Uso de datos de pacientes de COVID-19 para entrenar modelos de aprendizaje automático para el cuidado de la salud

Crédito: Universidad de Cambridge

Hace una semana, pedí a los gobiernos que usaran los datos existentes y el aprendizaje automático probado y técnicas de IA para ayudar a los sistemas de salud a combatir el Pandemia de COVID-19.

La respuesta fue increíble. Mi equipo y yo recibimos aliento, ideas y propuestas de colaboración.

También recibimos, por cortesía de Public Health England, un conjunto de datos (despersonalizados) sobre casos existentes de COVID-19. Junto con mi equipo en el Cambridge Center for AI in Medicine, pasé los últimos días entrenando a nuestros modelos con estos datos. Los resultados hasta ahora son extremadamente alentadores.

Entre otras cosas, queríamos demostrar que las técnicas de aprendizaje automático pueden predecir con precisión cómo COVID-19 afectará las necesidades de recursos (ventiladores, camas de UCI, etc.) a nivel individual. nivel del paciente y del hospital, lo que brinda una imagen confiable del uso futuro de los recursos y permite a los profesionales de la salud tomar decisiones bien informadas sobre cómo se pueden usar estos recursos escasos para lograr el máximo beneficio.

Basado en el datos que recibimos de Public Health England, ahora tenemos un demostrador de prueba de concepto que muestra que esto se puede hacer, en la forma de un nuevo sistema que llamamos Adjutorium.

¿No es suficiente aplanar la curva? ?

Las políticas sociales ciertamente pueden ayudar a aliviar la presión sobre los sistemas de atención médica en todo el mundo. Pero no hay garantía de que ciertos hospitales individuales no se extiendan mucho más allá de su capacidad. Además, estas medidas pueden no ser observadas adecuadamente por todos, o pueden relajarse lentamente con el tiempo. Es importante asegurarse de que los hospitales sigan armados con información que les ayude a gestionar los picos de demanda de recursos como camas de UCI o ventiladores.

Como mencioné la semana pasada, se tomarán decisiones de vida o muerte con respecto a el uso de recursos escasos como ventiladores y camas de UCI. Si está administrando o trabajando en un hospital, sería increíblemente útil (pero actualmente no es posible) tener una imagen altamente confiable del estado de uso probable de estos recursos a lo largo del tiempo.

Esto también es importante Muchos profesionales de la salud en todo el mundo se preocupan actualmente por:

Podemos ayudar a responder estas preguntas siendo inteligentes sobre cómo usamos los datos existentes sobre ingresos hospitalarios, ingresos en la UCI, uso de ventiladores, resultados de los pacientes (p. ej., alta, mortalidad), y más. Si tenemos acceso a conjuntos de datos de alta calidad que contienen dicha información, podemos usar el aprendizaje automático para responder preguntas como:

• ¿Qué pacientes tienen más probabilidades de necesitar ventiladores en una semana?
• ¿Cuántas camas de UCI libres es probable que tenga este hospital en una semana?
• ¿Cuál de estos dos pacientes obtendrá el mayor beneficio de usar un ventilador hoy?

Si bien estas preguntas se pueden responder de manera confiable utilizando las técnicas de aprendizaje automático que hemos desarrollado, no puedo enfatizar lo suficiente que las decisiones en sí mismas, por supuesto, las seguirán tomando los profesionales de la salud en función de las prioridades y políticas de su organización.

Así es como un modelo de aprendizaje automático puede ayudar a responder preguntas de una manera que sea útil para las profesiones de atención médica:

Como puede ver, a los pacientes se les asignan puntajes de riesgo según su probabilidad de ingreso en la UCI o uso del ventilador. Estos luego se agregan en todo el hospital para dar una imagen de la futura demanda de recursos.

Uso de datos de Public Health England

La semana pasada, compartí mi firme creencia de que el aprendizaje automático existente y probado Las técnicas ya pueden abordar este tipo de desafíos y pueden brindar información esencial, incluso utilizando fuentes de datos existentes (posiblemente bastante ruidosas). Gracias a los datos que recibimos de Public Health England, me siento más seguro que nunca.

Recibimos datos de casi 1700 pacientes, y ese número continúa aumentando porque el conjunto de datos se actualiza diariamente. Si bien los datos se despersonalizaron, incluyen información básica, resultados de laboratorio, detalles de hospitalización, factores de riesgo y resultados.

Enviamos estos datos a AutoPrognosis, un marco de aprendizaje automático automatizado de última generación que nuestro desarrollado por el equipo en 2018 (inicialmente para problemas cardiovasculares, pero posteriormente también para fibrosis quística y cáncer de mama, entre otros).

Para predecir la mortalidad, usamos datos de 850 pacientes para entrenar nuestro modelo y luego verificamos la precisión del modelo utilizando los resultados de otros 197 pacientes del mismo conjunto de datos. Para la predicción de ingresos en la UCI, entrenamos con datos de 950 pacientes y verificamos con datos de 285 pacientes. Para predecir la necesidad de ventilación, entrenamos con 810 pacientes y verificamos con 276 pacientes.

Llamamos al nuevo sistema que creamos «Adjutorium», que significa ayuda, asistencia o apoyo.

¿Qué aprendimos

Entonces, ¿cómo se desempeñó Adjutorium? En pocas palabras: lo hizo muy, muy bien.

Una vez entrenado con los datos de los pacientes, Adjutorium pudo hacer predicciones muy precisas sobre los pacientes cuyos datos usamos para la verificación. Fundamentalmente, logramos hacerlo con mucha más precisión que las técnicas de análisis de supervivencia existentes y ampliamente utilizadas, como la regresión de Cox o índices conocidos como el índice de comorbilidad de Charlson.

La precisión se mide mediante AUC-ROC. Más alto es mejor.

También vale la pena tener en cuenta que Adjutorium logró estos resultados con una proporción relativamente pequeña de los datos que se pudieron recopilar de los casos de COVID-19 a nivel mundial. Cuantos más datos tengamos acceso, mejor podremos entrenar a nuestros modelos y mejorar su precisión, y Adjutorium será más útil.

Próximos pasos

El progreso que hemos logrado Hasta ahora es extremadamente alentador: ahora tenemos una prueba de concepto funcional que demuestra el uso potencial del aprendizaje automático para ayudar a administrar recursos escasos como camas de UCI y ventiladores. Sin embargo, aún queda trabajo por hacer, y gran parte de esto dependerá de que se sigan recibiendo datos nuevos y de alta calidad.

Nuestra prioridad inmediata es seguir validando los modelos que hemos desarrollado. Si lo hace, nos acercará a finalizar el sistema para que lo usen los profesionales de la salud.

También necesitamos tener en nuestras manos nuevos tipos de datos que harán que nuestros modelos existentes sean aún más precisos. Específicamente, necesitamos datos longitudinales que nos permitan obtener una comprensión más profunda de la progresión de los pacientes mientras están hospitalizados (en lugar de «instantáneas» registradas irregularmente que muestran el estado de cosas en momentos específicos). Dado lo poco que se sabe sobre COVID-19, estos datos proporcionarían información valiosa. Además, esperamos datos más claros sobre el momento y los efectos de los ventiladores cuando se usan para tratar pacientes. Esto nos permitiría decir, por ejemplo, cuánto tiempo podrían o deberían haber esperado pacientes individuales antes de la ventilación para lograr los mejores resultados posibles.

También trabajaremos con el NHS y Public Health England para transformar nuestras herramientas en un sistema que los profesionales de la salud pueden usar y entender fácilmente. En este sentido, la interpretabilidad es clave: queremos asegurarnos de que los tomadores de decisiones puedan depurar y analizar la información generada por nuestro sistema.

La semana pasada, hice una presentación resumiendo nuestro progreso en un taller de COVID-19 organizado por ELLIS (Laboratorio Europeo de Aprendizaje y Sistemas Inteligentes). Puede encontrar la plataforma de diapositivas aquí y un video de mi presentación incrustado a continuación.

Explore más

Inteligencia artificial para predecir qué pacientes con COVID-19 necesitan ventiladores Proporcionado por la Universidad de Cambridge Cita: Uso de datos de pacientes con COVID-19 para entrenar modelos de aprendizaje automático para atención médica (2020, 6 de abril) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-04-covid-patient-machine-healthcare.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.