Cr\u00e9dito: 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 en su condici\u00f3n, una transferencia a la unidad de cuidados intensivos o incluso la 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 como Marin Kollef, MD, profesor Golman de Medicina y director de la unidad de cuidados intensivos m\u00e9dicos y servicios de cuidados respiratorios en el Hospital Barnes-Jewish, y Patrick Lyons , MD, profesor de medicina en la Facultad de Medicina, desarroll\u00f3 recientemente un nuevo modelo predictivo para pacientes con c\u00e1ncer hospitalizados que integra datos heterog\u00e9neos disponibles en registros de salud electr\u00f3nicos (EHR). Los resultados de su trabajo se presentaron en la Conferencia sobre Gesti\u00f3n de la Informaci\u00f3n y el Conocimiento (CIKM) de la Asociaci\u00f3n de Maquinaria de Computaci\u00f3n (ACM) de noviembre. 3 de enero de 2021.<\/p>\n
Usando datos hist\u00f3ricos anonimizados de m\u00e1s de 20\u00a0000 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, encontr\u00f3 una manera de integrar dos tipos de datos valiosos en modelos de aprendizaje profundo que podr\u00edan 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 hospitalizaciones anteriores; 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. Dado que los datos est\u00e1ticos y de series de tiempo 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 signos tempranos ocultos en los datos que sugieren que una persona desarrollar\u00e1 un deterioro cl\u00ednico en unas horas o unos d\u00edas\u00bb, dijo Lu, experto en Internet de las Cosas, sistemas ciberf\u00edsicos e 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 de tiempo 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 el 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. En un estudio de caso 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 en el que la tasa de alarmas puede ser alta pero la cantidad de falsas alarmas es limitada para evitar la fatiga de alarmas. Con la misma tasa de falsas alarmas, el modelo CrossNet del equipo captur\u00f3 el 39,52 % de los eventos de deterioro cl\u00ednico, mientras que un modelo existente utilizado por muchos hospitales llamado Puntuaciones modificadas de alerta temprana (MEWS) captur\u00f3 solo el 3,92 % 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
Nuevo sistema de aprendizaje autom\u00e1tico desarrollado para identificar pacientes en deterioro en el hospital M\u00e1s informaci\u00f3n:<\/strong> Conferencia: dl.acm.org\/conference\/cikm Proporcionada 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 hospitalizados (5 de noviembre de 2021) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-11-early-deterioration-hospitalized-cancer -patients.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 Dominio p\u00fablico Alrededor del 9 % de los pacientes con c\u00e1ncer experimentan complicaciones mientras est\u00e1n hospitalizados que conducen a un deterioro en su condici\u00f3n, una transferencia a la unidad de cuidados intensivos o incluso la muerte . Un equipo multidisciplinario de investigadores de la Universidad de Washington en St. Louis est\u00e1 desarrollando un … Continuar leyendo \u00abModelo de sistema de alerta temprana predice deterioro de pacientes con c\u00e1ncer hospitalizados\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-3217","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/3217","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=3217"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/3217\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=3217"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=3217"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=3217"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}