Modelo de paciente de fuente abierta supera el estándar de la industria

Crédito: Pixabay/CC0 Dominio público

Un modelo de deterioro de paciente de fuente abierta recientemente desarrollado está mejorando la atención en el sistema de salud de la Universidad de Michigan.

Ahora, un estudio publicado en el British Medical Journal demuestra que es eficaz en otros 12 centros hospitalarios de los Estados Unidos, superando en más del 21 % la precisión del ampliamente utilizado índice de deterioro EPIC.

Además de la eficacia del modelo, la forma en que se hizo señala el camino hacia el desarrollo mucho más rápido de modelos futuros, solucionando los desafíos de compartir datos confidenciales de pacientes.

Los modelos de deterioro del paciente ayudan a los médicos y enfermeras a hacer mejores decisiones sobre la atención, por ejemplo, mediante la transferencia proactiva de los pacientes de mayor riesgo a la UCI antes de que se deterioren. También pueden ayudar a los proveedores a identificar a los pacientes con el menor riesgo de complicaciones graves, pacientes que pueden beneficiarse de un alta hospitalaria más temprana o de una transferencia a un entorno de atención de menor intensidad.

«Pudimos desarrollar el modelo M-CURES en una fracción del tiempo que tomó construir modelos anteriores a través de una estrecha colaboración entre médicos y científicos de datos y al permitir que otros sistemas de salud validen el modelo sin compartir ninguno de los datos de sus pacientes», dijo Jenna Wiens, profesora asociada de ingeniería eléctrica e informática. ciencia en la UM y autor principal del artículo.

Wiens explica que la capacidad de desarrollar modelos predictivos efectivos rápidamente puede ser crucial en una situación como una pandemia, donde la acción rápida es esencial y la amenaza no se comprende bien. . El desarrollo del modelo M-CURES, dice, comenzó a principios de 2020, al comienzo de la pandemia de COVID-19. El sistema de salud de la UM, Michigan Medicine, necesitaba una mejor manera de predecir los resultados de los pacientes con COVID-19.

Los modelos predictivos usan algoritmos de aprendizaje automático que analizan grandes cantidades de datos de pacientes, «entrenándose» a sí mismos usando correlaciones en datos pasados para predecir resultados futuros. Luego, los modelos prototipo se validan utilizando aún más datos de otros pacientes.

El primer desafío del equipo fue la falta de datos para entrenar el modelo, ya que COVID-19 era tan nuevo que los datos de pacientes anteriores normalmente se usaban para entrenar los modelos simplemente no existían. Entonces, usaron datos de pacientes previos a la pandemia, identificaron un conjunto de síntomas respiratorios similares a los de la COVID-19 y extrajeron cinco años de datos de esos pacientes.

Luego, el equipo trabajó en estrecha colaboración con los médicos de Michigan Medicine para acortar el proceso, que suele durar meses, de reducir miles de puntos de datos a un puñado de indicadores predictivos clave. Desarrollaron un enfoque híbrido en el que los científicos de datos y los médicos trabajaron juntos para eliminar variables potencialmente engañosas. Eso les permitió validar la eficacia de M-CURES en Michigan Medicine en solo unas semanas.

«Nuestro enfoque híbrido para la selección de características hizo uso tanto de técnicas basadas en datos como del conocimiento experto de los médicos», dijo Fahad Kamran. , coautor del estudio junto con Shengpu Tang. Ambos son estudiantes de doctorado en informática e ingeniería en la UM. «Este tipo de colaboración nos dio confianza en el modelo final, a pesar de que había datos limitados disponibles para la validación al principio del proceso».

Para acelerar el paso crucial de validar su modelo en otros sistemas de salud, El equipo de Weins fue pionero en un enfoque para evitar el proceso de meses de obtener acceso a datos confidenciales de pacientes. En su lugar, simplemente enviaron su código recién desarrollado a equipos de otros hospitales, que aplicaron el modelo internamente e informaron los resultados. Esto permitió al equipo de Wiens validar rápidamente el modelo M-CURES en una docena de hospitales de los Estados Unidos con diferentes estructuras y datos demográficos, lo que ayudó a garantizar que el algoritmo sea preciso y equitativo.

El siguiente paso es para M -CURES para ser utilizado por los equipos de respuesta rápida de Michigan Medicine como una herramienta en tiempo real para identificar a los pacientes en riesgo de deterioro.

«Los equipos de respuesta rápida son equipos clínicos especializados que pueden actuar rápidamente para intervenir a los pacientes antes de que experimenten malos resultados», dijo Michael Sjoding, profesor asistente de medicina pulmonar y de cuidados críticos en Michigan Medicine y líder clínico de la Desarrollo de M-CURES. «Estamos entusiasmados de que el modelo M-CURES apoye este esfuerzo».

Quizás el resultado más significativo del proyecto es la capacidad de usar las tácticas desarrolladas para el modelo M-CURES para desarrollar modelos predictivos para amenazas emergentes para la salud más rápidamente en el futuro.

«Modelos como M-CURES tienen una gran promesa tanto para mejorar la atención clínica como para la asignación de recursos en los entornos de atención médica», dijo Erica Shenoy, especialista en enfermedades infecciosas en el Hospital General de Massachusetts. y un autor en el papel. «Pueden proporcionar información de pronóstico importante a los médicos en el punto de atención».

Explore más

Más rápido que COVID: un modelo informático que predice el próximo paso de la enfermedad Más información: Jenna Wiens et al, Identificación temprana de pacientes hospitalizados con COVID-19 en riesgo de Deterioro: desarrollo de modelos y estudio de validación externa en varios sitios, British Medical Journal (2022), DOI: DOI: 10.1136/bmj-2021-068576 Información de la revista: British Medical Journal (BMJ)

Proporcionado por la Cita de la Universidad de Michigan: El modelo de paciente de código abierto supera el estándar de la industria (17 de febrero de 2022) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-02-open-source -patient-tops-industry-standard.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.