Un algoritmo de predicción basado en inteligencia artificial, que utiliza aprendizaje automático y procesamiento de big data, puede predecir el desarrollo de muchos pacientes afectados por COVID-19 en tiempo real. Se trata de un nuevo método a disposición de los hospitales públicos gestionados por Quirónsalud.
El sistema de pronóstico se diseñó en mayo y se puso en marcha en el mencionado centro en septiembre. El responsable de big data de la red sanitaria explicó que la red sanitaria puede predecir aquellas hospitalizaciones que cumplan determinadas condiciones en función de la mortalidad y el deterioro de la enfermedad (el riesgo de ser ingresado en una unidad de cuidados intensivos (UCI) en las próximas horas) Criterios para el desarrollo de enfermedades en pacientes con COVID.
Para poner en práctica el algoritmo se estudiaron 352 variables y más de 15.000 pacientes. En los datos recopilados, se han evaluado los datos demográficos del paciente (como edad o sexo), historial médico personal (como hipertensión arterial o enfermedad cardiovascular, problemas pulmonares, cancerosos o renales). El estudio también consideró si el paciente había recibido medicamentos antes y en el momento del ingreso, así como otras variables, como si estaba ventilado mecánicamente o si fue aceptado en la UCI.
Una herramienta eficiente
En cuanto a la gestión asistencial, el algoritmo ayuda a optimizar la eficiencia fomentando la agilidad de actuar sobre los pacientes; la capacidad de predecir la demanda de determinados recursos con varios días de antelación, lo que nos permite predecir la demanda en cada momento.
El Departamento de Medicina y Respiración de la Fundación Jiménez Díaz indica que la herramienta puede verificar estos patrones a través de datos clínicos, mejorar la calidad y seguridad del proceso, y brindar a los profesionales médicos información más útil a la hora de tomar decisiones.
En este sentido, agregaron que los beneficios del sistema en relación con los beneficios del paciente son igualmente obvios. Esto se debe a que al mejorar la experiencia del hospital y la calidad y seguridad de la atención, existen factores que indican un desarrollo continuo desde el inicio.
Las variables clave se dividen en cuatro niveles
De las 20 variables identificadas como relevantes, los miembros del proyecto utilizaron árboles de decisión con hasta cuatro niveles de complejidad para hacer ajustes de modo que tuvieran una visión global clara de cómo cada variable afectaría la clasificación. En concreto, sobre un conjunto de 20 variables se aplica un algoritmo para calcular la probabilidad de un evento, que tiene información a priori sobre el evento, proporcionando así un conjunto de reglas de umbral que pueden predecir mejor la gravedad futura del paciente.
Posteriormente, una vez determinadas las variables relevantes, se entrenaron los dos modelos para determinar la probabilidad de que los pacientes hospitalizados requieran ingreso en UCI o fallezcan. Finalmente, la información del paciente y sus indicadores de análisis se transmiten a través de estos modelos para obtener los valores estimados correspondientes. De esta forma, los resultados se cargan en la base de datos en tiempo real y se integran en el historial médico del paciente para generar las correspondientes alertas predictivas para agilizar y facilitar la toma de decisiones.
Algoritmos de mejora y desarrollo permanente
Actualmente, todos estos departamentos se están beneficiando del proyecto, pero también brindan retroalimentación y mejoran continuamente a través del análisis de los resultados de los pacientes. De esta forma, el proyecto permite ampliar la muestra, ajustar los parámetros, incluir nuevas variables y optimizarlas, y enriquecer y perfeccionar permanentemente el algoritmo. Por lo tanto, luego de entrenar el modelo y ajustarlo a los datos disponibles, se reevaluó la importancia de cada variable. En ambos modelos predictivos, variables como la edad, el IMC o la fracción de oxígeno inspirado (FiO2) tienen pesos relevantes. Y, en el corto plazo, se espera agregar otras herramientas que ayudarán a mejorar la precisión de los resultados.
Aún no hay comentarios, ¡añada su voz abajo!