Cr\u00e9dito: Unsplash\/CC0 Dominio p\u00fablico <\/p>\n
Alrededor del 9 % de los pacientes con c\u00e1ncer experimentan complicaciones mientras est\u00e1n hospitalizados que conducen a un deterioro de su condici\u00f3n, una transferencia a la unidad de cuidados intensivos o incluso muerte. Un equipo multidisciplinario de investigadores de la Universidad de Washington en St. Louis est\u00e1 desarrollando un modelo de sistema de alerta temprana basado en aprendizaje autom\u00e1tico para predecir este deterioro y mejorar los resultados de los pacientes. <\/p>\n
Chenyang Lu, profesor Fullgraf en la Escuela de Ingenier\u00eda McKelvey, con colaboradores que incluyen a Marin Kollef, MD, profesor de medicina Golman en la Escuela de Medicina y director de la unidad m\u00e9dica 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 c\u00e1ncer hospitalizados que integra datos heterog\u00e9neos disponibles en registros de salud electr\u00f3nicos (EHR).<\/p>\n
Usando datos hist\u00f3ricos, datos no identificados de m\u00e1s de 20 000 hospitalizaciones de pacientes con c\u00e1ncer en el Barnes-Jewish Hospital, Lu y Dingwen Li, estudiante de doctorado en su laboratorio y primer autor del art\u00edculo, encontraron una manera de integrar dos tipos de datos valiosos en el aprendizaje profundo modelos que pueden ofrecer pistas sobre la condici\u00f3n de un paciente: datos est\u00e1ticos o datos recopilados en el momento de la admisi\u00f3n, como datos demogr\u00e1ficos, otros diagn\u00f3sticos m\u00e9dicos o informaci\u00f3n de hospitales anteriores izaciones; y datos de series temporales, que se recopilan repetidamente durante una estad\u00eda en el hospital e incluyen la temperatura corporal, la presi\u00f3n arterial, la medicaci\u00f3n y los resultados de las pruebas.<\/p>\n
Li present\u00f3 los resultados de su trabajo el 3 de noviembre en la Conferencia de la Asociaci\u00f3n de Maquinaria Inform\u00e1tica sobre gesti\u00f3n de la informaci\u00f3n y el conocimiento.<\/p>\n
Dado que los datos est\u00e1ticos y de series temporales contienen informaci\u00f3n complementaria relacionada con el deterioro cl\u00ednico, es importante que un modelo predictivo explote ambos tipos de variables para maximizar su precisi\u00f3n, dijo Lu.<\/p>\n
\u00abHay se\u00f1ales tempranas ocultas en los datos que sugieren que una persona desarrollar\u00e1 un deterioro cl\u00ednico en unas pocas horas o unos pocos d\u00edas\u00bb, dijo Lu, experto en Internet de las cosas, sistemas ciberf\u00edsicos y Inteligencia artificial cl\u00ednica. \u00abLos humanos no pueden ver estos patrones ocultos o tendencias en los datos, por lo que aqu\u00ed es donde el aprendizaje autom\u00e1tico es muy bueno para detectar estos patrones\u00bb.<\/p>\n
Lu y su equipo utilizaron un modelo de red neuronal recurrente (RNN) que originalmente se dise\u00f1\u00f3 para los datos de series temporales y se mejor\u00f3 para incorporar los datos est\u00e1ticos utilizando un enfoque de fusi\u00f3n multimodal. Su modelo de extremo a extremo, llamado CrossNet, aprende a predecir eventos de deterioro mientras imputa con precisi\u00f3n cualquier dato est\u00e1tico o de serie temporal faltante. Este enfoque novedoso para incorporar datos est\u00e1ticos y de series temporales combina el poder de los modelos recurrentes profundos y los beneficios de los datos heterog\u00e9neos en EHR.<\/p>\n
Idealmente, un sistema de alerta temprana aprender\u00eda de los datos de un paciente las se\u00f1ales de que el paciente se est\u00e1 deteriorando, lo que activar\u00eda una alarma llamando a los proveedores de atenci\u00f3n m\u00e9dica al lado de la cama. Sin embargo, uno de los riesgos con un sistema de este tipo es que una alarma sonar\u00eda con tanta frecuencia, posiblemente provocada por falsas alarmas, que los proveedores de atenci\u00f3n m\u00e9dica desarrollar\u00edan fatiga de alarma y finalmente dejar\u00edan de responder.<\/p>\n
En un caso En un estudio en entornos realistas de atenci\u00f3n hospitalaria, Lu y el equipo establecieron un umbral de 48 notificaciones en un per\u00edodo de 24 horas, o una cada 30 minutos. Luego, el equipo implement\u00f3 un sistema de alerta temprana m\u00e1s proactivo donde la tasa de alarmas puede ser alta, pero la cantidad de falsas alarmas est\u00e1 limitada para evitar la fatiga de alarmas. Con la misma tasa de falsas alarmas, el modelo CrossNet del equipo captur\u00f3 el 39,5 % de los eventos de deterioro cl\u00ednico, mientras que un modelo existente utilizado por muchos hospitales llamado Puntajes de alerta temprana modificados (MEWS, por sus siglas en ingl\u00e9s) captur\u00f3 solo el 3,9 % de los mismos eventos.<\/p>\n
Si bien el modelo tiene potencial, Lu est\u00e1 trabajando con los m\u00e9dicos del equipo para determinar la mejor manera de implementarlo en un entorno hospitalario.<\/p>\n
Kollef dijo que el Barnes-Jewish Hospital ha estado usando una alerta temprana m\u00e1s simple sistema durante unos 15 a\u00f1os. Despu\u00e9s de una evaluaci\u00f3n, las alarmas de ese sistema se env\u00edan a un equipo de respuesta temprana que puede evaluar y clasificar a los pacientes.<\/p>\n
\u00abUna alerta no tiene sentido a menos que est\u00e9 vinculada a una intervenci\u00f3n\u00bb, dijo Kollef. \u00abEs f\u00e1cil para alguien extraer datos de una m\u00e1quina y analizarlos, pero \u00bfqu\u00e9 se hace con ellos? Ese es el desaf\u00edo\u00bb.<\/p>\n
Kollef, quien ha trabajado en la unidad de cuidados intensivos durante 35 a\u00f1os, dijo un sistema de alerta temprana es un paso en la direcci\u00f3n correcta, y colaboradores como Lyons son clave para implementar dicho sistema.<\/p>\n
\u00abLos pacientes con c\u00e1ncer a menudo est\u00e1n muy enfermos y son fr\u00e1giles y ya son monitoreados intensamente\u00bb, dijo Lyons, un m\u00e9dico basado en inform\u00e1tica. \u00abCon la quimioterapia y otros tratamientos, generan una gran cantidad de datos que son dif\u00edciles de clasificar de manera significativa. Nos gustar\u00eda usar este modelo para destilar qu\u00e9 datos orientar\u00e1n a los proveedores de atenci\u00f3n m\u00e9dica hacia una direcci\u00f3n clara\u00bb.<\/p>\n
Lyons dijo que el equipo est\u00e1 buscando financiamiento para construir una infraestructura alrededor de su modelo y probarlo para ver si mejora los procesos de atenci\u00f3n. Mientras tanto, est\u00e1 organizando grupos focales con pacientes y enfermeras para determinar sus prioridades. <\/p>\n
Explore m\u00e1s<\/p>\n
El modelo del sistema de alerta temprana predice el deterioro de los pacientes con c\u00e1ncer hospitalizados M\u00e1s informaci\u00f3n:<\/strong> Dingwen Li et al, Integrating Static and Time-Series Data in Deep Recurrent Models for Oncology Early Warning Systems , Actas de la 30.\u00aa Conferencia Internacional ACM sobre Gesti\u00f3n de la Informaci\u00f3n y el Conocimiento (2021). DOI: 10.1145\/3459637.3482441 Proporcionado por la Universidad de Washington en St. Louis Cita<\/strong>: El modelo del sistema de alerta temprana predice el deterioro de los pacientes con c\u00e1ncer (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 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: Unsplash\/CC0 Dominio p\u00fablico Alrededor del 9 % de los pacientes con c\u00e1ncer experimentan complicaciones mientras est\u00e1n hospitalizados que conducen a un deterioro de su condici\u00f3n, una transferencia a la unidad de cuidados intensivos o incluso muerte. Un equipo multidisciplinario de investigadores de la Universidad de Washington en St. Louis est\u00e1 desarrollando un modelo de … Continuar leyendo \u00abModelo de sistema de alerta temprana predice el deterioro de los pacientes con c\u00e1ncer\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-2390","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/2390","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=2390"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/2390\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=2390"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=2390"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=2390"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}