Los médicos en las unidades de cuidados intensivos se enfrentan a un dilema continuo: cada análisis de sangre que soliciten podría generar información crítica, pero también agrega costos y riesgos para los pacientes. Para abordar este desafío, los investigadores de la Universidad de Princeton están desarrollando un enfoque computacional para ayudar a los médicos de manera más efectivasupervisar las condiciones de los pacientes y tomar decisiones sobre las mejores oportunidades para ordenar pruebas de laboratorio para pacientes específicos.
Utilizando datos de más de 6,000 pacientes, los estudiantes graduados Li-Fang Cheng y Niranjani Prasad trabajaron con la profesora asociada de ciencias de la computación Barbara Engelhardt para diseñar un sistema que pudiera reducir la frecuencia de las pruebas y mejorar el tiempo de los tratamientos críticos. El equipopresentó sus resultados el 6 de enero en el Simposio del Pacífico sobre biocomputación en Hawai.
El análisis se centró en cuatro análisis de sangre que miden lactato, creatinina, nitrógeno ureico en sangre y glóbulos blancos. Estos indicadores se utilizan para diagnosticar dos problemas peligrosos para los pacientes de la UCI: insuficiencia renal o una infección sistémica llamada sepsis.
"Dado que uno de nuestros objetivos era pensar en si podríamos reducir la cantidad de pruebas de laboratorio, comenzamos a mirar los paneles [de análisis de sangre] que están más ordenados", dijo Cheng, coautor principal del estudio junto conPrasad.
Los investigadores trabajaron con la base de datos MIMIC III, que incluye registros detallados de 58,000 admisiones de cuidados críticos en el Centro Médico Beth Israel Deaconess en Boston. Para el estudio, los investigadores seleccionaron un subconjunto de 6,060 registros de adultos que permanecieron en la UCI entreuno y 20 días y tenía mediciones para signos vitales comunes y pruebas de laboratorio.
"Estos datos médicos, en la escala de la que estamos hablando, básicamente estuvieron disponibles en el último año o dos de manera que podamos analizarlos con métodos de aprendizaje automático", dijo Engelhardt, autor principal del estudio ".Eso es súper emocionante y una gran oportunidad ".
El algoritmo del equipo utiliza una "función de recompensa" que fomenta un orden de prueba basado en qué tan informativa es la prueba en un momento dado. Es decir, hay una mayor recompensa en la administración de una prueba si hay una mayor probabilidad de que el estado de un paciente seasignificativamente diferente de la última medición, y si el resultado de la prueba es probable que sugiera una intervención clínica, como iniciar antibióticos o ayudar a respirar a través de ventilación mecánica. Al mismo tiempo, la función agrega una penalización por el costo monetario de la prueba y el riesgo para el pacientePrasad señaló que, dependiendo de la situación, un clínico podría decidir priorizar uno de estos componentes sobre otros.
Este enfoque, conocido como aprendizaje de refuerzo, tiene como objetivo recomendar decisiones que maximicen la función de recompensa. Esto trata el problema de las pruebas médicas "como el problema de la toma de decisiones secuenciales, en el que se tienen en cuenta todas las decisiones y todos los estados en los que se encuentra"he visto en el período de tiempo pasado y decidir qué debe hacer en un momento actual para maximizar las recompensas a largo plazo para el paciente ", explicó Prasad, un estudiante graduado en ciencias de la computación.
La clasificación de esta información de manera oportuna para un entorno clínico requiere una potencia informática considerable, dijo Engelhardt, miembro de la facultad asociada del Instituto Princeton de Ciencias e Ingeniería Computacional PICSciE. Cheng, una estudiante graduada de ingeniería eléctrica, trabajó con ella.la co-asesora Kai Li, la profesora Paul M. y Marcia R. Wythes en Ciencias de la Computación, para ejecutar los cálculos del equipo utilizando recursos PICSciE.
Para probar la utilidad de la política de pruebas de laboratorio que desarrollaron, los investigadores compararon los valores de la función de recompensa que habrían resultado de aplicar su política a los regímenes de prueba que realmente se utilizaron para los 6.060 pacientes en el conjunto de datos de entrenamiento, que fueron admitidosa la UCI entre 2001 y 2012. También compararon estos valores con los que habrían resultado de políticas aleatorias de pruebas de laboratorio.
Para cada componente de prueba y recompensa, la política generada por el algoritmo de aprendizaje automático habría llevado a mejores valores de recompensa en comparación con las políticas reales utilizadas en el hospital. En la mayoría de los casos, el algoritmo también superó las políticas aleatorias. La prueba de lactato fue una notable excepción; esto podría explicarse por la frecuencia relativamente baja de las órdenes de prueba de lactato, lo que lleva a un alto grado de variación en la información de la prueba.
En general, el análisis de los investigadores mostró que su política optimizada habría producido más información que el régimen de prueba real que siguieron los médicos. El uso del algoritmo podría haber reducido el número de pedidos de pruebas de laboratorio hasta en un 44 por ciento en el caso depruebas de glóbulos blancos. También mostraron que este enfoque habría ayudado a informar a los médicos a intervenir algunas veces antes cuando la condición de un paciente comenzó a deteriorarse.
"Con la política de pedido de pruebas de laboratorio que desarrolló este método, pudimos ordenar laboratorios para determinar que la salud del paciente se había degradado lo suficiente como para necesitar tratamiento, en promedio, cuatro horas antes de que el médico realmente iniciara el tratamiento basado en los laboratorios ordenados por el médico,"dijo Engelhardt.
"Hay una escasez de pautas basadas en la evidencia en cuidados críticos con respecto a la frecuencia apropiada de las mediciones de laboratorio", dijo Shamim Nemati, profesor asistente de informática biomédica en la Universidad de Emory que no participó en el estudio ". Enfoques basados en datoscomo el propuesto por Cheng y los coautores, cuando se combinan con una visión más profunda del flujo de trabajo clínico, tienen el potencial de reducir la carga de gráficos y el costo de las pruebas excesivas, y mejorar la conciencia situacional y los resultados ".
El grupo de Engelhardt está colaborando con científicos de datos en el Equipo de Salud Predictiva de Penn Medicine para introducir esta política en la clínica en los próximos años. Tales esfuerzos tienen como objetivo "dar a los médicos las superpotencias que otras personas en otros dominios están recibiendo", dijo PennCorey Chivers, científico principal de datos: "Tener acceso al aprendizaje automático, la inteligencia artificial y el modelado estadístico con grandes cantidades de datos" ayudará a los médicos a "tomar mejores decisiones y, en última instancia, mejorar los resultados de los pacientes", agregó.
"Esta es una de las primeras veces que podremos adoptar este enfoque de aprendizaje automático y realmente ponerlo en la UCI, o en un entorno hospitalario para pacientes hospitalizados, y asesorar a los cuidadores de una manera que los pacientes no seránen riesgo ", dijo Engelhardt." Eso es realmente algo novedoso ".
Este trabajo fue apoyado por el Fondo Helen Shipley Hunt, que apoya la investigación dirigida a mejorar la salud humana; y el Fondo Eric and Wendy Schmidt para la Innovación Estratégica, que apoya la investigación en inteligencia artificial y aprendizaje automático.
Fuente de la historia :
Materiales proporcionado por Universidad de Princeton, Escuela de Ingeniería . Nota: El contenido puede ser editado por estilo y longitud.
Cite esta página :