Los médicos a menudo están inundados por señales de gráficos, resultados de pruebas y otras métricas para realizar un seguimiento. Puede ser difícil integrar y monitorear todos estos datos para múltiples pacientes mientras se toman decisiones de tratamiento en tiempo real, especialmente cuando los datos están documentadosinconsistentemente en los hospitales.
En un nuevo par de documentos, los investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial CSAIL del MIT exploran formas en que las computadoras ayudan a los médicos a tomar mejores decisiones médicas.
Un equipo creó un enfoque de aprendizaje automático llamado "Intervención en la UCI" que toma grandes cantidades de datos de la unidad de cuidados intensivos UCI, desde signos vitales y laboratorios hasta notas y datos demográficos, para determinar qué tipos de tratamientos son necesarios para diferentes síntomasEl sistema utiliza el "aprendizaje profundo" para hacer predicciones en tiempo real, aprender de casos pasados de la UCI para hacer sugerencias de cuidados críticos, al tiempo que explica el razonamiento detrás de estas decisiones.
"El sistema podría ser una ayuda para los médicos en la UCI, que es un entorno de alto estrés y alta demanda", dice el estudiante de doctorado Harini Suresh, autor principal del artículo sobre ICU Intervene. "El objetivo es aprovechardatos de registros médicos para mejorar la atención médica y predecir intervenciones accionables ".
Otro equipo desarrolló un enfoque llamado "EHR Model Transfer" que puede facilitar la aplicación de modelos predictivos en un sistema de registro electrónico de salud EHR, a pesar de estar capacitado en datos de un sistema EHR diferente. Específicamente, utilizando este enfoque, el equipo mostróque los modelos predictivos de mortalidad y estadía prolongada pueden entrenarse en un sistema EHR y usarse para hacer predicciones en otro.
ICU Intervene fue co-desarrollado por Suresh, el estudiante universitario Nathan Hunt, el postdoctorado Alistair Johnson, el investigador Leo Anthony Celi, el profesor del MIT Peter Szolovits y la estudiante de doctorado Marzyeh Ghassemi. Fue presentado este mes en la Conferencia de Aprendizaje automático para la atención médica en Boston.
EHR Model Transfer fue co-desarrollado por los autores principales Jen Gong y Tristan Naumann, ambos estudiantes de doctorado en CSAIL, así como Szolovits y John Guttag, quien es el profesor Dugald C. Jackson en Ingeniería Eléctrica. Fue presentado en la ACM'sGrupo de interés especial sobre descubrimiento de conocimiento y minería de datos en Halifax, Canadá.
Ambos modelos fueron entrenados utilizando datos de la base de datos de cuidados críticos MIMIC, que incluye datos sin identificar de aproximadamente 40,000 pacientes de cuidados críticos y fue desarrollado por el Laboratorio de Fisiología Computacional del MIT.
Intervención en la UCI
Los datos integrados en la UCI son vitales para automatizar el proceso de predicción de los resultados de salud de los pacientes.
"Gran parte del trabajo previo en la toma de decisiones clínicas se ha centrado en resultados como la mortalidad probabilidad de muerte, mientras que este trabajo predice tratamientos accionables", dice Suresh. "Además, el sistema puede usar un solo modelopara predecir muchos resultados "
ICU Intervene se centra en la predicción por hora de cinco intervenciones diferentes que cubren una amplia variedad de necesidades de cuidados críticos, como asistencia respiratoria, mejora de la función cardiovascular, disminución de la presión arterial y terapia de fluidos.
En cada hora, el sistema extrae valores de los datos que representan signos vitales, así como notas clínicas y otros puntos de datos. Todos los datos se representan con valores que indican qué tan lejos está el paciente del promedio hasta entoncesevaluar tratamiento adicional.
Es importante destacar que ICU Intervene puede hacer predicciones en el futuro. Por ejemplo, el modelo puede predecir si un paciente necesitará un ventilador seis horas más tarde que solo 30 minutos o una hora más tarde. El equipo también se centró en proporcionar razonamiento parapredicciones del modelo, dando a los médicos más información.
"Los modelos predictivos basados en redes neuronales profundas en medicina a menudo son criticados por su naturaleza de caja negra", dice Nigam Shah, profesor asociado de medicina en la Universidad de Stanford que no participó en el documento ". Sin embargo, estos autores predicenel comienzo y el final de las intervenciones médicas con alta precisión y pueden demostrar la interpretabilidad de las predicciones que hacen ".
El equipo descubrió que el sistema superó el trabajo previo en la predicción de intervenciones, y fue especialmente bueno para predecir la necesidad de vasopresores, un medicamento que aprieta los vasos sanguíneos y aumenta la presión arterial.
En el futuro, los investigadores intentarán mejorar la intervención en la UCI para poder brindar una atención más individualizada y proporcionar un razonamiento más avanzado para las decisiones, como por qué un paciente podría disminuir los esteroides, o por qué otro podría necesitar unprocedimiento como una endoscopia.
Transferencia de modelo EHR
Otra consideración importante para aprovechar los datos de la UCI es cómo se almacenan y qué sucede cuando se cambia ese método de almacenamiento. Los modelos de aprendizaje automático existentes necesitan que los datos se codifiquen de manera coherente, por lo que el hecho de que los hospitales a menudo cambien sus sistemas EHR puede crearproblemas importantes para el análisis y predicción de datos.
Ahí es donde entra EHR Model Transfer. El enfoque funciona en diferentes versiones de plataformas EHR, utilizando el procesamiento del lenguaje natural para identificar conceptos clínicos que están codificados de manera diferente en los sistemas y luego mapeándolos a un conjunto común de conceptos clínicos como "sangrepresión "y" frecuencia cardíaca ".
Por ejemplo, un paciente en una plataforma de EHR podría estar cambiando de hospital y necesitaría que sus datos se transfirieran a un tipo diferente de plataforma. EHR Model Transfer tiene como objetivo garantizar que el modelo aún pueda predecir aspectos de la visita a la UCI de ese paciente, como suprobabilidad de una estadía prolongada o incluso de morir en la unidad.
"Los modelos de aprendizaje automático en la atención médica a menudo sufren de baja validez externa y escasa portabilidad entre sitios", dice Shah. "Los autores diseñan una estrategia ingeniosa para utilizar el conocimiento previo en ontologías médicas para obtener una representación compartida en dos sitios quepermite que los modelos entrenados en un sitio funcionen bien en otro sitio. Estoy emocionado de ver un uso tan creativo del conocimiento médico codificado para mejorar la portabilidad de los modelos predictivos ".
Con EHR Model Transfer, el equipo probó la capacidad de su modelo para predecir dos resultados: mortalidad y la necesidad de una estadía prolongada. Lo entrenaron en una plataforma EHR y luego probaron sus predicciones en una plataforma diferente. Se encontró que EHR Model Transfersuperaron los enfoques de referencia y demostraron una mejor transferencia de modelos predictivos a través de las versiones de EHR en comparación con el uso de eventos específicos de EHR solos.
En el futuro, el equipo de EHR Model Transfer planea evaluar el sistema en datos y sistemas EHR de otros hospitales y entornos de atención.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts, CSAIL . Original escrito por Rachel Gordon. Nota: El contenido puede ser editado por estilo y longitud.
Cite esta página :