El modelo de aprendizaje automático predice con precisión el accidente cerebrovascular utilizando datos existentes

Jan 17, 2024

El accidente cerebrovascular puede ser complicado de diagnosticar, ya que los pacientes no siempre presentan los síntomas clásicos y otras afecciones pueden imitarlo. Los investigadores han utilizado los datos existentes para desarrollar un modelo de aprendizaje automático que predice con precisión el accidente cerebrovascular y puede facilitar el diagnóstico.

Los errores de diagnóstico presentan un importante problema de salud pública y contribuyen al daño evitable al paciente y al gasto excesivo en salud. Las muertes prevenibles por accidentes cerebrovasculares debido a errores de diagnóstico son 30 veces más comunes que los ataques cardíacos mal diagnosticados.

El accidente cerebrovascular puede ser particularmente difícil de diagnosticar, ya que sus signos y síntomas pueden ser simulados por otras afecciones, como convulsiones, migrañas, trastornos psiquiátricos e intoxicación por drogas y alcohol. Además, los accidentes cerebrovasculares pueden presentarse con síntomas atípicos. Aproximadamente el 25% de las personas que sufren un accidente cerebrovascular no presentan los problemas habituales del habla, la caída de la cara y la debilidad de las extremidades, lo que complica aún más la capacidad de un profesional de la salud para hacer un diagnóstico preciso.

Investigadores de las universidades Carnegie Mellon, Florida International y Santa Clara desarrollaron una herramienta de detección automatizada utilizando tecnología de aprendizaje automático para eliminar algunas conjeturas al diagnosticar un accidente cerebrovascular.

"Se han utilizado métodos de aprendizaje automático para ayudar a detectar accidentes cerebrovasculares mediante la interpretación de datos detallados, como notas clínicas y resultados de imágenes de diagnóstico", dijo Rema Padman, autor correspondiente del estudio. "Pero es posible que esa información no esté fácilmente disponible cuando los pacientes son clasificados inicialmente en los departamentos de emergencia de los hospitales, especialmente en las comunidades rurales y desatendidas".

Para desarrollar su algoritmo de predicción de accidentes cerebrovasculares, los investigadores utilizaron más de 143 000 registros de pacientes individuales de admisiones a hospitales de atención aguda de Florida entre 2012 y 2014. También incorporaron datos de la Encuesta sobre la comunidad estadounidense realizada por la Oficina del Censo de EE. UU., que incluía datos demográficos como la edad , género, raza y condiciones médicas existentes.

El modelo de aprendizaje automático predijo el accidente cerebrovascular con un 84 % de precisión. También fue muy sensible, superando a los modelos de diagnóstico existentes, que tienden a pasar por alto hasta el 30 % de los accidentes cerebrovasculares.

"La sensibilidad moderada de los modelos existentes genera preocupaciones de que pasan por alto un porcentaje sustancial de personas con accidente cerebrovascular", dijo Min Chen, autor principal del estudio. "En hospitales con escasez de recursos médicos y personal clínico, nuestro algoritmo puede complementar los modelos actuales para ayudar a priorizar rápidamente a los pacientes para una intervención adecuada".

Los hallazgos del estudio sugieren que este modelo de aprendizaje automático puede predecir con precisión la probabilidad de que una persona haya tenido o esté teniendo un accidente cerebrovascular antes de obtener la confirmación a través de imágenes de diagnóstico o pruebas de laboratorio.

"Debido a que nuestro modelo no requiere notas clínicas o resultados de pruebas de diagnóstico, podría ser particularmente útil para abordar los desafíos de diagnósticos erróneos cuando se trata de pacientes sin cita previa con accidente cerebrovascular con síntomas más leves y atípicos", dijo Xuan Tan, coautor del estudio. estudiar. "También podría ser útil en los departamentos de emergencia de centros de bajo volumen o que no son de accidentes cerebrovasculares, donde los proveedores tienen una exposición diaria limitada a los accidentes cerebrovasculares y en áreas rurales con disponibilidad limitada de herramientas de diagnóstico sensibles".

Pero los investigadores señalan que su algoritmo no pretende ser un modelo independiente; debe usarse junto con los modelos existentes de diagnóstico de accidentes cerebrovasculares.

Los investigadores recomiendan que su algoritmo de predicción de accidentes cerebrovasculares se incorpore a una herramienta de detección automatizada asistida por computadora accesible en el momento de la admisión al hospital.

El estudio fue publicado en el Journal of Medical Internet Research.

Fuente: Universidad Carnegie Mellon