Avance de la tecnología de asistencia de IA para anestesiólogos
Crédito: Pixabay/CC0 Dominio público
Un nuevo estudio realizado por investigadores del MIT y el Hospital General de Massachusetts sugiere que se acerca el día en que los sistemas avanzados de inteligencia artificial podrían ayudar a los anestesiólogos en el quirófano .
En una edición especial de Inteligencia artificial en medicina, el equipo de neurocientíficos, ingenieros y médicos demostró un algoritmo de aprendizaje automático para automatizar continuamente la dosificación del fármaco anestésico propofol. Usando una aplicación de aprendizaje de refuerzo profundo, en la que las redes neuronales del software aprendieron simultáneamente cómo sus opciones de dosificación mantienen la inconsciencia y cómo criticar la eficacia de sus propias acciones, el algoritmo superó al software más tradicional en simulaciones sofisticadas de pacientes basadas en la fisiología. También se acercó mucho al desempeño de los anestesiólogos reales al mostrar lo que haría para mantener la inconsciencia dados los datos registrados de nueve cirugías reales.
Los avances del algoritmo aumentan la viabilidad de que las computadoras mantengan la inconsciencia del paciente sin más medicamento que es necesario, lo que libera a los anestesiólogos de todas las demás responsabilidades que tienen en el quirófano, incluido asegurarse de que los pacientes permanezcan inmóviles, no experimenten dolor, permanezcan fisiológicamente estables y reciban el oxígeno adecuado, dijeron los coautores principales Gabe Schamberg y Marcus Badgeley.
«Uno puede pensar en nuestro objetivo como análogo al piloto automático de un avión donde el capitán siempre está en la cabina prestando atención», dijo Schamberg, un expostdoctorado del MIT que también es el autor correspondiente del estudio. «Los anestesiólogos tienen que monitorear simultáneamente numerosos aspectos del estado fisiológico de un paciente, por lo que tiene sentido automatizar aquellos aspectos de la atención del paciente que comprendemos bien».
Emery N. Brown, autor principal y neurocientífico de The El Instituto Picower para el Aprendizaje y la Memoria y el Instituto de Ingeniería y Ciencias Médicas del MIT y un anestesiólogo del MGH, dijeron que el potencial del algoritmo para ayudar a optimizar la dosificación de medicamentos podría mejorar la atención al paciente.
«Algoritmos como este permiten a los anestesiólogos para mantener una vigilancia más cuidadosa y casi continua sobre el paciente durante la anestesia general», dijo Brown, Edward Hood Taplin Profesor de Neurociencia Computacional y Ciencias y Tecnología de la Salud en el MIT.
Ambos actor y crítico
El equipo de investigación diseñó un enfoque de aprendizaje automático que no solo aprendería cómo dosificar propofol para mantener la inconsciencia del paciente, sino también cómo hacerlo de una manera que optimizaría la cantidad de medicamento administrado. Lo lograron dotando al software de dos redes neuronales relacionadas: un «actor» con la responsabilidad de decidir cuánta droga administrar en cada momento dado, y un «crítico» cuyo trabajo era ayudar al actor a comportarse de una manera que maximiza «recompensas» especificadas por el programador. Por ejemplo, los investigadores experimentaron entrenando el algoritmo utilizando tres recompensas diferentes: una que penalizaba solo la sobredosis, otra que cuestionaba la administración de cualquier dosis y otra que no imponía sanciones.
En todos los casos, entrenaron el algoritmo con simulaciones de pacientes que emplearon modelos avanzados tanto de farmacocinética, o la rapidez con que las dosis de propofol llegan a las regiones relevantes del cerebro después de que se administran las dosis, como de farmacodinámica, o cómo la droga realmente altera la conciencia cuando llega a su destino. Mientras tanto, los niveles de inconsciencia de los pacientes se reflejaron en la medida de las ondas cerebrales como pueden ser en los quirófanos reales. Al ejecutar cientos de rondas de simulación con un rango de valores para estas condiciones, tanto el actor como el crítico podrían aprender a desempeñar sus roles para una variedad de tipos de pacientes.
El sistema de recompensas más efectivo se volvió resultó ser la «penalización por dosis» en la que el crítico cuestionó cada dosis que dio el actor, reprendiendo constantemente al actor para que siguiera dosificando al mínimo necesario para mantener la inconsciencia. Sin ninguna penalización de dosificación, el sistema a veces dosificaba demasiado y, con solo una penalización por sobredosis, a veces daba muy poco. El modelo de «penalización de dosis» aprendió más rápidamente y produjo menos errores que los otros modelos de valor y el software estándar tradicional, un controlador «derivativo integral proporcional».
Un asesor capaz
Después Entrenando y probando el algoritmo con simulaciones, Schamberg y Badgeley pusieron la versión de «penalización de dosis» a una prueba más real alimentándola con datos de conciencia del paciente registrados de casos reales en la sala de operaciones. Las pruebas demostraron tanto las fortalezas como los límites del algoritmo.
Durante la mayoría de las pruebas, las opciones de dosificación del algoritmo coincidieron estrechamente con las de los anestesiólogos asistentes después de inducir la inconsciencia y antes de que ya no fuera necesaria. Sin embargo, el algoritmo ajustó la dosificación con una frecuencia de cada cinco segundos, mientras que los anestesiólogos (que tenían muchas otras cosas que hacer) normalmente lo hacían cada 20 o 30 minutos, anotó Badgeley.
Como las pruebas mostraron, el algoritmo no está optimizado para inducir la inconsciencia en primer lugar, reconocieron los investigadores. El software tampoco sabe por sí mismo cuándo ha terminado la cirugía, agregaron, pero es un asunto sencillo para el anestesiólogo manejar ese proceso.
Probablemente, uno de los desafíos más importantes que enfrenta cualquier sistema de IA a seguir enfrentando, dijo Schamberg, es si los datos que se le están proporcionando sobre la inconsciencia del paciente son perfectamente precisos. Otra área activa de investigación en el laboratorio Brown del MIT y MGH es mejorar la interpretación de las fuentes de datos, como las señales de ondas cerebrales, para mejorar la calidad de los datos de seguimiento de los pacientes bajo anestesia.
Explore más
Los algoritmos muestran precisión en la medición de la inconsciencia bajo anestesia general Más información: Gabriel Schamberg et al, Aprendizaje de refuerzo profundo de acción continua para la dosificación de propofol durante la anestesia general, Inteligencia artificial en medicina ( 2021). DOI: 10.1016/j.artmed.2021.102227 Proporcionado por el Instituto Tecnológico de Massachusetts Cita: Avance de la tecnología de asistencia de IA para anestesiólogos (2 de febrero de 2022) consultado el 29 de agosto de 2022 en https://medicalxpress.com /news/2022-02-advancing-technology-ai-anesthesiologists.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.