Investigadores construyen modelos utilizando técnicas de aprendizaje automático para mejorar las predicciones de los resultados de COVID-19

Crédito: CC0 Dominio público

Los investigadores de Mount Sinai han publicado uno de los primeros estudios que utilizan una técnica de aprendizaje automático llamada «aprendizaje federado» para examinar la salud electrónica registros para predecir mejor cómo progresarán los pacientes con COVID-19. El estudio se publicó en el Journal of Medical Internet ResearchMedical Informatics el 18 de enero.

Los investigadores dijeron que la técnica emergente promete crear modelos de aprendizaje automático más sólidos que se extiendan más allá de un solo sistema de salud sin comprometer la privacidad del paciente. Estos modelos, a su vez, pueden ayudar a clasificar a los pacientes y mejorar la calidad de su atención.

El aprendizaje federado es una técnica que entrena un algoritmo en varios dispositivos o servidores que contienen muestras de datos locales, pero evita la agregación de datos clínicos, que es indeseable por razones que incluyen problemas de privacidad del paciente. Los investigadores de Mount Sinai implementaron y evaluaron modelos de aprendizaje federados utilizando datos de registros de salud electrónicos en cinco hospitales separados dentro del Sistema de Salud para predecir la mortalidad en pacientes con COVID-19. Compararon el rendimiento de un modelo federado con los creados con datos de cada hospital por separado, denominados modelos locales. Después de entrenar sus modelos en una red federada y probar los datos de los modelos locales en cada hospital, los investigadores encontraron que los modelos federados demostraron un mayor poder predictivo y superaron a los modelos locales en la mayoría de los hospitales.

«Modelos de aprendizaje automático en el cuidado de la salud a menudo requieren datos diversos y a gran escala para ser sólidos y traducibles fuera de la población de pacientes en la que fueron capacitados», dijo el autor correspondiente del estudio, Benjamin Glicksberg, Ph.D., Profesor Asistente de Genética y Ciencias Genómicas en el Icahn Facultad de Medicina de Mount Sinai y miembro del Instituto Hasso Plattner de Salud Digital de Mount Sinai y del Centro de Inteligencia Clínica de Mount Sinai. «El aprendizaje federado está ganando terreno dentro del espacio biomédico como una forma de que los modelos aprendan de muchas fuentes sin exponer ningún dato confidencial del paciente. En nuestro trabajo, demostramos que esta estrategia puede ser particularmente útil en situaciones como la COVID-19».

Los modelos de aprendizaje automático construidos dentro de un hospital no siempre son efectivos para otras poblaciones de pacientes, en parte debido a que los modelos se entrenan con datos de un solo grupo de pacientes que no es representativo de toda la población.

«El aprendizaje automático en el cuidado de la salud continúa sufriendo una crisis de reproducibilidad», dijo el primer autor del estudio, Akhil Vaid, MD, becario postdoctoral en el Departamento de Genética y Ciencias Genómicas de la Escuela de Medicina Icahn en Mount Sinai, y miembro del Instituto Hasso Plattner para la Salud Digital en Mount Sinai y el Centro de Inteligencia Clínica de Mount Sinai. «Esperamos que este trabajo muestre los beneficios y las limitaciones del uso del aprendizaje federado con registros de salud electrónicos para una enfermedad que tiene una escasez relativa de datos en un hospital individual. Los modelos creados con este enfoque federado superan a los creados por separado a partir de muestras limitadas de hospitales aislados. Será emocionante ver los resultados de iniciativas más grandes de este tipo».

Explore más

Desarrollo de modelos de aprendizaje automático para predecir enfermedades críticas y mortalidad en pacientes con COVID-19 Proporcionado por The Mount Sinai Hospital Cita: Investigadores construyen modelos utilizando técnicas de aprendizaje automático para mejorar las predicciones de Resultados de COVID-19 (2021, 18 de enero) recuperados el 30 de agosto de 2022 de https://medicalxpress.com/news/2021-01-machine-technique-covid-outcomes.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.