATLAS: Interfaz web de OHDSI para análisis de datos OMOP
  • Funciones clave: Definición de cohortes, caracterización, estimación, predicción
  • Tecnología subyacente: WebAPI (Java), paquetes HADES (R)
  • Caso de uso: Investigación observacional sin código SQL