Materiales y métodos

El corpus de texto utilizado fue resultado de una búsqueda en el portal Europe PMC (europepmc.org), usando la palabra “Argentina” en el campo Filiación. Los datos (todos en inglés) se guardaron en formato XML (Extensible Markup Language).

Mediante un flujo de trabajo digital se seleccionaron los campos: Id (identidad asignada a una publicación a nivel del repositorio), source (fuente), Pmid (identificador de PubMed de los trabajos indexados), Pmcid (identificador de artículo con el texto completo en PubMed Central), doi (identificador de objeto digital), title (título), authorString (autores que firman la publicación), pubYear (año de publicación), abstractText (texto del abstract), fullTextUrlList (link al texto digital completo del artículo), affiliation (lugar/es donde se realizó el trabajo; contiene en muchos casos el nombre de la institución, del laboratorio, de la ciudad y del país), medlineAbbreviation (abreviatura usada por Medline para referirse al medio donde fue publicado el artículo).

Se utilizaron las siguientes herramientas informáticas: i) Knime 4.1 (https://www.knime.com/) como principal platafor ma analítica; ii) AntConc 3.5.8 (desarrollado por Laurence Anthony, Facultad de Ciencias e Ingeniería, Universidad de Waseda, Japón) para investigar el uso de la lengua en el corpus; iii) Microsoft Excel 365 para estadísticas y gráficos específicos.

Se desarrolló un flujo de trabajo ad hoc en Knime, que hace la búsqueda en ePMC, selecciona campos a estudiar y entrega: i) número de artículos por año de publicación; ii) número de documentos con títulos y/o resúmenes; iii) lista de todos los autores; iv) número de artículos publicados por cada autor; v) lista de primeros autores; vi) número de artículos publicados por cada primer autor; vii) número de artículos por publicación; viii) texto de los resúmenes. Posteriormente, los resúmenes fueron tratados con otro flujo de Knime para extraer, en forma no supervisada, los principales temas de investigación abordados.

AntConc se configuró para considerar como unidad gra matical (componente de lenguaje con significado coherente) a las combinaciones de i) solo letras y ii) letras con números y/o letras griegas y/o algunas marcas de puntuación, ya que muchos términos científicos están compuestos por combi naciones de ellos (por ejemplo, Nα-Benzoyl-DL-arginine o GLP-2). Detectadas las unidades gramaticales diferentes (formas o types, en inglés), se determinó la frecuencia de su uso. Como la misma unidad gramatical puede aparecer varias veces en un texto, se contabilizó también la suma de todas las unidades gramaticales usadas en el texto (tokens). Para el análisis se aplicó la lista de lemas BNC_lemmafile5. txt4. La lista de lemas incluye una palabra y sus variaciones, permitiendo representar al conjunto mediante un único término representativo.

En AntConc y Knime se utilizó, cuando fue necesario, una lista de palabras (stop-list en inglés) que se decidió excluir de los resultados. La lista contiene palabras funcionales sin significado para el análisis (por ejemplo, determinantes y preposiciones como los términos ingleses the, a, in, to, from).

En Knime se aplicó la asignación de Dirichlet en paralelo (LDA, por sus siglas en inglés) para el procesamiento del lenguaje natural, con la que se realizó una detección automá tica de 30 temas en forma no supervisada. A cada tema se adjudicaron, también en forma automática, 10 palabras que lo caracterizaran. El nodo utilizado sigue a Newman y col.⁵, con un esquema de muestreo LDA disperso y una estructura de datos de Yao y col.⁶, utilizando la biblioteca de modelado de temas de Machine Learning for Language Toolkit (MALLET). Las opciones de configuración fueron seed: -1593552080; parámetro alfa para temas: 0.1; parámetro beta para palabras: 0.01; iteraciones: 1000. El preprocesamiento incluyó: i) el borrado de signos de puntuación; ii) el filtrado por stop-list; iii) el empleo del nodo Abner Tagger con OpenNLP Whitespace Tokenizer, que asigna etiquetas a los términos, y permite reconocer entidades con nombre biomédico como genes, proteínas o células; iv) la “lematización” con POS (part of speech) Tagger usando el set Penn Treebank adicionándose la biblioteca de PNL Stanford Core; v) la conversión de los términos a mayúsculas.

Los datos de publicaciones por año se utilizaron para rea lizar predicción (forecasting). La predicción de 2017 a 2025 se generó empleando la versión AAA del algoritmo de Suavizado Exponencial (Exponential Smoothing, ETS), incluyendo un intervalo de confianza. El resultado de la predicción se validó comparando las predicciones para 2018 y 2019 con los datos reales existentes de esos años.

Los datos de publicaciones se cotejaron con índices eco nómicos para la Argentina obtenidos del Banco Mundial, el Instituto de Estadística de la Organización de las Naciones Unidas para la Educación, la Ciencia y la Cultura (UNESCO), el Ministerio de Hacienda (datos 1972-2003, https://www.minhacienda.gob.ar/onp/documentos/series/Serie6506.pdf), el Presupuesto abierto (datos 2004-2018, https://www.pre supuestoabierto.gob.ar/sici/datos-abiertos# (consultado julio 2020), el Presupuesto 2020 (estimado 2019) y https://www.argentina.gob.ar/economia.

Resultados

El portal ePMC permite realizar búsquedas avanzadas en publicaciones sobre ciencias de la vida. Desarrollado por el European Bioinformatics Institute (EMBL-EBI), está asociado a EPMC Central, Agricola y otras fuentes bibliográficas. Para la selección de publicaciones, dentro de la opción “búsqueda” del portal, ubicamos el término “Argentina” en el campo bibliográfico Affiliation (Aff), de jando el resto de los campos en blanco. De esta forma se seleccionaron los artículos indexados donde se especi fica a la Argentina como el lugar de pertenencia de uno o más de sus autores. El resultado de la búsqueda fue de alrededor de 77 500 trabajos al momento de escribir este artículo. Vale señalar que el número de resultados varía continuamente, ya sea porque siguen agregándose nuevos artículos a la base de datos o porque se realiza alguna corrección en la misma. Al delimitar temporalmente la búsqueda hasta el año 2019 inclusive, el número re sultante fue de 75 294 artículos.

La Figura 1 muestra el número de publicaciones indexadas y su variación a lo largo de los años, su proyección, y una asociación a parámetros económicos. Una primera conclusión es que recién pasada la mitad de la década de los 80 comienza una verdadera carga de datos de filiaciones en el repositorio. Se observa un cambio de tendencia en el número de publicaciones a partir de 2006 que, en un principio, podría ser atribuible al mayor porcentaje del Producto Interno Bruto (PIB) dirigido a Ciencia y Técnica en el país (ver inserto). Sin embargo, al considerar períodos largos desde el regreso de la democracia a la Argentina, no aparece una correlación directa de los valores normalizados de este porcentaje y del de fondos del Presupuesto nacional dirigido a Ciencia y Técnica. La Figura 1 también muestra la predicción sobre futuras publicacio nes hasta el año 2025. Se hizo a partir del año 2017, y el número real de publicaciones de los años 2018 y 2019 se tomó como control para la predicción. Como puede observarse, para esos años las curvas real y predictiva se superponen.

Fig. 1 Variación del número de publicaciones a lo largo del tiempo. Parámetros económicos 

Cuando se analiza dónde fueron publicados los artículos, se detectan 5063 sitios de publicación. De las 30 editoras con más publicaciones (Fig. 2), 4 son ar gentinas (flechas negras) y 4 del resto de Latinoamérica (flechas blancas). La revista argentina Medicina (Buenos Aires) encabeza la lista de medios con mayor número de publicaciones (1842 artículos). Junto a Revista Argentina de Microbiología (1229 artículos) suman casi un 4% del total de publicaciones.

Fig. 2 Principales sitios de publicación de artículos 

Respecto de las autorías de las publicaciones, se de tectaron 1 067 535 firmas de 186 410 autores únicos de diversas nacionalidades. El promedio es de 14 autores por publicación, un dato a priori llamativo. La explicación radica en que varios títulos son firmados por consorcios de autores (como ejemplo extremo, un artículo de 2015 tiene 5159 autores⁷). Si se focaliza el análisis sobre los artículos con un máximo de 11 autores (el 93% del total de artículos de nuestra base), los trabajos con 4 autores son los más frecuentes (Fig. 3). Del análisis de primeros autores con filiación argentina, aparecen 43 186 firmas, que corresponden a 29 171 autores únicos.

Fig. 3 Número de autores por artículo 

Además de la filiación argentina, se detectaron fi liaciones de 161 países, lo que da cuenta de una gran red de colaboraciones de los autores argentinos con otros trabajando en diferentes instituciones de todo el mundo. Actualmente (2020) hay 193 países soberanos reconocidos por la ONU en el mundo⁸. Cabe aclarar que varios países cambiaron de nombre, o se han dividido o fusionado en el período de tiempo estudiado. Los 15 países que comparten la mayor cantidad de autorías con la Argentina se muestran en la Figura 4. Del total de filiaciones detectadas (812 811), estos 16 países repre sentan el 87%. Quedó sin determinar en forma automática un 0.6% de las filiaciones. EE.UU. encabeza el número de colaboraciones. El único país latinoamericano que aparece en esta lista de colaboradores es Brasil.

Fig. 4 Quince países que comparten la mayor cantidad de autorías con la Argentina 

Los 70 798 resúmenes a los que hemos tenido acceso en nuestra búsqueda representan el 94% del total de publicaciones. El primer resumen detectado es el de una publicación de Bernardo Houssay y col. del año 19419. Los resúmenes fueron agrupados por décadas a partir de 1980 para estudiar la evolución temporal de los tér minos utilizados por los autores (Tablas 1 y 2). Mediante herramientas de análisis semántico obtuvimos el listado de palabras usadas en los resúmenes y su frecuencia.

Tabla 1 Estadística de resúmenes agrupados por períodos 

Tabla 2 Uso de palabras en los resúmenes a lo largo del tiempo 

El número de resúmenes aumenta significativamente a medida que pasan los años y aumenta el número de publicaciones (comparar con Fig. 1). También se incre menta, por lo tanto, el número de unidades gramaticales totales (o tokens) contado en cada década. El aumento de unidades gramaticales diferentes (formas o types) denota la aparición de términos nuevos en el lenguaje utilizado por los autores.

En una segunda etapa se seleccionaron las primeras 100 palabras más frecuentes del listado para cada déca da. Nuestra hipótesis es que las palabras más frecuentes dan indicios de tendencias temáticas y técnicas, así como una indicación de la importancia dada a los términos seleccionados en cada década.

Algunas palabras muy usadas en los resúmenes (como por ejemplo study, use, result, entre otras) tienen poco peso para el análisis que proponemos, por lo que fueron excluidas de esta parte del estudio. En la Tabla 2 se muestran ejemplos de palabras específicas del ámbito científico. Los números representan su posición en la lista de palabras más usadas a lo largo del tiempo. Para el análisis, las palabras se presentan según su ordenación en la última década (2010-2019). Esto permite observar que muchos términos utilizados conspicuamente en los últimos años no tuvieron la misma preponderancia en otras décadas.

El corpus de resúmenes se usó para la identificación no supervisada de 30 temas, mediante un modelo ge nerativo de aprendizaje automático (machine learning). Las palabras clave relevantes no fueron especificadas previamente, sino determinadas por el mismo sistema de análisis. El algoritmo probabilístico se basa en supuestos estadísticos como: i) el orden de las palabras y el de los documentos no es importante; ii) el número de temas se estipula por anticipado; iii) una misma palabra puede pertenecer a varios temas. Los temas con sus palabras características, determinados del modo descripto, se muestran en la Tabla 3.

Tabla 3 Agrupación temática automatizada 

También se detectó en forma automatizada la mención de enfermedades en el texto de los resúmenes. Se partió de una lista original de aproximadamente 16 500 enferme dades¹⁰, curada y reducida por agrupamiento a una lista de poco más de 1700, que fue la utilizada para buscar concordancias en el texto. El resultado fue la detección de 514 afecciones mencionadas en 31 000 resúmenes. La Figura 5 muestra el porcentaje de menciones de enfer medades que agrupan el 60% de las detectadas, lo que señala tendencias en la selección de temas de estudio por parte de los autores.

Fig. 5 Porcentaje de enfermedades mencionadas en los resúmenes de los artículos 

Con el fin de buscar relaciones entre las enfermedades estudiadas y su tratamiento, el corpus de resúmenes se utilizó también para estudiar la mención, por parte de los autores, de alguna de las 2067 sustancias aprobadas por Food and Drug Administration (FDA), agencia del gobierno de los EE.UU. responsable de la regulación de medicamentos¹¹. De estas sustancias, 744 se mencionan al menos una vez en 15 182 resúmenes. Las mencionadas más de 150 veces se muestran en la Figura 6.

Fig. 6 Sustancias aprobadas por Food and Drug Administration (FDA) mencionadas en los resúmenes 

En la lista completa de la FDA aparecen términos que describen componentes comunes a los organismos biológicos y metabolitos (calcio, óxido nítrico, aminoácidos, etc.)¹². Excluyendo estos términos, dicha lista se redujo a 436 drogas, que se clasificaron empleando dos categorías: i) por sitio de acción; ii) por mecanismo de acción. Debe tenerse en cuenta que estas agrupaciones tienen limita ciones, ya que un mismo fármaco puede tener más de un sitio y/o mecanismo de acción. Las primeras 10 cate gorías de drogas por sitio de acción (n = 364; 83,5%) y por mecanismo de acción (n = 139; 31,9%) aparecen en las Figura 7 A y B, respectivamente.

Fig. 7 Agrupaciones de drogas aprobadas por Food and Drug Administration (FDA) men cionadas en los resúmenes 

Al compararse las Figuras 5 y 7, se observa que no hay una correlación directa entre los porcentajes de enfermedades estudiadas y de drogas aprobadas para su tratamiento. Podría concluirse que los estudios científicos sobre afecciones incluyen no solo el trabajo con estas drogas sino también con otros enfoques, como nuevas técnicas o testeos con sustancias todavía no aprobadas para su uso medicinal.

Discusión

Si bien existen antecedentes de la minería de texto sobre temas relacionados con la salud¹³, entendemos que es la primera vez que se presenta un estudio exhaustivo con esta herramienta sobre una masa temporal y cuantitativamente extensa de trabajos con participación argentina en el campo de las ciencias de la vida. La metodología aplicada permitió relacionar datos previamente dispersos, no estructurados, y presentarlos de forma compacta y estructurada.

Los datos fueron analizados sin ningún sesgo, como el factor de impacto de los sitios de publicación, el grupo de trabajo o los países involucrados, dando objetividad al análisis realizado.

No todos los artículos indexados en ePMC mencionan la filiación de sus autores, especialmente los más anti guos. Como ejemplo, si se hace una búsqueda de las publicaciones que firma Luis Federico Leloir (Leloir LF), resultan 85 trabajos; si a la misma búsqueda se agrega Aff=Argentina, el resultado disminuye a solo 2 trabajos. Teniendo en cuenta esta carencia, es probable que el número de publicaciones obtenido con nuestra búsque da subestime el real; de todas formas, sigue siendo un número significativo para la estadística que presentamos.

Este trabajo nos permitió concluir que i) el número de publicaciones indexadas con participación argentina aumentó sostenidamente en los últimos 35 años, con un primer cambio en la tasa de publicaciones en 1986 y un segundo en 2006 (Figura 1); ii) la comunidad científica argentina publicó artículos relacionados con enfermedades de impacto en el país, aunque los temas tratados no se limitan exclusivamente a ellas (Tabla 3 y Figura 5); iii) existe una relación entre las enfermedades que se estudian y la búsqueda de tratamientos, más allá del uso de drogas ya aprobadas (Tabla 2, Fig. 5 y 7); iv) hay un trabajo colaborativo importante de cien tíficos en la Argentina con investigadores extranjeros de 161 países.

Considerando los medios de publicación elegidos por los autores, la revista argentina Medicina (Buenos Aires) encabeza la lista de medios detectados. La revista es leída y consultada principalmente por profesionales argentinos y de países de habla hispana. Citando, sus artículos son “una retribución a la inversión que el país (la Argentina) ha hecho en su sistema científico”¹⁴. En relación al sistema científico vigente, es innegable que las revistas con mayor factor de impacto se publican en inglés, y tienen mayor peso en evaluaciones y promociones de sus autores. Sin em bargo, marcando un déficit, “la hipercentralidad del inglés en ese sistema de publicaciones contribuyó al abandono paulatino de las lenguas locales, con el empobrecimiento cultural que conlleva y el efecto negativo que tiene en las posibilidades de vinculación entre la sociedad y la produc ción de conocimientos”, como señalan Beigel y Gallardo¹⁵.

En el análisis de palabras en los resúmenes se observa el uso de nuevos términos por parte de los autores a me dida que pasan los años (Tabla 1), probablemente debido al desarrollo de técnicas novedosas y al descubrimiento de estructuras que conllevan la utilización de nuevos sustantivos y verbos.

En los resúmenes aparecen también términos utili zados conspicuamente en los últimos años pero que no tuvieron la misma preponderancia en otras décadas. Uno de ellos es model (en relación con modelos animales, matemáticos, informáticos, etc.). Esto podría deberse a una tendencia en la construcción de modelos a partir de la información científica obtenida en décadas anteriores, que más tarde pudieron integrarse.

El corpus general y fraccionado en décadas muestra el énfasis puesto en el paciente (patient) en todas las épocas analizadas, así como un enfoque de trabajo dirigido al estudio a nivel de la célula (cell).

La posición que ocupa la palabra treatment (trata miento), a lo largo de las décadas analizadas, puede asociarse, más allá de su polisemia, con la propuesta de tratamientos para las enfermedades abarcadas en los estudios publicados; su aparición en los resúmenes permitiría descartar su uso con significado de metodología en el procesamiento de muestras.

En cuanto a la detección no supervisada de temas, consideramos que la metodología aplicada permite una agrupación que es difícil de obtener sin herramientas digi tales, sobre todo cuando se trata de bases de datos como la utilizada, con decenas de miles de publicaciones. El análisis de agrupamientos y palabras clave abren la posi bilidad de un seguimiento objetivo de intereses científicos que de otra forma permanecen ocultos. Los resultados pueden implementarse como forma de analizar las deci siones de los autores para elegir temas de investigación, y así detectar posibles avances y déficits en el marco de una política científica organizadora.

Con respecto a las predicciones, entendemos que este estudio debe tomarse con recaudo, ya que no puede aseverarse la dirección futura de un tema de investigación, especialmente debido a la posibilidad de aparición de eventos singulares como la enfermedad por coronavirus (COVID-19) declarada pandemia en 2020, que está te niendo fuertes implicancias en la reconversión de temas y el redireccionamiento del financiamiento. Sin embargo, junto con la mencionada identificación de temas de estu dio, las predicciones y proyecciones pueden ayudar a la toma de decisiones por parte del Estado, las instituciones y los equipos de trabajo, aumentando la eficiencia en el uso de los recursos otorgados a la investigación.

Tenemos conocimiento de la publicación de artículos que aplican minería de textos sobre un corpus compuesto por el texto completo de las publicaciones y no solo sobre los resúmenes¹⁶. El mayor volumen de texto, y por ende la mayor cantidad de datos, favorecería en principio la riqueza del análisis. Sin embargo, consideramos que la información acotada que los autores vuelcan en el título, y sobre todo en los resúmenes de sus trabajos, contiene las ideas principales a ser estudiadas, lo cual es consistente con los fines que nos propusimos. Más aun, el cuerpo entero de la publicación puede contener información redundante y distractora del centro del análisis, además de implicar un alto costo en tiempo computacional, no siempre disponible en las instituciones. El flujo de tra bajo que presentamos y la metodología que aplicamos permiten un análisis riguroso y fiable mediante el uso de computadoras presentes en casi todos los laboratorios de investigación, demostrando que el uso de minería de texto puede aplicarse con relativa facilidad al estudio de otros temas similares.

Adicionalmente a la obtención de los resultados men cionados, la utilización de la minería de textos sobre publi caciones científicas puede considerarse una contribución para imaginar formas innovadoras de abordar los datos científicos, en un esfuerzo por mejorar campos como la prevención, la investigación y el tratamiento de muchas enfermedades y otros aspectos pertinentes en el ámbito de la salud humana mundial.