Modelo de sistema de alerta temprana predice el deterioro de los pacientes con cáncer

Crédito: Unsplash/CC0 Dominio público

Alrededor del 9 % de los pacientes con cáncer experimentan complicaciones mientras están hospitalizados que conducen a un deterioro de su condición, una transferencia a la unidad de cuidados intensivos o incluso muerte. Un equipo multidisciplinario de investigadores de la Universidad de Washington en St. Louis está desarrollando un modelo de sistema de alerta temprana basado en aprendizaje automático para predecir este deterioro y mejorar los resultados de los pacientes.

Chenyang Lu, profesor Fullgraf en la Escuela de Ingeniería McKelvey, con colaboradores que incluyen a Marin Kollef, MD, profesor de medicina Golman en la Escuela de Medicina y director de la unidad médica de cuidados intensivos y servicios de cuidados respiratorios en Barnes-Jewish Hospital, y Patrick Lyons, MD, instructor de medicina en la Facultad de Medicina, desarrollaron recientemente un nuevo modelo predictivo para pacientes con cáncer hospitalizados que integra datos heterogéneos disponibles en registros de salud electrónicos (EHR).

Usando datos históricos, datos no identificados de más de 20 000 hospitalizaciones de pacientes con cáncer en el Barnes-Jewish Hospital, Lu y Dingwen Li, estudiante de doctorado en su laboratorio y primer autor del artículo, encontraron una manera de integrar dos tipos de datos valiosos en el aprendizaje profundo modelos que pueden ofrecer pistas sobre la condición de un paciente: datos estáticos o datos recopilados en el momento de la admisión, como datos demográficos, otros diagnósticos médicos o información de hospitales anteriores izaciones; y datos de series temporales, que se recopilan repetidamente durante una estadía en el hospital e incluyen la temperatura corporal, la presión arterial, la medicación y los resultados de las pruebas.

Li presentó los resultados de su trabajo el 3 de noviembre en la Conferencia de la Asociación de Maquinaria Informática sobre gestión de la información y el conocimiento.

Dado que los datos estáticos y de series temporales contienen información complementaria relacionada con el deterioro clínico, es importante que un modelo predictivo explote ambos tipos de variables para maximizar su precisión, dijo Lu.

«Hay señales tempranas ocultas en los datos que sugieren que una persona desarrollará un deterioro clínico en unas pocas horas o unos pocos días», dijo Lu, experto en Internet de las cosas, sistemas ciberfísicos y Inteligencia artificial clínica. «Los humanos no pueden ver estos patrones ocultos o tendencias en los datos, por lo que aquí es donde el aprendizaje automático es muy bueno para detectar estos patrones».

Lu y su equipo utilizaron un modelo de red neuronal recurrente (RNN) que originalmente se diseñó para los datos de series temporales y se mejoró para incorporar los datos estáticos utilizando un enfoque de fusión multimodal. Su modelo de extremo a extremo, llamado CrossNet, aprende a predecir eventos de deterioro mientras imputa con precisión cualquier dato estático o de serie temporal faltante. Este enfoque novedoso para incorporar datos estáticos y de series temporales combina el poder de los modelos recurrentes profundos y los beneficios de los datos heterogéneos en EHR.

Idealmente, un sistema de alerta temprana aprendería de los datos de un paciente las señales de que el paciente se está deteriorando, lo que activaría una alarma llamando a los proveedores de atención médica al lado de la cama. Sin embargo, uno de los riesgos con un sistema de este tipo es que una alarma sonaría con tanta frecuencia, posiblemente provocada por falsas alarmas, que los proveedores de atención médica desarrollarían fatiga de alarma y finalmente dejarían de responder.

En un caso En un estudio en entornos realistas de atención hospitalaria, Lu y el equipo establecieron un umbral de 48 notificaciones en un período de 24 horas, o una cada 30 minutos. Luego, el equipo implementó un sistema de alerta temprana más proactivo donde la tasa de alarmas puede ser alta, pero la cantidad de falsas alarmas está limitada para evitar la fatiga de alarmas. Con la misma tasa de falsas alarmas, el modelo CrossNet del equipo capturó el 39,5 % de los eventos de deterioro clínico, mientras que un modelo existente utilizado por muchos hospitales llamado Puntajes de alerta temprana modificados (MEWS, por sus siglas en inglés) capturó solo el 3,9 % de los mismos eventos.

Si bien el modelo tiene potencial, Lu está trabajando con los médicos del equipo para determinar la mejor manera de implementarlo en un entorno hospitalario.

Kollef dijo que el Barnes-Jewish Hospital ha estado usando una alerta temprana más simple sistema durante unos 15 años. Después de una evaluación, las alarmas de ese sistema se envían a un equipo de respuesta temprana que puede evaluar y clasificar a los pacientes.

«Una alerta no tiene sentido a menos que esté vinculada a una intervención», dijo Kollef. «Es fácil para alguien extraer datos de una máquina y analizarlos, pero ¿qué se hace con ellos? Ese es el desafío».

Kollef, quien ha trabajado en la unidad de cuidados intensivos durante 35 años, dijo un sistema de alerta temprana es un paso en la dirección correcta, y colaboradores como Lyons son clave para implementar dicho sistema.

«Los pacientes con cáncer a menudo están muy enfermos y son frágiles y ya son monitoreados intensamente», dijo Lyons, un médico basado en informática. «Con la quimioterapia y otros tratamientos, generan una gran cantidad de datos que son difíciles de clasificar de manera significativa. Nos gustaría usar este modelo para destilar qué datos orientarán a los proveedores de atención médica hacia una dirección clara».

Lyons dijo que el equipo está buscando financiamiento para construir una infraestructura alrededor de su modelo y probarlo para ver si mejora los procesos de atención. Mientras tanto, está organizando grupos focales con pacientes y enfermeras para determinar sus prioridades.

Explore más

El modelo del sistema de alerta temprana predice el deterioro de los pacientes con cáncer hospitalizados Más información: Dingwen Li et al, Integrating Static and Time-Series Data in Deep Recurrent Models for Oncology Early Warning Systems , Actas de la 30.ª Conferencia Internacional ACM sobre Gestión de la Información y el Conocimiento (2021). DOI: 10.1145/3459637.3482441 Proporcionado por la Universidad de Washington en St. Louis Cita: El modelo del sistema de alerta temprana predice el deterioro de los pacientes con cáncer (2021, 17 de noviembre) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/ news/2021-11-early-cancer-patients-deterioration.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.