La nueva herramienta de aprendizaje automático facilita el análisis de la información de salud y la previsión clínica
La investigación clínica requiere que los datos se extraigan para obtener información. El aprendizaje automático, que desarrolla algoritmos para encontrar patrones, tiene dificultades para hacer esto con los datos relacionados con los registros de salud porque este tipo de información no es estática ni se recopila regularmente. Un nuevo estudio desarrolló una herramienta de aprendizaje automático transparente y reproducible para facilitar el análisis de la información de salud. La herramienta se puede utilizar en pronósticos clínicos, que pueden predecir tendencias y resultados en pacientes individuales.
El estudio, realizado por un investigador de la Universidad Carnegie Mellon (CMU), aparece en Proceedings of Machine Learning Research.
«Temporal Learning Lite, o TL-Lite, es una herramienta de visualización y pronóstico para unir la brecha entre la visualización clínica y el análisis de aprendizaje automático», explica Jeremy Weiss, profesor asistente de informática de la salud en el Heinz College de CMU, autor del estudio. «Si bien los elementos individuales de esta herramienta son bien conocidos, su integración en una herramienta de investigación clínica interactiva es nueva y útil para los profesionales de la salud. Con la familiarización, los usuarios pueden realizar análisis preliminares en minutos».
El tiempo es un parte clave de los datos clínicos que se recopilan en la prestación de atención médica. Por ejemplo, durante las conversaciones de los pacientes en las rondas, en las que los médicos visitan a los pacientes del hospital para determinar cómo están, el personal médico utiliza ayudas visuales que representan medidas de progresión y recuperación. Dado que los registros de salud electrónicos se han adoptado ampliamente, se han realizado avances significativos en la visualización de datos clínicos, así como en el pronóstico clínico. Sin embargo, queda una brecha entre los dos.
TL-Lite comienza con visualizaciones de información de bases de datos y termina con evaluaciones de riesgo visuales de un modelo temporal. En el camino, los usuarios pueden ver los efectos de sus elecciones de diseño a través de resúmenes visuales a nivel de individuos y grupos. Esto permite a los usuarios comprender sus datos de manera más completa y ajustar la configuración de aprendizaje automático para su análisis.
Para mostrar cómo se puede usar la herramienta, Weiss demostró el modelo con tres registros de salud electrónicos relacionados con tres asuntos de salud: predecir trombocitopenia severa (tener niveles anormalmente bajos de plaquetas en la sangre) durante las estancias en la unidad de cuidados intensivos (UCI) entre pacientes con sepsis, predecir la supervivencia de los pacientes ingresados en la UCI un día después de la admisión y predecir complicaciones microvasculares de la diabetes tipo 2 entre pacientes con la enfermedad.
«El objetivo central de TL-Lite es facilitar un pronóstico predictivo bien diseñado y bien especificado, y esta herramienta de visualización pretende facilitar el proceso», dice Weiss. «Al mismo tiempo, se puede ayudar a organizar el flujo de datos clínicos en visualizaciones significativas mediante la introducción de elementos de aprendizaje automático. Estos enfoques son complementarios, por lo que aprovechar los beneficios de uno donde otro encuentra obstáculos da como resultado una mejor solución general».
Explore más
Los investigadores construyen modelos utilizando técnicas de aprendizaje automático para mejorar las predicciones de los resultados de COVID-19 Más información: Visualización temporal y aprendizaje para pronósticos clínicos. procedimientos.mlr.press/v136/weiss20a.html Proporcionado por la Universidad Carnegie Mellon Cita: Nueva herramienta de aprendizaje automático facilita el análisis de información de salud, previsión clínica (2021, 25 de febrero) consultado el 30 de agosto de 2022 de https: //medicalxpress.com/news/2021-02-machine-tool-analysis-health-clinical.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.