El sistema de aprendizaje automático señala los remedios que podrían hacer más daño que bien
Un nuevo sistema de aprendizaje automático podría dar a los médicos puntuaciones de riesgo para diferentes tratamientos. Crédito: Christine Daniloff, MIT
La sepsis se cobra la vida de casi 270 000 personas en los EE. UU. cada año. La condición médica impredecible puede progresar rápidamente, lo que lleva a una rápida caída de la presión arterial, daño a los tejidos, falla multiorgánica y muerte.
Las intervenciones inmediatas de los profesionales médicos salvan vidas, pero algunos tratamientos para la sepsis también pueden contribuir al deterioro del paciente, por lo que elegir la terapia óptima puede ser una tarea difícil. Por ejemplo, en las primeras horas de una sepsis grave, la administración de demasiados líquidos por vía intravenosa puede aumentar el riesgo de muerte del paciente.
Para ayudar a los médicos a evitar remedios que puedan contribuir potencialmente a la muerte de un paciente, investigadores del MIT y de otros lugares han desarrollado un modelo de aprendizaje automático que podría usarse para identificar tratamientos que presentan un mayor riesgo que otras opciones. Su modelo también puede advertir a los médicos cuando un paciente séptico se acerca a un callejón sin salida médico, el punto en el que es muy probable que el paciente muera sin importar el tratamiento que se use, para que puedan intervenir antes de que sea demasiado tarde.
Cuando se aplica a un conjunto de datos de pacientes con sepsis en una unidad de cuidados intensivos de un hospital, el modelo de los investigadores indicó que alrededor del 12 por ciento de los tratamientos administrados a los pacientes que fallecieron fueron perjudiciales. El estudio también revela que alrededor del 3 por ciento de los pacientes que no sobrevivieron entraron en un callejón sin salida médico hasta 48 horas antes de morir.
«Vemos que nuestro modelo está casi ocho horas por delante del reconocimiento de un médico de el deterioro de un paciente. Esto es poderoso porque en estas situaciones tan delicadas, cada minuto cuenta, y ser consciente de cómo evoluciona el paciente y el riesgo de administrar un determinado tratamiento en un momento dado es muy importante», dice Taylor Killian, médico estudiante de posgrado en el grupo de Aprendizaje Automático Saludable del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL).
Acompañando a Killian en el artículo están su asesor, el Profesor Asistente Marzyeh Ghassemi, director del grupo de Aprendizaje Automático Saludable y autor principal; el autor principal Mehdi Fatemi, investigador principal de Microsoft Research; y Jayakumar Subramanian, científico investigador sénior de Adobe India. La investigación se presenta en la Conferencia sobre sistemas de procesamiento de información neuronal de esta semana.
Escasez de datos
Este proyecto de investigación fue impulsado por un artículo de 2019 que Fatemi escribió que exploraba el uso del aprendizaje por refuerzo en situaciones en las que es demasiado peligroso explorar acciones arbitrarias, lo que dificulta Es difícil generar suficientes datos para entrenar algoritmos de manera efectiva. Estas situaciones, en las que no se pueden recopilar más datos de manera proactiva, se conocen como configuraciones «fuera de línea».
En el aprendizaje por refuerzo, el algoritmo se entrena a través de prueba y error y aprende a tomar acciones que maximizan su acumulación de recompensa. Pero en un entorno de atención médica, es casi imposible generar suficientes datos para que estos modelos aprendan el tratamiento óptimo, ya que no es ético experimentar con posibles estrategias de tratamiento.
Entonces, los investigadores invirtieron el refuerzo aprendizaje en su cabeza. Utilizaron los datos limitados de la UCI de un hospital para entrenar un modelo de aprendizaje reforzado para identificar los tratamientos que se deben evitar, con el objetivo de evitar que un paciente entre en un callejón sin salida médico.
Aprender qué evitar es una estrategia más estadística enfoque eficiente que requiere menos datos, explica Killian.
«Cuando pensamos en callejones sin salida al conducir un automóvil, podríamos pensar que es el final del camino, pero probablemente podría clasificar cada paso a lo largo de ese camino hacia el callejón sin salida como un callejón sin salida. Tan pronto como se desvía de otra ruta, se encuentra en un callejón sin salida. Entonces, esa es la forma en que definimos un callejón sin salida médico: una vez que ha ido por un camino en el que cualquier decisión haga, el paciente progresará hacia la muerte», dice Killian.
«Una idea central aquí es disminuir la probabilidad de seleccionar cada tratamiento en proporción a su posibilidad de forzar al paciente a entrar en una muerte médica. enda propiedad que se llama seguridad de tratamiento.Este es un problema difícil de resolver ya que los datos no darnos tal idea. Nuestros resultados teóricos nos permitieron reformular esta idea central como un problema de aprendizaje por refuerzo», dice Fatemi.
Para desarrollar su enfoque, llamado Dead-end Discovery (DeD), crearon dos copias de una red neuronal. La primera red neuronal se enfoca solo en los resultados negativos cuando un paciente muere y la segunda red solo se enfoca en los resultados positivos cuando un paciente sobrevive. El uso de dos redes neuronales por separado permitió a los investigadores detectar un tratamiento riesgoso en una y luego confirmarlo usando la otra.
Alimentaron a cada red neuronal con estadísticas de salud del paciente y un tratamiento propuesto. Las redes generan un valor estimado de ese tratamiento y también evalúan la probabilidad de que el paciente entre en un callejón sin salida médico. Los investigadores compararon esas estimaciones para establecer umbrales para ver si la situación genera alguna alarma.
Una bandera amarilla significa que un paciente está entrando en un área de preocupación, mientras que una bandera roja identifica una situación en la que es muy probable que el paciente no se recupere. er.
El tratamiento importa
Los investigadores probaron su modelo utilizando un conjunto de datos de pacientes supuestamente sépticos de la unidad de cuidados intensivos del Centro Médico Beth Israel Deaconess. Este conjunto de datos contiene alrededor de 19 300 admisiones con observaciones extraídas de un período de 72 horas centrado en el momento en que los pacientes manifiestan los primeros síntomas de sepsis. Sus resultados confirmaron que algunos pacientes en el conjunto de datos encontraron callejones sin salida médicos.
Los investigadores también encontraron que entre el 20 y el 40 por ciento de los pacientes que no sobrevivieron levantaron al menos una bandera amarilla antes de su muerte, y muchos levantaron esa bandera al menos 48 horas antes de morir. Los resultados también mostraron que, al comparar las tendencias de los pacientes que sobrevivieron frente a los pacientes que fallecieron, una vez que un paciente levanta su primera bandera, hay una desviación muy marcada en el valor de los tratamientos administrados. La ventana de tiempo alrededor de la primera bandera es un punto crítico cuando se toman decisiones de tratamiento.
«Esto nos ayudó a confirmar que el tratamiento importa y el tratamiento se desvía en términos de cómo los pacientes sobreviven y cómo los pacientes no. Encontramos que más del 11 por ciento de los tratamientos subóptimos podrían haberse evitado potencialmente porque había mejores alternativas disponibles para los médicos en esos momentos. Este es un número bastante considerable, si se considera el volumen mundial de pacientes que han sido sépticos en el hospital en un momento dado. tiempo», dice Killian.
Ghassemi también se apresura a señalar que el modelo está diseñado para ayudar a los médicos, no para reemplazarlos.
«Los médicos humanos son quienes queremos que tomen decisiones sobre cuidados y consejos sobre qué tratamiento evitar no van a cambiar eso», dice ella. «Podemos reconocer los riesgos y agregar medidas de seguridad relevantes en función de los resultados de los tratamientos de 19 000 pacientes, lo que equivale a que un solo cuidador vea más de 50 resultados de pacientes sépticos todos los días durante todo un año».
En el futuro, los investigadores también quieren estimar las relaciones causales entre las decisiones de tratamiento y la evolución de la salud del paciente. Planean continuar mejorando el modelo para que pueda crear estimaciones de incertidumbre en torno a los valores del tratamiento que ayudarían a los médicos a tomar decisiones más informadas. Otra forma de proporcionar una mayor validación del modelo sería aplicarlo a los datos de otros hospitales, lo que esperan hacer en el futuro.
Explore más
Los investigadores crean un modelo para predecir los niños que probablemente sufrirán un shock séptico Más información: Callejones sin salida médicos y aprender a identificar estados y tratamientos de alto riesgo. papers.neurips.cc/paper/2021/f … 74eb7c696c-Paper.pdf Proporcionado por el Instituto Tecnológico de Massachusetts
Esta historia se vuelve a publicar por cortesía de MIT News (web.mit.edu/newsoffice/), un sitio popular que cubre noticias sobre investigación, innovación y enseñanza del MIT.
Cita: El sistema de aprendizaje automático señala los remedios que podrían hacer más daño que bien (2021, 9 de diciembre) consultado el 29 de agosto de 2022 en https://medicalxpress.com/news/2021-12 -machine-learning-flags-remedies-good.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.