Un nuevo sistema de aprendizaje autom\u00e1tico podr\u00eda dar a los m\u00e9dicos puntuaciones de riesgo para diferentes tratamientos. Cr\u00e9dito: Christine Daniloff, MIT <\/p>\n
La sepsis se cobra la vida de casi 270 000 personas en los EE. UU. cada a\u00f1o. La condici\u00f3n m\u00e9dica impredecible puede progresar r\u00e1pidamente, lo que lleva a una r\u00e1pida ca\u00edda de la presi\u00f3n arterial, da\u00f1o a los tejidos, falla multiorg\u00e1nica y muerte. <\/p>\n
Las intervenciones inmediatas de los profesionales m\u00e9dicos salvan vidas, pero algunos tratamientos para la sepsis tambi\u00e9n pueden contribuir al deterioro del paciente, por lo que elegir la terapia \u00f3ptima puede ser una tarea dif\u00edcil. Por ejemplo, en las primeras horas de una sepsis grave, la administraci\u00f3n de demasiados l\u00edquidos por v\u00eda intravenosa puede aumentar el riesgo de muerte del paciente.<\/p>\n
Para ayudar a los m\u00e9dicos a evitar remedios que puedan contribuir potencialmente a la muerte de un paciente, investigadores del MIT y de otros lugares han desarrollado un modelo de aprendizaje autom\u00e1tico que podr\u00eda usarse para identificar tratamientos que presentan un mayor riesgo que otras opciones. Su modelo tambi\u00e9n puede advertir a los m\u00e9dicos cuando un paciente s\u00e9ptico se acerca a un callej\u00f3n sin salida m\u00e9dico, el punto en el que es muy probable que el paciente muera sin importar el tratamiento que se use, para que puedan intervenir antes de que sea demasiado tarde.<\/p>\n
Cuando se aplica a un conjunto de datos de pacientes con sepsis en una unidad de cuidados intensivos de un hospital, el modelo de los investigadores indic\u00f3 que alrededor del 12 por ciento de los tratamientos administrados a los pacientes que fallecieron fueron perjudiciales. El estudio tambi\u00e9n revela que alrededor del 3 por ciento de los pacientes que no sobrevivieron entraron en un callej\u00f3n sin salida m\u00e9dico hasta 48 horas antes de morir.<\/p>\n
\u00abVemos que nuestro modelo est\u00e1 casi ocho horas por delante del reconocimiento de un m\u00e9dico de el deterioro de un paciente. Esto es poderoso porque en estas situaciones tan delicadas, cada minuto cuenta, y ser consciente de c\u00f3mo evoluciona el paciente y el riesgo de administrar un determinado tratamiento en un momento dado es muy importante\u00bb, dice Taylor Killian, m\u00e9dico estudiante de posgrado en el grupo de Aprendizaje Autom\u00e1tico Saludable del Laboratorio de Ciencias de la Computaci\u00f3n e Inteligencia Artificial (CSAIL).<\/p>\n
Acompa\u00f1ando a Killian en el art\u00edculo est\u00e1n su asesor, el Profesor Asistente Marzyeh Ghassemi, director del grupo de Aprendizaje Autom\u00e1tico Saludable y autor principal; el autor principal Mehdi Fatemi, investigador principal de Microsoft Research; y Jayakumar Subramanian, cient\u00edfico investigador s\u00e9nior de Adobe India. La investigaci\u00f3n se presenta en la Conferencia sobre sistemas de procesamiento de informaci\u00f3n neuronal de esta semana. <\/p>\n
Escasez de datos<\/p>\n
Este proyecto de investigaci\u00f3n fue impulsado por un art\u00edculo de 2019 que Fatemi escribi\u00f3 que exploraba el uso del aprendizaje por refuerzo en situaciones en las que es demasiado peligroso explorar acciones arbitrarias, lo que dificulta Es dif\u00edcil generar suficientes datos para entrenar algoritmos de manera efectiva. Estas situaciones, en las que no se pueden recopilar m\u00e1s datos de manera proactiva, se conocen como configuraciones \u00abfuera de l\u00ednea\u00bb.<\/p>\n
En el aprendizaje por refuerzo, el algoritmo se entrena a trav\u00e9s de prueba y error y aprende a tomar acciones que maximizan su acumulaci\u00f3n de recompensa. Pero en un entorno de atenci\u00f3n m\u00e9dica, es casi imposible generar suficientes datos para que estos modelos aprendan el tratamiento \u00f3ptimo, ya que no es \u00e9tico experimentar con posibles estrategias de tratamiento.<\/p>\n
Entonces, los investigadores invirtieron el refuerzo aprendizaje en su cabeza. Utilizaron los datos limitados de la UCI de un hospital para entrenar un modelo de aprendizaje reforzado para identificar los tratamientos que se deben evitar, con el objetivo de evitar que un paciente entre en un callej\u00f3n sin salida m\u00e9dico.<\/p>\n
Aprender qu\u00e9 evitar es una estrategia m\u00e1s estad\u00edstica enfoque eficiente que requiere menos datos, explica Killian.<\/p>\n
\u00abCuando pensamos en callejones sin salida al conducir un autom\u00f3vil, podr\u00edamos pensar que es el final del camino, pero probablemente podr\u00eda clasificar cada paso a lo largo de ese camino hacia el callej\u00f3n sin salida como un callej\u00f3n sin salida. Tan pronto como se desv\u00eda de otra ruta, se encuentra en un callej\u00f3n sin salida. Entonces, esa es la forma en que definimos un callej\u00f3n sin salida m\u00e9dico: una vez que ha ido por un camino en el que cualquier decisi\u00f3n haga, el paciente progresar\u00e1 hacia la muerte\u00bb, dice Killian.<\/p>\n
\u00abUna idea central aqu\u00ed es disminuir la probabilidad de seleccionar cada tratamiento en proporci\u00f3n a su posibilidad de forzar al paciente a entrar en una muerte m\u00e9dica. enda propiedad que se llama seguridad de tratamiento.Este es un problema dif\u00edcil de resolver ya que los datos no darnos tal idea. Nuestros resultados te\u00f3ricos nos permitieron reformular esta idea central como un problema de aprendizaje por refuerzo\u00bb, dice Fatemi.<\/p>\n
Para desarrollar su enfoque, llamado Dead-end Discovery (DeD), crearon dos copias de una red neuronal. La primera red neuronal se enfoca solo en los resultados negativos cuando un paciente muere y la segunda red solo se enfoca en los resultados positivos cuando un paciente sobrevive. El uso de dos redes neuronales por separado permiti\u00f3 a los investigadores detectar un tratamiento riesgoso en una y luego confirmarlo usando la otra.<\/p>\n
Alimentaron a cada red neuronal con estad\u00edsticas de salud del paciente y un tratamiento propuesto. Las redes generan un valor estimado de ese tratamiento y tambi\u00e9n eval\u00faan la probabilidad de que el paciente entre en un callej\u00f3n sin salida m\u00e9dico. Los investigadores compararon esas estimaciones para establecer umbrales para ver si la situaci\u00f3n genera alguna alarma.<\/p>\n
Una bandera amarilla significa que un paciente est\u00e1 entrando en un \u00e1rea de preocupaci\u00f3n, mientras que una bandera roja identifica una situaci\u00f3n en la que es muy probable que el paciente no se recupere. er.<\/p>\n
El tratamiento importa<\/p>\n
Los investigadores probaron su modelo utilizando un conjunto de datos de pacientes supuestamente s\u00e9pticos de la unidad de cuidados intensivos del Centro M\u00e9dico Beth Israel Deaconess. Este conjunto de datos contiene alrededor de 19 300 admisiones con observaciones extra\u00eddas de un per\u00edodo de 72 horas centrado en el momento en que los pacientes manifiestan los primeros s\u00edntomas de sepsis. Sus resultados confirmaron que algunos pacientes en el conjunto de datos encontraron callejones sin salida m\u00e9dicos.<\/p>\n
Los investigadores tambi\u00e9n encontraron que entre el 20 y el 40 por ciento de los pacientes que no sobrevivieron levantaron al menos una bandera amarilla antes de su muerte, y muchos levantaron esa bandera al menos 48 horas antes de morir. Los resultados tambi\u00e9n mostraron que, al comparar las tendencias de los pacientes que sobrevivieron frente a los pacientes que fallecieron, una vez que un paciente levanta su primera bandera, hay una desviaci\u00f3n muy marcada en el valor de los tratamientos administrados. La ventana de tiempo alrededor de la primera bandera es un punto cr\u00edtico cuando se toman decisiones de tratamiento.<\/p>\n
\u00abEsto nos ayud\u00f3 a confirmar que el tratamiento importa y el tratamiento se desv\u00eda en t\u00e9rminos de c\u00f3mo los pacientes sobreviven y c\u00f3mo los pacientes no. Encontramos que m\u00e1s del 11 por ciento de los tratamientos sub\u00f3ptimos podr\u00edan haberse evitado potencialmente porque hab\u00eda mejores alternativas disponibles para los m\u00e9dicos en esos momentos. Este es un n\u00famero bastante considerable, si se considera el volumen mundial de pacientes que han sido s\u00e9pticos en el hospital en un momento dado. tiempo\u00bb, dice Killian.<\/p>\n
Ghassemi tambi\u00e9n se apresura a se\u00f1alar que el modelo est\u00e1 dise\u00f1ado para ayudar a los m\u00e9dicos, no para reemplazarlos.<\/p>\n
\u00abLos m\u00e9dicos humanos son quienes queremos que tomen decisiones sobre cuidados y consejos sobre qu\u00e9 tratamiento evitar no van a cambiar eso\u00bb, dice ella. \u00abPodemos reconocer los riesgos y agregar medidas de seguridad relevantes en funci\u00f3n de los resultados de los tratamientos de 19\u00a0000 pacientes, lo que equivale a que un solo cuidador vea m\u00e1s de 50 resultados de pacientes s\u00e9pticos todos los d\u00edas durante todo un a\u00f1o\u00bb.<\/p>\n
En el futuro, los investigadores tambi\u00e9n quieren estimar las relaciones causales entre las decisiones de tratamiento y la evoluci\u00f3n de la salud del paciente. Planean continuar mejorando el modelo para que pueda crear estimaciones de incertidumbre en torno a los valores del tratamiento que ayudar\u00edan a los m\u00e9dicos a tomar decisiones m\u00e1s informadas. Otra forma de proporcionar una mayor validaci\u00f3n del modelo ser\u00eda aplicarlo a los datos de otros hospitales, lo que esperan hacer en el futuro. <\/p>\n
Explore m\u00e1s<\/p>\n
Los investigadores crean un modelo para predecir los ni\u00f1os que probablemente sufrir\u00e1n un shock s\u00e9ptico M\u00e1s informaci\u00f3n:<\/strong> Callejones sin salida m\u00e9dicos y aprender a identificar estados y tratamientos de alto riesgo. papers.neurips.cc\/paper\/2021\/f … 74eb7c696c-Paper.pdf Proporcionado por el Instituto Tecnol\u00f3gico de Massachusetts <\/p>\n Esta historia se vuelve a publicar por cortes\u00eda de MIT News (web.mit.edu\/newsoffice\/), un sitio popular que cubre noticias sobre investigaci\u00f3n, innovaci\u00f3n y ense\u00f1anza del MIT. <\/p>\n Cita<\/strong>: El sistema de aprendizaje autom\u00e1tico se\u00f1ala los remedios que podr\u00edan hacer m\u00e1s da\u00f1o que bien (2021, 9 de diciembre) consultado el 29 de agosto de 2022 en https:\/\/medicalxpress.com\/news\/2021-12 -machine-learning-flags-remedies-good.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":" Un nuevo sistema de aprendizaje autom\u00e1tico podr\u00eda dar a los m\u00e9dicos puntuaciones de riesgo para diferentes tratamientos. Cr\u00e9dito: Christine Daniloff, MIT La sepsis se cobra la vida de casi 270 000 personas en los EE. UU. cada a\u00f1o. La condici\u00f3n m\u00e9dica impredecible puede progresar r\u00e1pidamente, lo que lleva a una r\u00e1pida ca\u00edda de la presi\u00f3n … Continuar leyendo \u00abEl sistema de aprendizaje autom\u00e1tico se\u00f1ala los remedios que podr\u00edan hacer m\u00e1s da\u00f1o que bien\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-4884","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/4884","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=4884"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/4884\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=4884"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=4884"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=4884"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}