La nueva investigación de CSAIL emplea muchos tipos de datos médicos, incluyendo registros de salud electrónicos, para predecir los resultados en los hospitales.
Los doctores son a menudo inundados por las señales de las cartas, de los resultados de la prueba, y de otras métricas para no perder de vista. Puede ser difícil integrar y monitorear todos estos datos para múltiples pacientes mientras toma decisiones de tratamiento en tiempo real, especialmente cuando los datos están documentados de manera inconsistente en los hospitales.
En un nuevo par de documentos, investigadores del Laboratorio de Informática y Inteligencia Artificial (CSAIL) del MIT exploran maneras de que las computadoras ayuden a los médicos a tomar mejores decisiones médicas.
Un equipo creó un método de aprendizaje de la máquina llamado “ICU Intervene” que toma grandes cantidades de datos de la unidad de cuidados intensivos (UCI), desde los vitales y los laboratorios hasta las notas y datos demográficos, para determinar qué tipos de tratamientos son necesarios para los diferentes síntomas. El sistema utiliza un ” aprendizaje profundo ” para hacer predicciones en tiempo real, aprendiendo de los casos pasados de la UCI para hacer sugerencias para el cuidado crítico, mientras que también explica el razonamiento detrás de estas decisiones.
“El sistema podría ser una ayuda para los médicos en la UCI, que es un alto estrés, el ambiente de alta demanda”, dice el estudiante de doctorado Harini Suresh, autor principal en el documento sobre ICU Intervención. “El objetivo es aprovechar los datos de los registros médicos para mejorar el cuidado de la salud y predecir intervenciones factibles”.
Otro equipo desarrolló un método denominado “EHR Model Transfer” que puede facilitar la aplicación de modelos predictivos en un sistema de registro electrónico de salud (EHR), a pesar de estar capacitado en datos de un sistema de HME diferente. Concretamente, utilizando este enfoque, el equipo demostró que los modelos predictivos para la mortalidad y la duración prolongada de la estancia pueden ser entrenados en un sistema de HME y utilizados para hacer predicciones en otro.
ICU Intervene fue co-desarrollado por Suresh, estudiante de pregrado Nathan Hunt, postdoctor Alistair Johnson, el investigador Leo Anthony Celi, MIT Profesor Peter Szolovits, y el doctorado Marzyeh Ghassemi. Fue presentado este mes en el Aprendizaje de la máquina para la Conferencia de Salud en Boston.
EHR Model Transfer fue co-desarrollado por los autores principales Jen Gong y Tristan Naumann, ambos estudiantes de doctorado en CSAIL, así como por Szolovits y John Guttag, profesor de ingeniería eléctrica en Dugald C. Jackson. Fue presentado en el Grupo de Interés Especial de ACM sobre Descubrimiento de Conocimiento y Minería de Datos en Halifax, Canadá.
Ambos modelos fueron entrenados utilizando datos de la base de datos de cuidados críticos MIMIC , que incluye datos de-identificados de aproximadamente 40.000 pacientes de cuidados críticos y fue desarrollado por el MIT Lab para la Fisiología Computacional.
ICU interviene
Los datos integrados de la UCI son vitales para automatizar el proceso de pronosticar los resultados de salud de los pacientes.
“Gran parte del trabajo anterior en la toma de decisiones clínicas se ha centrado en resultados como la mortalidad (probabilidad de muerte), mientras que este trabajo predice tratamientos aplicables”, dice Suresh. “Además, el sistema es capaz de utilizar un único modelo para predecir muchos resultados”.
Intervención de ICU se centra en la predicción horaria de cinco intervenciones diferentes que cubren una amplia variedad de necesidades de cuidados críticos, tales como asistencia respiratoria, mejora de la función cardiovascular, disminución de la presión arterial y terapia con líquidos.
A cada hora, el sistema extrae valores de los datos que representan signos vitales, así como notas clínicas y otros puntos de datos. Todos los datos están representados con valores que indican cuán lejos está un paciente del promedio (para luego evaluar el tratamiento adicional).
Es importante destacar que la Intervención de ICU puede hacer predicciones en el futuro. Por ejemplo, el modelo puede predecir si un paciente necesitará un ventilador seis horas más tarde en lugar de sólo 30 minutos o una hora más tarde. El equipo también se enfocó en proporcionar razonamiento para las predicciones del modelo, dando a los médicos más información.
“Los modelos predictivos basados en redes neuronales profundas en la medicina a menudo son criticados por su naturaleza de caja negra”, dice Nigam Shah, profesor asociado de medicina en la Universidad de Stanford que no participó en el estudio. “Sin embargo, estos autores predicen el inicio y el final de las intervenciones médicas con alta precisión, y son capaces de demostrar la interpretabilidad de las predicciones que hacen”.
El equipo encontró que el sistema superó el trabajo anterior en la predicción de las intervenciones, y fue especialmente bueno en predecir la necesidad de vasopresores, un medicamento que aprieta los vasos sanguíneos y aumenta la presión arterial.
En el futuro, los investigadores estarán tratando de mejorar la Intervención de la UCI para poder dar una atención más individualizada y proporcionar un razonamiento más avanzado para las decisiones, como por qué un paciente podría disminuir los esteroides o por qué otro podría necesitar un procedimiento como Una endoscopia.
Transferencia de Modelo de EHR
Otra consideración importante para aprovechar los datos de la UCI es cómo se almacena y qué ocurre cuando se cambia el método de almacenamiento. Los modelos existentes de aprendizaje por máquina necesitan que los datos se codifiquen de manera coherente, por lo que el hecho de que los hospitales a menudo cambien sus sistemas de HME puede crear problemas importantes para el análisis y predicción de datos.
El enfoque funciona a través de diferentes versiones de las plataformas de EHR, utilizando el procesamiento del lenguaje natural para identificar conceptos clínicos que se codifican de forma diferente a través de sistemas y luego asignarlos a un conjunto común de conceptos clínicos (como “presión arterial” Y “frecuencia cardíaca”).
Por ejemplo, un paciente en una plataforma de EHR podría cambiar los hospitales y necesitaría que sus datos fueran transferidos a otro tipo de plataforma. EHR Model Transfer tiene como objetivo asegurar que el modelo todavía puede predecir aspectos de la visita de la paciente en la UCI, tales como su probabilidad de una estancia prolongada o incluso de morir en la unidad.
“Los modelos de aprendizaje mecánico en el cuidado de la salud a menudo sufren de baja validez externa y poca portabilidad entre los sitios”, dice Shah. “Los autores diseñan una estrategia ingeniosa para usar el conocimiento previo en ontologías médicas para derivar una representación compartida a través de dos sitios que permite que los modelos entrenados en un sitio funcionen bien en otro sitio. Estoy emocionado de ver tal uso creativo de conocimiento médico codificado en la mejora de la portabilidad de los modelos predictivos “.
Con EHR Model Transfer, el equipo probó la capacidad de su modelo para predecir dos resultados: la mortalidad y la necesidad de una estancia prolongada. Lo entrenaron en una plataforma de EHR y luego probaron sus predicciones en una plataforma diferente. EHR modelo de transferencia se encontró a superar los enfoques de línea de base y demostró una mejor transferencia de modelos predictivos a través de versiones de EHR en comparación con el uso de eventos específicos de EHR solo.
En el futuro, el equipo de EHR Model Transfer planea evaluar el sistema de datos y sistemas de EHR de otros hospitales y entornos de atención.
Ambos documentos fueron apoyados, en parte, por el Centro de Ciencia y Tecnología de Intel para Big Data y la Biblioteca Nacional de Medicina. El documento que detalla EHR Model Transfer fue apoyado adicionalmente por la National Science Foundation y Quanta Computer, Inc.
Fuente: MIT