Algoritmo de IA mejora la nutrición intravenosa de bebés prematuros

Cada año, alrededor del 10% de los bebés nacen prematuramente, lo que significa que llegan al menos tres semanas antes de su fecha prevista. Los bebés que nacen con más de ocho semanas de antelación a menudo no pueden absorber nutrientes a través de sus intestinos y requieren alimentación intravenosa (IV). Algunos bebés prematuros también enfrentan complicaciones gastrointestinales, lo que hace necesaria la nutrición intravenosa, también conocida como nutrición parenteral total (NPT), mientras sus sistemas digestivos sanan.

Actualmente, la nutrición intravenosa se prescribe diariamente en función de factores como el peso del bebé, su etapa de desarrollo y los resultados de laboratorio. Este proceso requiere la intervención de seis especialistas, incluidos un neonatólogo o farmacéutico, un dietista y dos farmacéuticos encargados de la verificación. Luego, la receta se envía a una farmacia de compuestos para su preparación antes de llegar a la unidad de cuidados intensivos neonatales (UCIN), donde una enfermera administra la vía intravenosa mientras otra enfermera verifica la precisión de la receta. Este procedimiento de varios pasos es propenso a errores y dificulta que los médicos confirmen si un bebé prematuro ha recibido la cantidad correcta de calorías, ya que no existe una prueba de sangre que permita medirlo. Además, a diferencia de los recién nacidos a término, los bebés prematuros no suelen llorar cuando tienen hambre ni mostrar señales de saciedad cuando están satisfechos. Como resulatdo, la nutrición parenteral total se ha convertido en una de las principales causas de errores médicos en las UCIN a nivel mundial.

Un nuevo estudio en Stanford Medicine (Stanford, CA, EUA) sugiere que la inteligencia artificial (IA) podría mejorar la nutrición intravenosa para bebés prematuros. El estudio, publicado en Nature Medicine, es uno de los primeros en demostrar cómo la IA puede ayudar a los médicos a tomar mejores decisiones para los recién nacidos. El algoritmo de IA utiliza datos de los registros médicos electrónicos (EMR) de los bebés prematuros para predecir los nutrientes necesarios y sus cantidades. El algoritmo se entrenó con diez años de datos de EMR del Lucile Packard Children's Hospital Stanford, que abarcan 79.790 prescripciones de nutrición IV para 5.913 bebés prematuros. El sistema también tuvo acceso a los resultados de los pacientes, lo que le permitió descubrir patrones que vinculaban los niveles de nutrientes con los resultados de salud. Aunque los médicos no siempre lograban ajustar con precisión cada prescripción, la IA fue capaz de analizar un volumen masivo de datos y generalizar sus hallazgos para mejorar las recomendaciones nutricionales en distintos contextos clínicos.

Después de procesar estos datos, la IA agrupó prescripciones de nutrientes similares para identificar cuántas fórmulas estándar serían necesarias para cubrir las necesidades nutricionales de todos los pacientes y qué debería incluirse en cada fórmula. Los investigadores demostraron que la IA podía usar los datos de los pacientes para recomendar cuál de las 15 fórmulas podría necesitar un bebé en un día determinado, ajustando las recomendaciones a medida que evolucionaban la condición y las necesidades del bebé. Por ejemplo, el algoritmo podría recomendar la fórmula n.º 8 durante cinco días, luego cambiar a la fórmula n.º 3 durante una semana, y así sucesivamente. Para probar la eficacia de este enfoque, el equipo de investigación pidió a 10 neonatólogos que evaluaran la información clínica de pacientes anteriores, junto con las recetas reales que habían recibido los bebés y las recomendaciones generadas por la IA. Los médicos no sabían cuál prescripción correspondía a cuál fuente y debían elegir la opción que consideraban mejor. Los resultados mostraron que los médicos prefirieron de manera consistente las prescripciones generadas por la IA frente a las reales.

Los investigadores validaron aún más sus hallazgos comparando las prescripciones generadas por la IA con las prescripciones reales, utilizando datos de la Universidad de California en San Francisco, que incluían 63.273 prescripciones nutricionales correspondientes a 3.417 pacientes. El modelo de IA logró predecir con éxito las necesidades nutricionales de este nuevo grupo de pacientes. El siguiente paso del equipo es realizar un ensayo clínico aleatorizado, en el que algunos pacientes recibirán recetas mediante el método manual tradicional, mientras que otros seguirán las recomendaciones de la IA, para evaluar el impacto de cada método en los resultados de los pacientes.

Una vez implementado, el modelo de IA permitiría a médicos y farmacéuticos revisar las recomendaciones y ajustarlas según fuera necesario. Cuando una prescripción recibe aprobación médica, el bebé podría recibir de inmediato una de las 15 fórmulas nutricionales estándar, que estarían almacenadas en el hospital, eliminando así la necesidad de una farmacia especializada. El uso de fórmulas estándar podría reducir significativamente los costos y mejorar la accesibilidad, especialmente en entornos de bajos recursos u hospitales de países de bajos ingresos. La introducción de recetas de nutrición intravenosa basadas en IA podría reducir los errores médicos, ahorrar tiempo y dinero, y optimizar la atención a bebés prematuros en entornos con menos recursos.

“Esto refleja nuestra esperanza de que la IA mejore la medicina: mejorará a los médicos y facilitará el acceso a una atención de primera calidad”, afirmó el coautor del estudio, el Dr. David Stevenson, neonatólogo y profesor Harold K. Faber de Pediatría. “Esperamos que también permitirá que nuestros médicos tengan más tiempo para hacer las cosas que las computadoras no pueden hacer, como pasar tiempo con los bebés y sus familias, escucharlos y brindarles consuelo y tranquilidad”.

Enlaces relacionados:
Medicina de Stanford

Visitar la expo >

Miembro Oro

12-Channel ECG

CM1200B

Miembro Oro

SARS‑CoV‑2/Flu A/Flu B/RSV Sample-To-Answer Test

SARS‑CoV‑2/Flu A/Flu B/RSV Cartridge (CE-IVD)

New

4K-3D NIR/ICG Video Endoscope

TIPCAM 1 Rubina

New

Imaging Table

CFPM200