Modelo de IA para seguimiento de COVID-19 predice mortalidad durante los primeros 30 días del ingreso

Un estudio de un equipo de investigadores se ha convertido en un referente internacional sobre el uso fiable de la inteligencia artificial (IA) en el seguimiento y manejo de la COVID-19.

En un artículo publicado en la revista Journal of the American Medical Informatics Association, el equipo de investigación de la Universitat Politècnica de València (UPV, Valencia, España), demostró las limitaciones que la variabilidad o heterogeneidad de los datos puede tener para aplicar de forma fiable la IA cuando se trata de fuentes múltiples, por ejemplo, debido a la variedad de hospitales o países. El artículo establece los aspectos clave de las posibles soluciones a tales limitaciones. Además, el equipo desarrolló nuevas herramientas basadas en este estudio para ayudar a describir y clasificar a los pacientes con COVID-19.

Los investigadores también desarrollaron un modelo de IA para la predicción temprana de mortalidad (dentro de los primeros 30 días de ingreso en el servicio de urgencias), centrándose sobre todo en adultos mayores de 50 años. También desarrollaron una aplicación de aprendizaje profundo que ayuda a predecir la gravedad en todos los grupos de edad, con la ventaja de poder operar incluso con información incompleta del paciente, ofreciendo una IA robusta y confiable en caso de problemas de calidad de datos.

“Estos modelos predictivos pueden ayudar a seleccionar el mejor tratamiento para cada paciente de acuerdo con su riesgo de mortalidad y a planificar y administrar recursos en casos de baja disponibilidad de recursos, y de manera que puedan soportar posibles incertidumbres en la información disponible”, dijo. Carlos Sáez, miembro del equipo de investigación del grupo BDSLab-ITACA de la Universitat Politècnica de València, quien coordinó el estudio.

Además, tras un estudio de casi 800.000 casos de COVID-19, los investigadores desarrollaron una nueva técnica para investigar los subfenotipos (dividir las poblaciones de pacientes en grupos significativos) de acuerdo con las características clínicas. Se puede usar esta técnica, basada en IA exploratoria de meta-grupos, para obtener de forma automática un gran número de resultados en diferentes niveles sociodemográficos (por grupo de edad, sexo y combinaciones de estos), que de otro modo tendrían que realizarse de forma manual, implicando trabajo adicional. Esta técnica no solo fomenta la no discriminación, sino que también presenta los resultados al usuario de manera detallada e intuitiva, listos para la exploración. La aplicación de esta técnica a los casos llevó al equipo a concluir que la edad cronológica por sí sola no se puede utilizar como factor de riesgo de gravedad, sino que debe ir siempre acompañada de comorbilidades e incluso de hábitos (edad fisiológica).

“También observamos que, en condiciones clínicas equivalentes, las mujeres tienen una mayor tasa de recuperación que los hombres y, entre las personas mayores, son las mayores de 100 años las que mejor se recuperan. Y encontramos que existe una variabilidad importante en las tasas de recuperación entre los diferentes estados de México, también dependiendo de la institución clínica”, concluyó Carlos Sáez.

Enlaces Relacionados:
Universitat Politècnica de València

Visitar la expo >

Miembro Oro

Handheld Blood Glucose Analyzer

STAT-Site

Monitor de radiología
MDNC-6121 Barco Nio Color 5.8MP

Gas Analyzer

GE SAM

Creatinine/eGFR Meter

StatSensor® Creatinine/eGFR Meter