Los programas de aprendizaje automático predicen el riesgo de muerte en función de los resultados de las pruebas hospitalarias de rutina

Jun 18, 2023

Resumen: Usando datos de ECG, un nuevo algoritmo de aprendizaje automático pudo predecir la muerte dentro de los 5 años posteriores a la admisión de un paciente en el hospital con un 87% de precisión. La IA pudo clasificar a los pacientes en 5 categorías que iban desde bajo a alto riesgo de muerte.

Fuente:universidad de alberta

Si alguna vez ha sido admitido en un hospital o ha visitado un departamento de emergencias, es probable que le hayan hecho un electrocardiograma o ECG, una prueba estándar que involucra pequeños electrodos pegados al pecho que verifican el ritmo cardíaco y la actividad eléctrica.

Los ECG de los hospitales generalmente los lee un médico o una enfermera junto a su cama, pero ahora los investigadores están utilizando inteligencia artificial para obtener aún más información de esos resultados para mejorar su atención y el sistema de atención médica al mismo tiempo.

En hallazgos publicados recientemente, el equipo de investigación creó y entrenó programas de aprendizaje automático basados ​​en 1,6 millones de ECG realizados en 244.077 pacientes en el norte de Alberta entre 2007 y 2020.

El algoritmo predijo el riesgo de muerte a partir de ese momento para cada paciente por todas las causas dentro de un mes, un año y cinco años con una tasa de precisión del 85 por ciento, clasificando a los pacientes en cinco categorías de menor a mayor riesgo.

Las predicciones fueron aún más precisas cuando se incluyeron información demográfica (edad y sexo) y seis resultados estándar de análisis de sangre de laboratorio.

El estudio es una prueba de concepto para el uso de datos recopilados de forma rutinaria para mejorar la atención individual y permitir que el sistema de atención de la salud "aprenda" sobre la marcha, según la investigadora principal Padma Kaul, profesora de medicina y codirectora del Canadian Centro VIGOR.

"Queríamos saber si podíamos usar nuevos métodos como la inteligencia artificial y el aprendizaje automático para analizar los datos e identificar a los pacientes que tienen un mayor riesgo de mortalidad", explica Kaul.

"Estos hallazgos ilustran cómo se pueden emplear los modelos de aprendizaje automático para convertir los datos recopilados de forma rutinaria en la práctica clínica en conocimiento que se puede utilizar para aumentar la toma de decisiones en el punto de atención como parte de un sistema de atención médica de aprendizaje".

Un médico ordenará un electrocardiograma si tiene presión arterial alta o síntomas de enfermedad cardíaca, como dolor en el pecho, dificultad para respirar o latidos cardíacos irregulares. La primera fase del estudio examinó los resultados del ECG en todos los pacientes, pero Kaul y su equipo esperan refinar estos modelos para subgrupos particulares de pacientes.

También planean enfocar las predicciones más allá de la mortalidad por todas las causas para observar específicamente las causas de muerte relacionadas con el corazón.

"Queremos tomar los datos generados por el sistema de atención de la salud, convertirlos en conocimiento y retroalimentarlos al sistema para que podamos mejorar la atención y los resultados. Esa es la definición de un sistema de atención de la salud que aprende".

Autor:Ross NeitzFuente:universidad de albertaContacto:Ross Neitz-Universidad de AlbertaImagen:La imagen es de dominio público.

Investigacion original: Acceso abierto. "Hacia un sistema de salud de aprendizaje basado en inteligencia artificial para la predicción de mortalidad a nivel de población mediante electrocardiogramas" por Padma Kaul et al. npj medicina digital

Abstracto

Hacia un sistema sanitario de aprendizaje basado en inteligencia artificial para la predicción de la mortalidad a nivel poblacional mediante electrocardiogramas

La viabilidad y el valor de vincular los datos del electrocardiograma (ECG) con los datos de salud administrativos longitudinales a nivel de población para facilitar el desarrollo de un sistema de atención médica de aprendizaje no se ha explorado completamente. Desarrollamos modelos de aprendizaje automático basados ​​en ECG para predecir el riesgo de mortalidad entre los pacientes que se presentan en un departamento de emergencias u hospital por cualquier motivo.

Utilizando los trazos de ECG de 12 derivaciones y las mediciones de 1 605 268 ECG de 748 773 episodios de atención médica de 244 077 pacientes (2007–2020) en Alberta, Canadá, desarrollamos y validamos Deep Learning (DL) basado en ResNet y XGBoost (XGB) basado en gradiente. modelos para predecir la mortalidad a 30 días, 1 año y 5 años. Los modelos de mortalidad a 30 días, 1 año y 5 años se entrenaron en 146 173, 141 072 y 111 020 pacientes y se evaluaron en 97 144, 89 379 y 55 650 pacientes, respectivamente. En la cohorte de evaluación, el 7,6 %, el 17,3 % y el 32,9 % de los pacientes fallecieron a los 30 días, 1 año y 5 años, respectivamente.

Los modelos ResNet basados ​​únicamente en trazos de ECG tuvieron un rendimiento de bueno a excelente con un área bajo la curva característica operativa del receptor (AUROC) de 0,843 (IC del 95 %: 0,838–0,848), 0,812 (0,808–0,816) y 0,798 (0,792–0,803) para predicción de 30 días, 1 año y 5 años, respectivamente; y fueron superiores a los modelos XGB basados ​​en mediciones de ECG con AUROC de 0,782 (0,776–0,789), 0,784 (0,780–0,788) y 0,746 (0,740–0,751).

Este estudio demuestra la validez de los modelos de predicción de mortalidad por DL ​​basados ​​en ECG a nivel de población que pueden aprovecharse para el pronóstico en el punto de atención.

¡Excelente artículo, Ross! Es impresionante ver cómo los algoritmos de aprendizaje automático pueden predecir el riesgo de muerte con tasas de precisión tan altas basadas en datos de ECG y otras pruebas hospitalarias de rutina. ¿Cree que esta tecnología se implementará ampliamente en el sistema de salud y cómo afectará la atención al paciente?

Si se programó con datos suficientes y precisos, todo se reduce a estadísticas. Nada nuevo bajo el sol, por así decirlo. Lo que ha sucedido un número significativo de veces con un resultado determinado es probable que vuelva a suceder.

Me pregunto si se incluyeron las causas iatrogénicas de muerte.

Los comentarios están cerrados.