Cr\u00e9dito: Universidad de Cambridge <\/p>\n
Hace una semana, ped\u00ed a los gobiernos que usaran los datos existentes y el aprendizaje autom\u00e1tico probado y t\u00e9cnicas de IA para ayudar a los sistemas de salud a combatir el Pandemia de COVID-19. <\/p>\n
La respuesta fue incre\u00edble. Mi equipo y yo recibimos aliento, ideas y propuestas de colaboraci\u00f3n.<\/p>\n
Tambi\u00e9n recibimos, por cortes\u00eda de Public Health England, un conjunto de datos (despersonalizados) sobre casos existentes de COVID-19. Junto con mi equipo en el Cambridge Center for AI in Medicine, pas\u00e9 los \u00faltimos d\u00edas entrenando a nuestros modelos con estos datos. Los resultados hasta ahora son extremadamente alentadores.<\/p>\n
Entre otras cosas, quer\u00edamos demostrar que las t\u00e9cnicas de aprendizaje autom\u00e1tico pueden predecir con precisi\u00f3n c\u00f3mo COVID-19 afectar\u00e1 las necesidades de recursos (ventiladores, camas de UCI, etc.) a nivel individual. nivel del paciente y del hospital, lo que brinda una imagen confiable del uso futuro de los recursos y permite a los profesionales de la salud tomar decisiones bien informadas sobre c\u00f3mo se pueden usar estos recursos escasos para lograr el m\u00e1ximo beneficio.<\/p>\n
Basado en el datos que recibimos de Public Health England, ahora tenemos un demostrador de prueba de concepto que muestra que esto se puede hacer, en la forma de un nuevo sistema que llamamos Adjutorium.<\/p>\n
\u00bfNo es suficiente aplanar la curva? ?<\/p>\n
Las pol\u00edticas sociales ciertamente pueden ayudar a aliviar la presi\u00f3n sobre los sistemas de atenci\u00f3n m\u00e9dica en todo el mundo. Pero no hay garant\u00eda de que ciertos hospitales individuales no se extiendan mucho m\u00e1s all\u00e1 de su capacidad. Adem\u00e1s, estas medidas pueden no ser observadas adecuadamente por todos, o pueden relajarse lentamente con el tiempo. Es importante asegurarse de que los hospitales sigan armados con informaci\u00f3n que les ayude a gestionar los picos de demanda de recursos como camas de UCI o ventiladores.<\/p>\n
Como mencion\u00e9 la semana pasada, se tomar\u00e1n decisiones de vida o muerte con respecto a el uso de recursos escasos como ventiladores y camas de UCI. Si est\u00e1 administrando o trabajando en un hospital, ser\u00eda incre\u00edblemente \u00fatil (pero actualmente no es posible) tener una imagen altamente confiable del estado de uso probable de estos recursos a lo largo del tiempo.<\/p>\n
Esto tambi\u00e9n es importante Muchos profesionales de la salud en todo el mundo se preocupan actualmente por:<\/p>\n
Podemos ayudar a responder estas preguntas siendo inteligentes sobre c\u00f3mo usamos los datos existentes sobre ingresos hospitalarios, ingresos en la UCI, uso de ventiladores, resultados de los pacientes (p. ej., alta, mortalidad), y m\u00e1s. Si tenemos acceso a conjuntos de datos de alta calidad que contienen dicha informaci\u00f3n, podemos usar el aprendizaje autom\u00e1tico para responder preguntas como:<\/p>\n
Si bien estas preguntas se pueden responder de manera confiable utilizando las t\u00e9cnicas de aprendizaje autom\u00e1tico que hemos desarrollado, no puedo enfatizar lo suficiente que las decisiones en s\u00ed mismas, por supuesto, las seguir\u00e1n tomando los profesionales de la salud en funci\u00f3n de las prioridades y pol\u00edticas de su organizaci\u00f3n.<\/p>\n
As\u00ed es como un modelo de aprendizaje autom\u00e1tico puede ayudar a responder preguntas de una manera que sea \u00fatil para las profesiones de atenci\u00f3n m\u00e9dica:<\/p>\n
Como puede ver, a los pacientes se les asignan puntajes de riesgo seg\u00fan su probabilidad de ingreso en la UCI o uso del ventilador. Estos luego se agregan en todo el hospital para dar una imagen de la futura demanda de recursos.<\/p>\n
Uso de datos de Public Health England<\/p>\n
La semana pasada, compart\u00ed mi firme creencia de que el aprendizaje autom\u00e1tico existente y probado Las t\u00e9cnicas ya pueden abordar este tipo de desaf\u00edos y pueden brindar informaci\u00f3n esencial, incluso utilizando fuentes de datos existentes (posiblemente bastante ruidosas). Gracias a los datos que recibimos de Public Health England, me siento m\u00e1s seguro que nunca.<\/p>\n
Recibimos datos de casi 1700 pacientes, y ese n\u00famero contin\u00faa aumentando porque el conjunto de datos se actualiza diariamente. Si bien los datos se despersonalizaron, incluyen informaci\u00f3n b\u00e1sica, resultados de laboratorio, detalles de hospitalizaci\u00f3n, factores de riesgo y resultados.<\/p>\n
Enviamos estos datos a AutoPrognosis, un marco de aprendizaje autom\u00e1tico automatizado de \u00faltima generaci\u00f3n que nuestro desarrollado por el equipo en 2018 (inicialmente para problemas cardiovasculares, pero posteriormente tambi\u00e9n para fibrosis qu\u00edstica y c\u00e1ncer de mama, entre otros).<\/p>\n
Para predecir la mortalidad, usamos datos de 850 pacientes para entrenar nuestro modelo y luego verificamos la precisi\u00f3n del modelo utilizando los resultados de otros 197 pacientes del mismo conjunto de datos. Para la predicci\u00f3n de ingresos en la UCI, entrenamos con datos de 950 pacientes y verificamos con datos de 285 pacientes. Para predecir la necesidad de ventilaci\u00f3n, entrenamos con 810 pacientes y verificamos con 276 pacientes.<\/p>\n
Llamamos al nuevo sistema que creamos \u00abAdjutorium\u00bb, que significa ayuda, asistencia o apoyo.<\/p>\n
\u00bfQu\u00e9 aprendimos<\/p>\n
Entonces, \u00bfc\u00f3mo se desempe\u00f1\u00f3 Adjutorium? En pocas palabras: lo hizo muy, muy bien.<\/p>\n
Una vez entrenado con los datos de los pacientes, Adjutorium pudo hacer predicciones muy precisas sobre los pacientes cuyos datos usamos para la verificaci\u00f3n. Fundamentalmente, logramos hacerlo con mucha m\u00e1s precisi\u00f3n que las t\u00e9cnicas de an\u00e1lisis de supervivencia existentes y ampliamente utilizadas, como la regresi\u00f3n de Cox o \u00edndices conocidos como el \u00edndice de comorbilidad de Charlson.<\/p>\n
La precisi\u00f3n se mide mediante AUC-ROC. M\u00e1s alto es mejor. <\/p>\n
Tambi\u00e9n vale la pena tener en cuenta que Adjutorium logr\u00f3 estos resultados con una proporci\u00f3n relativamente peque\u00f1a de los datos que se pudieron recopilar de los casos de COVID-19 a nivel mundial. Cuantos m\u00e1s datos tengamos acceso, mejor podremos entrenar a nuestros modelos y mejorar su precisi\u00f3n, y Adjutorium ser\u00e1 m\u00e1s \u00fatil.<\/p>\n
Pr\u00f3ximos pasos<\/p>\n
El progreso que hemos logrado Hasta ahora es extremadamente alentador: ahora tenemos una prueba de concepto funcional que demuestra el uso potencial del aprendizaje autom\u00e1tico para ayudar a administrar recursos escasos como camas de UCI y ventiladores. Sin embargo, a\u00fan queda trabajo por hacer, y gran parte de esto depender\u00e1 de que se sigan recibiendo datos nuevos y de alta calidad.<\/p>\n
Nuestra prioridad inmediata es seguir validando los modelos que hemos desarrollado. Si lo hace, nos acercar\u00e1 a finalizar el sistema para que lo usen los profesionales de la salud.<\/p>\n
Tambi\u00e9n necesitamos tener en nuestras manos nuevos tipos de datos que har\u00e1n que nuestros modelos existentes sean a\u00fan m\u00e1s precisos. Espec\u00edficamente, necesitamos datos longitudinales que nos permitan obtener una comprensi\u00f3n m\u00e1s profunda de la progresi\u00f3n de los pacientes mientras est\u00e1n hospitalizados (en lugar de \u00abinstant\u00e1neas\u00bb registradas irregularmente que muestran el estado de cosas en momentos espec\u00edficos). Dado lo poco que se sabe sobre COVID-19, estos datos proporcionar\u00edan informaci\u00f3n valiosa. Adem\u00e1s, esperamos datos m\u00e1s claros sobre el momento y los efectos de los ventiladores cuando se usan para tratar pacientes. Esto nos permitir\u00eda decir, por ejemplo, cu\u00e1nto tiempo podr\u00edan o deber\u00edan haber esperado pacientes individuales antes de la ventilaci\u00f3n para lograr los mejores resultados posibles.<\/p>\n
Tambi\u00e9n trabajaremos con el NHS y Public Health England para transformar nuestras herramientas en un sistema que los profesionales de la salud pueden usar y entender f\u00e1cilmente. En este sentido, la interpretabilidad es clave: queremos asegurarnos de que los tomadores de decisiones puedan depurar y analizar la informaci\u00f3n generada por nuestro sistema.<\/p>\n
La semana pasada, hice una presentaci\u00f3n resumiendo nuestro progreso en un taller de COVID-19 organizado por ELLIS (Laboratorio Europeo de Aprendizaje y Sistemas Inteligentes). Puede encontrar la plataforma de diapositivas aqu\u00ed y un video de mi presentaci\u00f3n incrustado a continuaci\u00f3n. <\/p>\n
Explore m\u00e1s<\/p>\n
Inteligencia artificial para predecir qu\u00e9 pacientes con COVID-19 necesitan ventiladores Proporcionado por la Universidad de Cambridge Cita<\/strong>: Uso de datos de pacientes con COVID-19 para entrenar modelos de aprendizaje autom\u00e1tico para atenci\u00f3n m\u00e9dica (2020, 6 de abril) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020-04-covid-patient-machine-healthcare.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: Universidad de Cambridge Hace una semana, ped\u00ed a los gobiernos que usaran los datos existentes y el aprendizaje autom\u00e1tico probado y t\u00e9cnicas de IA para ayudar a los sistemas de salud a combatir el Pandemia de COVID-19. La respuesta fue incre\u00edble. Mi equipo y yo recibimos aliento, ideas y propuestas de colaboraci\u00f3n. Tambi\u00e9n recibimos, … Continuar leyendo \u00abUso de datos de pacientes de COVID-19 para entrenar modelos de aprendizaje autom\u00e1tico para el cuidado de la salud\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-25082","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/25082","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=25082"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/25082\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=25082"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=25082"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=25082"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}