Un equipo de investigadores liderado por la Dra. Rosario Delgado, del Departamento de Matemáticas de la UAB, en colaboración con el Hospital de Mataró, ha desarrollado un nuevo modelo predictivo de aprendizaje automático para la evaluación del riesgo de morir de los pacientes ingresados en las UCIs, a partir de sus características. La investigación ha sido publicada en el último número de la revista Artificial Intelligence in Medicine, con la mención especial de "Position paper".
En el marco de la Inteligencia Artificial, el aprendizaje automático permite que un modelo aprenda de manera autónoma a partir de la información proporcionada por los datos históricos disponibles, y se vaya auto-modificando a medida que los datos se actualizan. Uno de los retos actuales es la construcción de modelos predictivos para hacer pronósticos médicos personalizados, y uno de los ámbitos donde pueden ser de gran ayuda es en el de la toma de decisiones sobre los pacientes ingresados en las Unidades de Cuidados intensivos (UCIs). Este proceso es complejo y costoso, está sometido a la variabilidad inherente en las opiniones de los diferentes especialistas, y basado en su experiencia e instinto. Por lo tanto, para mejorar la calidad de la atención en las UCIs es importante establecer protocolos fundamentados en datos objetivos y en una predicción cuidadosa del riesgo de mortalidad de los pacientes en función de sus características. En esta tarea las herramientas del aprendizaje automático pueden ser de gran ayuda para los expertos médicos.
Un equipo de investigadores liderado por la Dra. Rosario Delgado, del Departamento de Matemáticas de la UAB, en colaboración con el jefe de la UCI del Hospital de Mataró, el Dr. Juan Carlos Yébenes, profesor asociado de la UAB, el Sr. Àngel Lavado, de la Unidad de Gestión de la Información del Consorcio Sanitario del Maresme, y el Sr. José David Núñez-González, doctorando del Departamento de Matemáticas de la UAB, ha aplicado herramientas de aprendizaje automático para la construcción de un modelo predictivo de pronóstico que permite evaluar el riesgo de mortalidad de los pacientes ingresados en la UCI, basado en una base de datos real a partir de la cual se ha hecho su validación. El modelo puede ayudar en el proceso de toma de decisiones del personal sanitario de las UCIs mejorando la predicción de mortalidad prematura, haciendo más eficientes las decisiones médicas sobre pacientes de alto riesgo, evaluando la eficacia de nuevos tratamientos y detectando cambios en la práctica clínica.
El uso de este modelo representa una clara mejora respecto a la aproximación tradicional, consistente al predecir el riesgo de mortalidad a partir de la puntuación APACHE (Acute Physiology And Chronic Health Evaluation) -un cuestionario ampliamente utilizado para evaluar el estado de salud de una persona en función de diferentes indicadores-, mediante un modelo de regresión logística estimado y validado en grupos previos de pacientes. Los investigadores han demostrado experimentalmente que el nuevo modelo que han construido evita los puntos débiles de este enfoque tradicional, proporciona buenos resultados y constituye una alternativa mejor.
El modelo predictivo de pronóstico de aprendizaje automático construido por los investigadores consiste en un conjunto de clasificadores Bayesianos que se usan asignando un hashtag del pronóstico de vida (vivo o muerto) a cada individuo, en función de sus características demográficas, como el sexo y la edad; el índice de comorbididad de Charlson; su origen; la causa del ingreso; la presencia o no de sepsis; la severidad en las primeras 24 horas desde el ingreso; y también la puntuación del cuestionario APACHE II.
Los investigadores han mejorado la predicción del modelo mediante una combinación de las predicciones individuales de cada clasificador diseñada de forma que los errores de unas predicciones sean compensados por los aciertos de otras, y teniendo en cuenta el desequilibrio que supone la baja proporción de pacientes que mueren en las UCIs. El modelo predice la causa de la muerte de un paciente con un riesgo de mortalidad elevado, así como el destino del paciente si el riesgo es bajo. A este tipo de modelo se le denomina modelo predictivo jerárquico, porque hay dos niveles de predicción.
El modelo jerárquico predictivo de pronóstico que hemos introducido tiene un buen comportamiento predictivo, y además permite estudiar cuáles de las características del paciente son más decisivas, cuáles acontecen factores de riesgo, para la evaluación de su riesgo de mortalidad. También se puede extrapolar para comparar diferentes UCIs, o para llevar a cabo un estudio longitudinal para analizar la mejora con el tiempo de los protocolos de una determinada UCI explica Rosario Delgado. Esta metodología es útil y prometedora, y tiene una importante aplicabilidad clínica desde el momento en que puede ayudar a los expertos a tomar decisiones médicas sobre los pacientes de manera personalizada, y también a las autoridades sanitarias en la gestión de recursos, concluye.
###
La investigación ha sido publicada en el último número de la revista Artificial Intelligence in Medicine con la mención especial de "Position paper", y se ha llevado a cabo en colaboración con el Hospital de Mataró.
Journal
Artificial Intelligence in Medicine