Herramienta de IA identifica a pacientes que podrían requerir ingreso hospitalario de emergencia

Las admisiones de emergencia, en las que los pacientes requieren atención hospitalaria urgente, plantean un desafío importante para los sistemas de atención médica. El desarrollo de modelos de predicción de riesgos puede ayudar a aliviar este problema al ayudar a las intervenciones de atención primaria y la planificación de la salud pública. Los investigadores han utilizado el aprendizaje automático para crear una actualización de una herramienta diseñada para identificar a las personas con alto riesgo de requerir atención hospitalaria urgente en los próximos 12 meses.

El algoritmo SPARRAv4 ("Scottish Patients At Risk of Readmission and Admission") predice el riesgo de un ingreso de emergencia en los próximos 12 meses. El algoritmo SPARRA se desarrolló utilizando las bases de datos de registros médicos electrónicos (EHR) de Escocia y se utiliza desde 2006 en el país. La versión actual del algoritmo (SPARRAv3) se implementó en 2012/13 y Public Health Scotland (PHS) lo calcula mensualmente para casi toda la población escocesa. Los médicos de cabecera pueden acceder a las puntuaciones SPARRA a nivel individual para ayudarlos a diseñar estrategias de mitigación para pacientes con necesidades de atención complejas. Además, las puntuaciones SPARRA agregadas se pueden utilizar para estimar la demanda futura, lo que ayuda en la planificación y la asignación de recursos. SPARRA también se ha utilizado ampliamente en la investigación de salud pública.

Un equipo de investigación que incluyó a investigadores de la Universidad de Edimburgo (Edimburgo, Reino Unido) ha actualizado el algoritmo SPARRA a la versión 4 (SPARRAv4) utilizando métodos contemporáneos de aprendizaje automático (ML) supervisados y no supervisados. Analizaron los registros médicos de 4,8 millones de residentes de Escocia, recopilados entre 2013 y 2018 y mantenidos por el PHS. Estos registros incluían información recopilada rutinariamente por los proveedores de atención médica, como el historial del paciente, los detalles de prescripciones y las admisiones hospitalarias anteriores. Al aplicar técnicas de aprendizaje automático a este conjunto de datos, los investigadores desarrollaron SPARRAv4 para predecir qué pacientes podrían necesitar atención hospitalaria de emergencia en un plazo de 12 meses.

En las pruebas, el equipo descubrió que SPARRAv4 era más eficaz para identificar admisiones de emergencia en comparación con la versión anterior. Según los resultados publicados en npj Digital Medicine, SPARRAv4 también demostró una precisión mejorada en la evaluación de los niveles de riesgo de los pacientes individuales de necesitar atención hospitalaria urgente. Los investigadores afirman que la actualización impulsada por IA ayudará a los proveedores de atención médica en Escocia a anticipar y planificar los casos de emergencia de manera más efectiva, al tiempo que administran los recursos de atención médica de manera más eficiente. Enfatizan que, aunque la herramienta será una ayuda vital, no reemplazará el juicio clínico crítico de los profesionales médicos.

Visitar la expo >

Miembro Oro

VISOR EN PANTALLA DE DIAGNÓSTICO EN TIEMPO REAL

GEMweb Live

Antipsychotic TDM Assays
Saladax Antipsychotic Assays

Neonatal Ventilator Simulation Device

Disposable Infant Test Lung

Digital Color Doppler Ultrasound System

MS22Plus