Ante decisiones dif\u00edciles: Los m\u00e9dicos deben evaluar repetidamente el riesgo de que personas con enfermedades como el COVID-19 puedan morir. En el futuro, el algoritmo de Covews podr\u00eda soportarlos. Su objetivo es ayudar a garantizar que el tratamiento se pueda ajustar a tiempo. Cr\u00e9dito: patrikslezak <\/p>\n
Estimar el riesgo de muerte de los pacientes es posiblemente uno de los desaf\u00edos m\u00e1s dif\u00edciles y estresantes que enfrentan los m\u00e9dicos. Esto ha sido especialmente cierto en medio de la pandemia global de COVID-19, con m\u00e9dicos de todo el mundo que se enfrentan repetidamente a decisiones dif\u00edciles. En el mejor de los casos, han podido ajustar tratamientos y salvar vidas. Sin embargo, en el peor de los casos, los m\u00e9dicos tienen que asignar camas escasas y m\u00e1quinas salvavidas en las unidades de cuidados intensivos. Un equipo internacional dirigido por investigadores del Instituto Max Planck para Sistemas Inteligentes ha desarrollado un algoritmo y lo ha entrenado con m\u00e9todos de aprendizaje autom\u00e1tico para ayudar a los profesionales m\u00e9dicos con las predicciones de mortalidad. El algoritmo tambi\u00e9n se puede entrenar para predecir el riesgo de mortalidad por otras enfermedades y, por lo tanto, ayudar a los m\u00e9dicos en los procesos de toma de decisiones. <\/p>\n
Si bien los m\u00e9dicos de los hospitales recopilan una gran cantidad de datos m\u00e9dicos sobre sus pacientes, incluso los especialistas a menudo no pueden predecir si una enfermedad conducir\u00e1 a la muerte de una persona hasta que sea demasiado tarde para salvarla. Con COVID-19, por ejemplo, la edad avanzada y las condiciones preexistentes son factores de riesgo relevantes para enfermedades graves, pero de ninguna manera son los \u00fanicos riesgos. La saturaci\u00f3n de ox\u00edgeno, el recuento de gl\u00f3bulos blancos y los niveles de creatinina tambi\u00e9n juegan un papel en los resultados de salud. \u00abCon estos par\u00e1metros, incluso los m\u00e9dicos experimentados no pueden reconocer patrones claros que les permitan hacer predicciones sobre el riesgo de mortalidad con la suficiente antelaci\u00f3n para ajustar el tratamiento en consecuencia\u00bb, dice Stefan Bauer, l\u00edder del grupo de investigaci\u00f3n en el Instituto Max Planck de Sistemas Inteligentes en Tbingen. Al reconocer patrones en los datos, el aprendizaje autom\u00e1tico puede proporcionar un apoyo valioso.<\/p>\n
Un equipo internacional dirigido por Stefan Bauer del Instituto Max Planck para Sistemas Inteligentes y Patrick Schwab, anteriormente de Roche, desarroll\u00f3 un algoritmo y lo entren\u00f3. para predecir el riesgo de mortalidad individual de los pacientes con COVID-19 bas\u00e1ndose en los datos de miles de pacientes de todo el mundo. Llaman al algoritmo Covews, que es la abreviatura de \u00abCOVID-19 Early Warning System\u00bb. Adem\u00e1s de los cient\u00edficos de Max Planck de Tbingen y Roche, tambi\u00e9n contribuyeron al proyecto de investigaci\u00f3n investigadores de la Universidad de Harvard, la Escuela de Medicina de Harvard, el Instituto de Tecnolog\u00eda de Massachusetts, el Hospital Universitario de Tbingen y el hospital Cantonal de Winterthur. Su art\u00edculo \u00abPredicci\u00f3n en tiempo real del riesgo de mortalidad relacionado con COVID-19 mediante registros de salud electr\u00f3nicos\u00bb se public\u00f3 hoy en Nature Communications.<\/p>\n
Predicciones con un 95 % de sensibilidad y casi un 70 % de especificidad<\/p>\n
Bas\u00e1ndose en datos m\u00e9dicos, Covews puede predecir de manera confiable el riesgo de muerte de un paciente con hasta ocho d\u00edas de anticipaci\u00f3n con una sensibilidad de m\u00e1s del 95 por ciento. Esto significa que en 95 de cada 100 casos, el algoritmo puede detectar si un paciente morir\u00e1 a menos que se tomen medidas preventivas. Al mismo tiempo, Covews trabaja con una especificidad de poco menos del 70 por ciento para una predicci\u00f3n con ocho d\u00edas de anticipaci\u00f3n, lo que significa que en aproximadamente 70 de cada 100 casos en los que se predice la muerte, los pacientes finalmente mueren. En otras palabras, el algoritmo emite una falsa alarma en solo 30 de cada 100 casos y es significativamente mejor para horizontes de tiempo m\u00e1s cortos. El algoritmo tambi\u00e9n se puede entrenar para hacer predicciones menos sensibles, pero m\u00e1s espec\u00edficas. \u00abPero detectar a todas las personas con un alto riesgo de mortalidad, si es posible, es m\u00e1s importante que predecir incorrectamente un alto riesgo en algunas\u00bb, dice Stefan Bauer. Cuando ocurre esto \u00faltimo, se pueden tomar medidas terap\u00e9uticas especiales en m\u00e1s pacientes de los necesarios para evitar la muerte presunta.<\/p>\n
Para desarrollar y especialmente entrenar Covews, los investigadores utilizaron 33\u00a0000 registros de datos an\u00f3nimos de una cohorte llamada Optum, que realiza un seguimiento de los pacientes en varios hospitales de los Estados Unidos. Alimentaron al algoritmo con informaci\u00f3n sobre c\u00f3mo evolucionaron varios par\u00e1metros de salud del paciente recopilados de forma rutinaria a lo largo de la enfermedad, y si la persona muri\u00f3 o no a causa de COVID-19. Como resultado, Covews aprendi\u00f3 a identificar patrones en los conjuntos de datos que indicaban un alto riesgo de mortalidad. Luego, el equipo internacional prob\u00f3 la precisi\u00f3n con la que Covews estim\u00f3 este riesgo en aproximadamente otros 14,000 conjuntos de datos de la cohorte de Optum. \u00abSin embargo, nuestro algoritmo no solo predice el riesgo de mortalidad con un alto grado de certeza con conjuntos de datos de esta cohorte, sino tambi\u00e9n con datos de otros hospitales\u00bb, dice Stefan Bauer. Los investigadores demostraron esto al probar Covews en datos de la red de salud global TriNetX, que incluye a unos 5000 pacientes con pruebas positivas de COVID en los EE. UU., Australia, India y Malasia. En estos casos de prueba en muchos hospitales y regiones diferentes alrededor del mundo, Covews tambi\u00e9n predijo el riesgo de mortalidad de manera muy sensible y espec\u00edfica.<\/p>\n
Las decisiones de tratamiento siempre deben permanecer en manos de los m\u00e9dicos<\/p>\n
Aunque Covews hace predicciones fiables, es probable que pase bastante tiempo antes de que se utilice en la pr\u00e1ctica. \u00abA menudo pasan varios a\u00f1os antes de que estas nuevas t\u00e9cnicas se utilicen en la pr\u00e1ctica cl\u00ednica diaria\u00bb, dice Stefan Bauer. Esto se debe en parte a que, en muchos hospitales, los datos disponibles no est\u00e1n lo suficientemente estructurados, lo que hace que el desarrollo de un software adecuado basado en el algoritmo sea particularmente desafiante. En cualquier caso, al hacer que Covews est\u00e9 disponible gratuitamente en Internet, los investigadores est\u00e1n sentando las bases para poner el algoritmo en pr\u00e1ctica r\u00e1pidamente. No solo podr\u00eda usarse para pacientes con COVID-19; con la capacitaci\u00f3n adecuada, tambi\u00e9n podr\u00eda predecir el riesgo de mortalidad por otras enfermedades.<\/p>\n
Como la mayor\u00eda de las predicciones que utilizan m\u00e9todos de aprendizaje autom\u00e1tico, las predicciones de Covews se derivan de correlaciones en lugar de relaciones causales. Las correlaciones pueden ser puramente estad\u00edsticas, lo que significa que no son causales. El equipo de Bauer tambi\u00e9n se\u00f1ala una limitaci\u00f3n de los c\u00e1lculos de Covews: es posible que el algoritmo prediga la interrupci\u00f3n del tratamiento en lugar de la mortalidad. En ese caso, las predicciones no se basar\u00edan \u00fanicamente en hechos m\u00e9dicos. Las consideraciones m\u00e9dicas no son los \u00fanicos factores que influyen en la decisi\u00f3n de suspender el tratamiento, dice Stefan Bauer. Las actitudes religiosas, culturales o personales tambi\u00e9n pueden llevar a las personas a dejar de someterse a un tratamiento. Por ejemplo, las personas generalmente pueden rechazar la respiraci\u00f3n artificial o negarse a aceptar medidas para salvar vidas por temor a las consecuencias a largo plazo de una enfermedad. Adem\u00e1s, los familiares o amigos a menudo tienen algo que decir en tales decisiones. \u00abPor lo tanto, los m\u00e9dicos siempre deben decidir sobre las medidas de tratamiento\u00bb, dice Stefan Bauer. \u00abSin embargo, nuestro algoritmo puede proporcionar informaci\u00f3n que las personas no pueden derivar de los datos y que puede ayudar con las decisiones m\u00e9dicas\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Los investigadores de Geisinger descubren que la IA puede predecir el riesgo de muerte M\u00e1s informaci\u00f3n:<\/strong> Patrick Schwab et al. Predicci\u00f3n en tiempo real de la mortalidad relacionada con COVID-19 utilizando registros de salud electr\u00f3nicos, Nature Communications (2021). DOI: 10.1038\/s41467-020-20816-7 Informaci\u00f3n del diario:<\/strong> Nature Communications <\/p>\n Proporcionado por Max Planck Society Cita<\/strong>: La inteligencia artificial apoya los pron\u00f3sticos m\u00e9dicos (2021, febrero 18) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-02-artificial-intelligence-medical-prognoses.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Ante decisiones dif\u00edciles: Los m\u00e9dicos deben evaluar repetidamente el riesgo de que personas con enfermedades como el COVID-19 puedan morir. En el futuro, el algoritmo de Covews podr\u00eda soportarlos. Su objetivo es ayudar a garantizar que el tratamiento se pueda ajustar a tiempo. Cr\u00e9dito: patrikslezak Estimar el riesgo de muerte de los pacientes es posiblemente … Continuar leyendo \u00abInteligencia artificial apoya pron\u00f3sticos m\u00e9dicos\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-15145","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15145","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=15145"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/15145\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=15145"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=15145"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=15145"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}