Cr\u00e9dito: Unsplash\/CC0 Public Domain <\/p>\n
Cuando se trata de estrategias de tratamiento para pacientes en estado cr\u00edtico, los m\u00e9dicos quieren poder considerar todas sus opciones y tiempos de administraci\u00f3n, y tomar las decisi\u00f3n \u00f3ptima para sus pacientes. Si bien la experiencia y el estudio de los m\u00e9dicos les ha ayudado a tener \u00e9xito en este esfuerzo, no todos los pacientes son iguales, y las decisiones de tratamiento en este momento crucial podr\u00edan significar la diferencia entre la mejora del paciente y el deterioro r\u00e1pido. Por lo tanto, ser\u00eda \u00fatil que los m\u00e9dicos pudieran tomar el estado de salud conocido anterior de un paciente y los tratamientos recibidos y usarlos para predecir el resultado de salud de ese paciente en diferentes escenarios de tratamiento, a fin de elegir el mejor camino. <\/p>\n
Ahora, una t\u00e9cnica de aprendizaje profundo, llamada G-Net, de investigadores del MIT e IBM ofrece una ventana a la predicci\u00f3n contraf\u00e1ctica causal, lo que brinda a los m\u00e9dicos la oportunidad de explorar c\u00f3mo le ir\u00eda a un paciente con diferentes planes de tratamiento. La base de G-Net es el algoritmo de c\u00e1lculo g, un m\u00e9todo de inferencia causal que estima el efecto de las exposiciones din\u00e1micas en presencia de variables de confusi\u00f3n medidas que pueden influir tanto en los tratamientos como en los resultados. A diferencia de las implementaciones anteriores del marco de computaci\u00f3n g, que han utilizado enfoques de modelado lineal, G-Net utiliza redes neuronales recurrentes (RNN), que tienen conexiones de nodos que les permiten modelar mejor secuencias temporales con din\u00e1micas complejas y no lineales, como las que se encuentran en los datos de series temporales fisiol\u00f3gicas y cl\u00ednicas. De esta manera, los m\u00e9dicos pueden desarrollar planes alternativos basados en el historial del paciente y probarlos antes de tomar una decisi\u00f3n.<\/p>\n
\u00abNuestro objetivo final es desarrollar una t\u00e9cnica de aprendizaje autom\u00e1tico que permita a los m\u00e9dicos explorar varios \u00abQu\u00e9 pasar\u00eda si\u00bb escenarios y opciones de tratamiento\u00bb, dice Li-wei Lehman, cient\u00edfico investigador del MIT en el Instituto de Ingenier\u00eda M\u00e9dica y Ciencia del MIT y l\u00edder del proyecto MIT-IBM Watson AI Lab. \u00abSe ha trabajado mucho en t\u00e9rminos de aprendizaje profundo para contrafactuales. pero [se ha] centrado en un ajuste de exposici\u00f3n puntual\u00bb, o una estrategia de tratamiento est\u00e1tica que var\u00eda en el tiempo, que no permite el ajuste de los tratamientos a medida que cambia el historial del paciente. Sin embargo, el nuevo enfoque de predicci\u00f3n de su equipo proporciona flexibilidad en el plan de tratamiento y las posibilidades de alteraci\u00f3n del tratamiento con el tiempo a medida que cambian el historial de covariables del paciente y los tratamientos anteriores\u00bb. G-Net es el primer enfoque de aprendizaje profundo basado en el c\u00e1lculo g que puede predecir tanto el nivel de poblaci\u00f3n como el nivel individual efectos del tratamiento bajo estrategias de tratamiento din\u00e1micas y variables en el tiempo\u00bb.<\/p>\n
La investigaci\u00f3n, que se public\u00f3 recientemente en Proceedings of Machine Learning Research, fue coautora de Rui Li MEng ’20, Stephanie Hu MEng ’21, ex El posdoctorado del MIT Mingyu Lu MD, la estudiante de posgrado Yuria Utsumi, el miembro del personal de investigaci\u00f3n de IBM Prithwish Chakraborty, el director de investigaci\u00f3n de IBM de servicios de nube h\u00edbrida Daby Sow, el cient\u00edfico de datos de IBM Piyush Madan, el cient\u00edfico de investigaci\u00f3n de IBM Mohamed Ghalwash y el cient\u00edfico de investigaci\u00f3n de IBM Zach Shahn.<\/p>\n
Seguimiento de la progresi\u00f3n de la enfermedad<\/p>\n
Para construir, validar y probar las capacidades predictivas de G-Net, los investigadores consideraron el sistema circulatorio en pacientes s\u00e9pticos en la UCI. Durante la atenci\u00f3n cr\u00edtica, los m\u00e9dicos deben hacer concesiones y juicios, como garantizar que los \u00f3rganos reciban un suministro de sangre adecuado sin sobrecargar el coraz\u00f3n. Para ello, podr\u00edan administrar l\u00edquidos intravenosos a los pacientes para aumentar la presi\u00f3n arterial; sin embargo, demasiado puede causar edema. Como alternativa, los m\u00e9dicos pueden administrar vasopresores, que act\u00faan para contraer los vasos sangu\u00edneos y aumentar la presi\u00f3n arterial.<\/p>\n
Para imitar esto y demostrar la prueba de concepto de G-Net, el equipo utiliz\u00f3 CVSim, un modelo mec\u00e1nico de un sistema cardiovascular humano que se rige por 28 variables de entrada que caracterizan el estado actual del sistema, como la presi\u00f3n arterial, la presi\u00f3n venosa central, el volumen sangu\u00edneo total y la resistencia perif\u00e9rica total, y que se modific\u00f3 para simular varios procesos patol\u00f3gicos (p. ej., sepsis o p\u00e9rdida de sangre) y efectos de las intervenciones (p. ej., l\u00edquidos y vasopresores). Los investigadores utilizaron CVSim para generar datos observacionales de pacientes para el entrenamiento y para la comparaci\u00f3n de la \u00abverdad sobre el terreno\u00bb con la predicci\u00f3n contraf\u00e1ctica. En su arquitectura G-Net, los investigadores ejecutaron dos RNN para manejar y predecir variables que son continuas, lo que significa que pueden tomar un rango de valores, como la presi\u00f3n arterial y variables categ\u00f3ricas, que tienen valores discretos, como la presencia o ausencia de edema pulmonar. Los investigadores simularon las trayectorias de salud de miles de \u00abpacientes\u00bb que presentaban s\u00edntomas bajo un r\u00e9gimen de tratamiento, digamos A, durante 66 intervalos de tiempo, y los usaron para entrenar y validar su modelo.<\/p>\n
Prueba de la capacidad de predicci\u00f3n de G-Net , el equipo gener\u00f3 dos conjuntos de datos contraf\u00e1cticos. Cada uno conten\u00eda aproximadamente 1000 trayectorias de salud de pacientes conocidas, que se crearon a partir de CVSim utilizando la misma condici\u00f3n de \u00abpaciente\u00bb como punto de partida en el tratamiento A. Luego, en el paso de tiempo 33, el tratamiento cambi\u00f3 al plan B o C, seg\u00fan el conjunto de datos. Luego, el equipo realiz\u00f3 100 trayectorias de predicci\u00f3n para cada uno de estos 1000 pacientes, cuyo tratamiento e historial m\u00e9dico se conoc\u00edan hasta el paso de tiempo 33, cuando se administr\u00f3 un nuevo tratamiento. En estos casos, la predicci\u00f3n coincidi\u00f3 bien con las observaciones \u00abreales\u00bb para pacientes individuales y trayectorias promedio a nivel de poblaci\u00f3n.<\/p>\n
Un corte por encima del resto<\/p>\n
Dado que el c\u00e1lculo g marco es flexible, los investigadores quer\u00edan examinar la predicci\u00f3n de G-Net utilizando diferentes modelos no lineales, en este caso, modelos de memoria a corto plazo (LSTM), que son un tipo de RNN que pueden aprender de patrones o secuencias de datos anteriores en comparaci\u00f3n con los modelos lineales m\u00e1s cl\u00e1sicos. y un modelo de percepci\u00f3n multicapa (MLP), un tipo de red neuronal que puede hacer predicciones utilizando un enfoque no lineal. Siguiendo una configuraci\u00f3n similar a la anterior, el equipo descubri\u00f3 que el error entre los casos conocidos y los predichos era menor en los modelos LSTM en comparaci\u00f3n con los dem\u00e1s. Dado que G-Net puede modelar los patrones temporales de la historia de la UCI del paciente y el tratamiento anterior, mientras que un modelo lineal y MLP no pueden, pudo predecir mejor el resultado del paciente.<\/p>\n
El equipo tambi\u00e9n compar\u00f3 G-Net -La predicci\u00f3n de Net en un entorno de tratamiento est\u00e1tico que var\u00eda en el tiempo frente a dos enfoques de predicci\u00f3n contrafactual basados en aprendizaje profundo de \u00faltima generaci\u00f3n, una red estructural marginal recurrente (rMSN) y una red neuronal recurrente contrafactual (CRN), as\u00ed como un modelo lineal y un MLP. Para ello, investigaron un modelo para el crecimiento tumoral sin tratamiento, radiaci\u00f3n, quimioterapia y escenarios de radiaci\u00f3n y quimioterapia. \u00abImag\u00ednese un escenario en el que hay un paciente con c\u00e1ncer, y un ejemplo de un r\u00e9gimen est\u00e1tico ser\u00eda si solo le da una dosis fija de quimioterapia, radiaci\u00f3n o cualquier tipo de medicamento, y espera hasta el final de su trayectoria\u00bb, comenta Lu. . Para estas investigaciones, los investigadores generaron datos de observaci\u00f3n simulados usando el volumen del tumor como la principal influencia que dicta los planes de tratamiento y demostraron que G-Net super\u00f3 a los otros modelos. Una posible raz\u00f3n podr\u00eda ser que se sabe que el c\u00e1lculo g es m\u00e1s eficiente estad\u00edsticamente que rMSN y CRN, cuando los modelos se especifican correctamente.<\/p>\n
Si bien G-Net ha funcionado bien con datos simulados, a\u00fan queda mucho por hacer antes de que pueda aplicarse a pacientes reales. Dado que las redes neuronales se pueden considerar como \u00abcajas negras\u00bb para los resultados de predicci\u00f3n, los investigadores est\u00e1n comenzando a investigar la incertidumbre en el modelo para ayudar a garantizar la seguridad. En contraste con estos enfoques que recomiendan un plan de tratamiento \u00ab\u00f3ptimo\u00bb sin la participaci\u00f3n de ning\u00fan m\u00e9dico, \u00abcomo herramienta de apoyo a la toma de decisiones, creo que G-Net ser\u00eda m\u00e1s interpretable, ya que los m\u00e9dicos ingresar\u00edan las estrategias de tratamiento por s\u00ed mismos\u00bb, dice Lehman, y \u00abG-Net les permitir\u00e1 poder explorar diferentes hip\u00f3tesis\u00bb. Adem\u00e1s, el equipo pas\u00f3 a utilizar datos reales de pacientes de UCI con sepsis, acerc\u00e1ndolos un paso m\u00e1s a la implementaci\u00f3n en hospitales.<\/p>\n
\u00abCreo que es muy importante y emocionante para las aplicaciones del mundo real\u00bb. dice Hu. \u00abSer\u00eda \u00fatil tener alguna forma de predecir si un tratamiento podr\u00eda funcionar o cu\u00e1les podr\u00edan ser los efectos, un proceso de iteraci\u00f3n m\u00e1s r\u00e1pido para desarrollar estas hip\u00f3tesis sobre qu\u00e9 probar, antes de intentar implementarlas en un per\u00edodo de varios a\u00f1os\u00bb. tipo de ensayo cl\u00ednico potencialmente muy complicado y muy invasivo\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Riesgo calculado: una nueva herramienta para predecir la mortalidad en pacientes con insuficiencia hep\u00e1tica M\u00e1s informaci\u00f3n:<\/strong> Rui Li et al, G-Net: a Recurrent Network Approach to G-Computation para la predicci\u00f3n contrafactual bajo un r\u00e9gimen de tratamiento din\u00e1mico, Procedimientos de investigaci\u00f3n de aprendizaje autom\u00e1tico (2021). procedimiento.mlr.press\/v158\/li21a.html Proporcionado por el Instituto de Tecnolog\u00eda 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 e innovaci\u00f3n del MIT. y ense\u00f1anza <\/p>\n Cita<\/strong>: La t\u00e9cnica de aprendizaje profundo predice los resultados del tratamiento cl\u00ednico (25 de febrero de 2022) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2022-02-deep-learning- tecnica-clinical-tratamiento-resultados.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 Public Domain Cuando se trata de estrategias de tratamiento para pacientes en estado cr\u00edtico, los m\u00e9dicos quieren poder considerar todas sus opciones y tiempos de administraci\u00f3n, y tomar las decisi\u00f3n \u00f3ptima para sus pacientes. Si bien la experiencia y el estudio de los m\u00e9dicos les ha ayudado a tener \u00e9xito en este esfuerzo, … Continuar leyendo \u00abLa t\u00e9cnica de aprendizaje profundo predice los resultados del tratamiento cl\u00ednico\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-7681","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/7681","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=7681"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/7681\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=7681"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=7681"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=7681"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}