Cr\u00e9dito: CC0 Public Domain <\/p>\n
Los m\u00e9dicos a menudo aprenden a reconocer patrones en los casos de COVID-19 despu\u00e9s de tratar a muchos pacientes con \u00e9l. Los sistemas de aprendizaje autom\u00e1tico prometen mejorar esa capacidad, reconociendo patrones m\u00e1s complejos en un gran n\u00famero de personas con COVID-19 y utilizando esa informaci\u00f3n para predecir el curso del caso de un paciente individual. Sin embargo, los m\u00e9dicos que juraron \u00abno hacer da\u00f1o\u00bb pueden ser reacios a basar las estrategias de tratamiento y atenci\u00f3n para sus pacientes m\u00e1s graves en algoritmos de aprendizaje autom\u00e1tico dif\u00edciles de usar o interpretar. <\/p>\n
Ahora, los investigadores de Johns Hopkins Medicine han desarrollado un sistema avanzado de aprendizaje autom\u00e1tico que puede predecir con precisi\u00f3n c\u00f3mo ser\u00e1 el brote de COVID-19 de un paciente y transmitir sus hallazgos al m\u00e9dico en una forma f\u00e1cilmente comprensible. La nueva herramienta de pron\u00f3stico, conocida como Severe COVID-19 Adaptive Risk Predictor (SCARP), puede ayudar a definir el riesgo de uno y siete d\u00edas de que un paciente hospitalizado con COVID-19 desarrolle una forma m\u00e1s grave de la enfermedad o muera por it.<\/p>\n
SCARP solicita una cantidad m\u00ednima de entrada para dar una predicci\u00f3n precisa, lo que lo hace r\u00e1pido, f\u00e1cil de usar y confiable para basar las decisiones de tratamiento y atenci\u00f3n. La nueva herramienta se describe en un art\u00edculo publicado por primera vez en l\u00ednea el 2 de marzo en Annals of Internal Medicine.<\/p>\n
\u00abSCARP fue dise\u00f1ado para proporcionar a los m\u00e9dicos una herramienta predictiva que es interactiva y adaptativa, permitiendo que las variables cl\u00ednicas en tiempo real para ser ingresado al lado de la cama del paciente\u00bb, dice Matthew Robinson, MD, profesor asistente de medicina en la Facultad de Medicina de la Universidad Johns Hopkins y autor principal del art\u00edculo. \u00abAl generar una predicci\u00f3n cl\u00ednica personalizada de desarrollar una enfermedad grave o la muerte en el pr\u00f3ximo d\u00eda y semana, y en cualquier momento de las dos primeras semanas de hospitalizaci\u00f3n, SCARP permitir\u00e1 que un equipo m\u00e9dico tome decisiones m\u00e1s informadas sobre la mejor manera de tratar a cada paciente con COVID-19\u00bb.<\/p>\n
El cerebro de SCARP es un algoritmo predictivo llamado Random Forests for Survival, Longitudinal and Multivariate Data (RF-SLAM), descrito en un art\u00edculo de 2019 por sus creadores, investigadores de Johns Hopkins Medicine Shannon Wongvibulsin, MD\/Ph.D. alumno; Dra. Katherine Wu; y Scott Zeger, Ph.D.<\/p>\n
A diferencia de los m\u00e9todos de predicci\u00f3n cl\u00ednica anteriores que basan el puntaje de riesgo de un paciente en su condici\u00f3n al momento de ingresar al hospital, RF-SLAM se adapta a la \u00faltima informaci\u00f3n disponible del paciente y considera la cambios en esas medidas a lo largo del tiempo. Para hacer posible este an\u00e1lisis din\u00e1mico, RF-SLAM divide la estancia hospitalaria de un paciente en ventanas de seis horas. Los datos recopilados durante esos lapsos de tiempo luego son evaluados por los \u00abbosques aleatorios\u00bb del algoritmo de aproximadamente 1,000 \u00ab\u00e1rboles de decisi\u00f3n\u00bb que operan como un conjunto. Esto permite que SCARP brinde una predicci\u00f3n m\u00e1s precisa de un resultado que la que cada \u00e1rbol de decisi\u00f3n individual podr\u00eda hacer por s\u00ed solo.<\/p>\n
\u00abDe la misma manera que las acciones y los bonos individuales se desempe\u00f1an mejor como una cartera con el valor general manteni\u00e9ndose fuerte como los art\u00edculos individuales equilibran las subidas y bajadas de precio de los dem\u00e1s; los \u00e1rboles como grupo crean un bosque flexible y adaptable que se protegen unos a otros de los errores individuales\u00bb, dice Robinson. \u00abEntonces, incluso si algunos \u00e1rboles predicen incorrectamente, muchos otros lo har\u00e1n bien y mover\u00e1n al grupo en la direcci\u00f3n correcta\u00bb.<\/p>\n
Robinson dice que la mayor\u00eda de los sistemas de aprendizaje autom\u00e1tico utilizados para hacer predicciones cl\u00ednicas solo pueden considerar est\u00e1tica datos en un solo momento. \u00abRF-SLAM nos permite ser \u00e1giles y predecir el futuro en cualquier momento\u00bb, explica.<\/p>\n
Para demostrar la capacidad de SCARP para predecir casos graves de COVID-19 o muertes por la enfermedad, Robinson y sus colegas utilizaron un registro cl\u00ednico con datos de pacientes hospitalizados con COVID-19 entre marzo y diciembre de 2020, en cinco centros del Sistema de Salud Johns Hopkins. La informaci\u00f3n del paciente disponible inclu\u00eda datos demogr\u00e1ficos, otras condiciones m\u00e9dicas y factores de riesgo conductuales, junto con m\u00e1s de 100 variables a lo largo del tiempo, como signos vitales, hemogramas, perfiles metab\u00f3licos, frecuencias respiratorias y la cantidad de ox\u00edgeno suplementario necesario.<\/p>\n
Entre 3,163 pacientes admitidos con COVID-19 moderado durante este tiempo, 228 (7%) se enfermaron gravemente o murieron dentro de las 24 horas; 355 adicionales (11%) se enfermaron gravemente o murieron en la primera semana. Tambi\u00e9n se recopilaron datos sobre el n\u00famero de personas que desarrollaron COVID-19 grave o fallecieron cualquier d\u00eda dentro de los 14 d\u00edas posteriores a la admisi\u00f3n.<\/p>\n
En general, las predicciones de riesgo de SCARP para un d\u00eda de progresi\u00f3n a COVID-19 grave o muerte fueron 89 % de precisi\u00f3n, mientras que las predicciones de riesgo de siete d\u00edas para ambos resultados fueron 83 % de precisi\u00f3n.<\/p>\n
Robinson dice que se planean m\u00e1s ensayos de SCARP para validar su desempe\u00f1o a gran escala utilizando bases de datos nacionales de pacientes. Seg\u00fan los resultados del primer estudio, Johns Hopkins Medicine ya incorpor\u00f3 una versi\u00f3n de SCARP en el sistema de registro m\u00e9dico electr\u00f3nico en sus cinco hospitales en el \u00e1rea de Maryland y Washington, DC.<\/p>\n
\u00abNuestro La demostraci\u00f3n exitosa muestra que SCARP tiene el potencial de ser una calculadora de riesgo f\u00e1cil de usar, altamente precisa y cl\u00ednicamente significativa para pacientes hospitalizados con COVID-19\u00bb, dice Robinson. \u00abTener una comprensi\u00f3n s\u00f3lida del riesgo en tiempo real de un paciente de progresar a una enfermedad grave o morir dentro de las pr\u00f3ximas 24 horas y la pr\u00f3xima semana podr\u00eda ayudar a los proveedores de atenci\u00f3n m\u00e9dica a tomar decisiones de tratamiento y elecciones m\u00e1s informadas para sus pacientes con COVID-19 a medida que se enferman m\u00e1s\u00bb. .\u00bb <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) M\u00e1s informaci\u00f3n:<\/strong> Shannon Wongvibulsin et al. Desarrollo del predictor de riesgo adaptativo de COVID-19 grave (SCARP), una calculadora para predecir enfermedad grave o muerte en pacientes hospitalizados con COVID-19, Annals of Internal Medicine (2021). DOI: 10.7326\/M20-6754 Informaci\u00f3n de la revista:<\/strong> Annals of Internal Medicine <\/p>\n Proporcionado por la Facultad de Medicina de la Universidad Johns Hopkins Cita<\/strong>: La herramienta din\u00e1mica predice con precisi\u00f3n el riesgo de COVID- 19 que progresa a enfermedad grave o muerte (10 de marzo de 2021) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-03-dynamic-tool-accurately-covid-severe.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":" Cr\u00e9dito: CC0 Public Domain Los m\u00e9dicos a menudo aprenden a reconocer patrones en los casos de COVID-19 despu\u00e9s de tratar a muchos pacientes con \u00e9l. Los sistemas de aprendizaje autom\u00e1tico prometen mejorar esa capacidad, reconociendo patrones m\u00e1s complejos en un gran n\u00famero de personas con COVID-19 y utilizando esa informaci\u00f3n para predecir el curso del … Continuar leyendo \u00abLa herramienta din\u00e1mica predice con precisi\u00f3n el riesgo de que el COVID-19 progrese a una enfermedad grave o a la muerte\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-18498","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18498","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=18498"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18498\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=18498"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=18498"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=18498"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}