Cada año, casi 30,000 estadounidenses mueren a causa de una bacteria agresiva que infecta el intestino llamada Clostridium difficile C. difficile , que es resistente a muchos antibióticos comunes y puede prosperar cuando el tratamiento con antibióticos elimina las bacterias beneficiosas que normalmente lo mantienen a raya.Los investigadores del Hospital General de Massachusetts MGH, la Universidad de Michigan UM y el Instituto de Tecnología de Massachusetts MIT ahora han desarrollado modelos de "aprendizaje automático" en investigación, diseñados específicamente para instituciones individuales, que pueden predecir el riesgo de desarrollo de un paciente C. difficile mucho antes de lo que se diagnosticaría con los métodos actuales. Datos preliminares de su estudio, que se publica hoy en Control de infecciones y epidemiología hospitalaria , se presentaron el pasado octubre en la conferencia ID Week 2017.
"A pesar de los esfuerzos sustanciales para prevenir C. difficile infección e instituir un tratamiento temprano después del diagnóstico, las tasas de infección continúan aumentando ", dice Erica Shenoy, MD, PhD, de la División de Enfermedades Infecciosas de MGH, coautora principal del estudio y profesora asistente de medicina en Harvard MedicalEscuela. "Necesitamos mejores herramientas para identificar a los pacientes de mayor riesgo para que podamos enfocarnos tanto en intervenciones de prevención como de tratamiento para reducir la transmisión y mejorar los resultados de los pacientes"
Los autores señalan que la mayoría de los modelos anteriores de C. difficile el riesgo de infección se diseñó como enfoques de "talla única" e incluyó solo unos pocos factores de riesgo, lo que limitó su utilidad. Los coautores principales Jeeheh Oh, estudiante graduada de la UM en Ciencias de la Computación e Ingeniería, y Maggie Makar, MS,del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT y sus colegas adoptaron un enfoque de "big data" que analizó todo el registro electrónico de salud EHR para predecir el paciente C. difficile riesgo durante el curso de la hospitalización. Su método permite el desarrollo de modelos específicos de la institución que podrían acomodar a diferentes poblaciones de pacientes, diferentes sistemas de EHR y factores específicos de cada institución.
"Cuando los datos se agrupan en un modelo único para todos, las diferencias institucionales en las poblaciones de pacientes, los diseños de los hospitales, los protocolos de prueba y tratamiento, o incluso en la forma en que el personal interactúa con el EHR puede conducir a diferencias en el subyacentedistribuciones de datos y, en última instancia, al bajo rendimiento de dicho modelo ", dice Jenna Wiens, PhD, profesora asistente de Ciencias de la Computación e Ingeniería en la UM y coautora principal del estudio." Para mitigar estos problemas, adoptamos un enfoque específico de hospital, formando un modelo a medida de cada institución "
Utilizando su modelo basado en el aprendizaje automático, los investigadores analizaron datos no identificados, incluidos los datos demográficos de los pacientes individuales y el historial médico, los detalles de su admisión y hospitalización diaria, y la probabilidad de exposición a C. difficile - de los EHR de casi 257,000 pacientes ingresados en MGH o en Michigan Medicine - centro médico académico de la UM - durante períodos de dos años y seis años, respectivamente. El modelo generó puntajes de riesgo diarios para cada paciente individual que,cuando se excede un umbral establecido, clasifique a los pacientes como de alto riesgo.
En general, los modelos tuvieron mucho éxito en predecir qué pacientes serían diagnosticados en última instancia C. difficile . En la mitad de las personas infectadas, se podrían haber hecho predicciones precisas al menos cinco días antes de que se recolectaran las muestras de diagnóstico, lo que permitiría a los pacientes de mayor riesgo ser el foco de intervenciones antimicrobianas dirigidas. Si se validan en estudios prospectivos, elel puntaje de predicción de riesgo podría guiar la detección temprana C. difficile . Para los pacientes diagnosticados antes en el curso de la enfermedad, el inicio del tratamiento podría limitar la gravedad de la enfermedad y los pacientes con enfermedad confirmada C. difficile podría aislarse y establecer precauciones de contacto para evitar la transmisión a otros pacientes.
El equipo de investigación ha hecho que el código del algoritmo esté disponible gratuitamente aquí para que otros lo revisen y se adapten a sus instituciones individuales. Shenoy señala que las instalaciones que exploran la aplicación de algoritmos similares a sus propias instituciones deberán reunir a los expertos locales apropiados y validarEl desempeño de los modelos en sus instituciones.
El coautor del estudio, Vincent Young, MD, PhD, el Profesor William Henry Fitzbutler en el Departamento de Medicina Interna de la UM, agrega: "Esto representa un avance potencialmente significativo en nuestra capacidad para identificar y, en última instancia, actuar para prevenir la infección con C. difficile . La capacidad de identificar a los pacientes con mayor riesgo podría permitirnos enfocar métodos de prevención costosos y potencialmente limitados en aquellos que obtendrían el mayor beneficio potencial. Creo que este proyecto es un gran ejemplo de un enfoque de 'ciencia de equipo' para abordarpreguntas biomédicas complejas para mejorar la atención médica, que espero ver más a medida que ingresamos en la era de la salud de precisión ".
Fuente de la historia :
Materiales proporcionados por Hospital General de Massachusetts . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :