Investigadores encuentran que el aprendizaje automático es compatible con los departamentos de emergencias
Crédito: Unsplash/CC0 Dominio público
Investigadores de la Facultad de Medicina de la Universidad de Minnesota publicaron recientemente los hallazgos PLOS ONE que evaluaron el rendimiento en tiempo real de un aprendizaje automático (ML) que apoyó toma de decisiones para el alta del departamento de emergencias en los hospitales M Health Fairview.
El equipo multidisciplinario de intensivistas, hospitalistas, médicos de urgencias e informáticos evaluó el rendimiento en tiempo real de una herramienta de pronóstico de COVID-19 habilitada para ML. Esta herramienta brindó apoyo en la toma de decisiones clínicas a los proveedores del departamento de emergencias para facilitar la toma de decisiones compartida con los pacientes con respecto al alta.
«COVID-19 ha sobrecargado los sistemas de atención médica desde múltiples facetas diferentes, y encontrar formas de aliviar el estrés es crucial», dijo la Dra. Monica Lupei, profesora asistente en la Facultad de Medicina de la U of M y directora médica M Health Fairview University of Minnesota Medical CenterWest Bank.
Dirigido por el Dr. Lupei, el equipo de investigación de la Universidad desarrolló e implementó con éxito un modelo de predicción de COVID-19 en el sistema de atención médica M Health Fairview de 12 sitios que funcionó bien a través del género, la raza y el origen étnico para tres resultados diferentes. El algoritmo de regresión logística creado para predecir COVID-19 grave funcionó bien en las personas bajo investigación, aunque se desarrolló en una población positiva de COVID-19.
Drs. Christopher Tignanelli, Michael Usher, Danni Li y Nicholas Ingraham han sido fundamentales en la creación y evaluación del modelo predictivo de la COVID-19.
«Los sistemas de decisiones clínicas a través de modelos predictivos habilitados para ML pueden contribuir a la atención del paciente, reducir las variaciones indebidas en la toma de decisiones y optimizar la utilización de recursos, especialmente durante una pandemia», dijo el Dr. Lupei.
Se puede desarrollar, validar e implementar un modelo de regresión logística habilitado para ML como soporte de decisiones clínicas en múltiples hospitales mientras se mantiene un alto rendimiento en la validación en tiempo real y se mantiene equitativo.
Dr. Lupei recomienda que el efecto sobre los resultados de los pacientes y el uso de recursos debe evaluarse e investigarse más con el modelo ML.
Explore más
El equipo desarrolla un algoritmo de inteligencia artificial para analizar las radiografías de tórax en busca de COVID-19 Más información: Monica I. Lupei et al, Una evaluación prospectiva de una decisión clínica en 12 hospitales apoyar algoritmo de pronóstico basado en regresión logística como forma de aprendizaje automático para facilitar la toma de decisiones a pacientes con sospecha de COVID-19, PLOS ONE (2022). DOI: 10.1371/journal.pone.0262193 Información de la revista: PLoS ONE
Proporcionado por la Facultad de Medicina de la Universidad de Minnesota Cita: Los investigadores encuentran que el aprendizaje automático apoya a los departamentos de emergencia (2022 , 25 de enero) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-01-machine-emergency-departments.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.