Unas herramientas de datos de salud automatizadas detectan la sepsis en los recién nacidos
Por el equipo editorial de HospiMedica en español Actualizado el 19 Mar 2019 |
Los modelos de aprendizaje automático pueden identificar a los bebés de la unidad de cuidados intensivos neonatales (UCIN) en riesgo de sepsis, horas antes de que los médicos reconozcan la condición potencialmente mortal.
Los investigadores del Hospital Infantil de Filadelfia (CHOP; PA, EUA) realizaron un estudio retrospectivo de casos y controles de 618 lactantes hospitalizados en la UCIN del CHOP entre septiembre de 2014 y noviembre de 2017, que recibieron al menos una evaluación de sepsis antes de los 12 meses de edad; la cohorte de estudio tuvo una mediana de edad gestacional de 34 semanas. Luego, los investigadores desarrollaron una lista de 36 características extraídas de las historias clínicas electrónicas (HCE) que se asociaron o se sospechaba que estaban asociadas con la sepsis infantil, que se agruparon bajo signos vitales, valores de laboratorio, comorbilidades y factores clínicos.
Luego, los investigadores utilizaron la validación cruzada anidada 10 veces para entrenar ocho modelos de aprendizaje automático con el fin de clasificar las entradas como sepsis positiva o negativa. Como los datos provinieron de una muestra retrospectiva de pacientes en las UCIN, los investigadores pudieron comparar cada una de las predicciones del modelo con los hallazgos posteriores de los bebés reales. En el análisis final, seis de los ocho modelos tuvieron un buen desempeño para la predicción exacta de la sepsis hasta cuatro horas antes del reconocimiento clínico de la enfermedad. El estudio fue publicado el 22 de febrero de 2019 en la revista PLOS One.
“Debido a que la detección temprana y la intervención rápida son esenciales en los casos de sepsis, las herramientas de aprendizaje automático como esta ofrecen el potencial de mejorar los resultados clínicos en estos bebés”, dijo el autor principal, Aaron Masino, PhD, del departamento de informática biomédica y de salud. “Los estudios clínicos de seguimiento permitirán a los investigadores evaluar el desempeño de dichos sistemas en un entorno hospitalario. Si la investigación valida algunos de estos modelos, podemos desarrollar una herramienta para respaldar las decisiones clínicas y mejorar los resultados en bebés críticamente enfermos”.
Si bien son relativamente poco frecuentes en bebés sanos a término, las tasas de sepsis son 200 veces más altas en niños prematuros u hospitalizados crónicamente. Los sobrevivientes de sepsis infantil pueden sufrir más adelante problemas a largo plazo, como enfermedad pulmonar crónica, discapacidades del desarrollo neurológico y estancias prolongadas en el hospital. El diagnóstico rápido de sepsis también suele ser difícil en los bebés hospitalizados, debido a los signos clínicos ambiguos y las inexactitudes en las pruebas de detección. Los retrasos en el reconocimiento de la sepsis también pueden causar retrasos en la intervención, incluido el tratamiento con antibióticos y la atención de apoyo.
Enlace relacionado:
Hospital Infantil de Filadelfia
Los investigadores del Hospital Infantil de Filadelfia (CHOP; PA, EUA) realizaron un estudio retrospectivo de casos y controles de 618 lactantes hospitalizados en la UCIN del CHOP entre septiembre de 2014 y noviembre de 2017, que recibieron al menos una evaluación de sepsis antes de los 12 meses de edad; la cohorte de estudio tuvo una mediana de edad gestacional de 34 semanas. Luego, los investigadores desarrollaron una lista de 36 características extraídas de las historias clínicas electrónicas (HCE) que se asociaron o se sospechaba que estaban asociadas con la sepsis infantil, que se agruparon bajo signos vitales, valores de laboratorio, comorbilidades y factores clínicos.
Luego, los investigadores utilizaron la validación cruzada anidada 10 veces para entrenar ocho modelos de aprendizaje automático con el fin de clasificar las entradas como sepsis positiva o negativa. Como los datos provinieron de una muestra retrospectiva de pacientes en las UCIN, los investigadores pudieron comparar cada una de las predicciones del modelo con los hallazgos posteriores de los bebés reales. En el análisis final, seis de los ocho modelos tuvieron un buen desempeño para la predicción exacta de la sepsis hasta cuatro horas antes del reconocimiento clínico de la enfermedad. El estudio fue publicado el 22 de febrero de 2019 en la revista PLOS One.
“Debido a que la detección temprana y la intervención rápida son esenciales en los casos de sepsis, las herramientas de aprendizaje automático como esta ofrecen el potencial de mejorar los resultados clínicos en estos bebés”, dijo el autor principal, Aaron Masino, PhD, del departamento de informática biomédica y de salud. “Los estudios clínicos de seguimiento permitirán a los investigadores evaluar el desempeño de dichos sistemas en un entorno hospitalario. Si la investigación valida algunos de estos modelos, podemos desarrollar una herramienta para respaldar las decisiones clínicas y mejorar los resultados en bebés críticamente enfermos”.
Si bien son relativamente poco frecuentes en bebés sanos a término, las tasas de sepsis son 200 veces más altas en niños prematuros u hospitalizados crónicamente. Los sobrevivientes de sepsis infantil pueden sufrir más adelante problemas a largo plazo, como enfermedad pulmonar crónica, discapacidades del desarrollo neurológico y estancias prolongadas en el hospital. El diagnóstico rápido de sepsis también suele ser difícil en los bebés hospitalizados, debido a los signos clínicos ambiguos y las inexactitudes en las pruebas de detección. Los retrasos en el reconocimiento de la sepsis también pueden causar retrasos en la intervención, incluido el tratamiento con antibióticos y la atención de apoyo.
Enlace relacionado:
Hospital Infantil de Filadelfia
Últimas Cuidados Criticos noticias
- Nueva tecnología podría revolucionar atención de valvulopatías cardíacas
- Dispositivo electrónico portátil súper permeable permite monitorear bioseñales a largo plazo
- Nuevo hidrogel con capacidades mejoradas para tratar aneurismas y detener su progresión
- Nueva herramienta de IA predice eventos médicos para respaldar toma de decisiones clínicas en entornos de atención médica
- El magnetómetro de un teléfono inteligente utiliza hidrogel magnetizado para medir biomarcadores para el diagnóstico de enfermedades
- Malla bioelectrónica crece con tejidos cardíacos para monitorización cardíaca integral
- Procedimiento mínimamente invasivo ofrece última esperanza para pacientes que enfrentan amputación debido a enfermedad vascular grave
- Cápsula tragable podría transformar detección de enfermedades gastrointestinales
- Implante a escala milimétrica, sin chip ni batería monitorea de forma inalámbrica parámetros de salud
- Sensor en papel allana el camino para sensores portátiles para monitoreo de la salud
- Primer sensor de temperatura inalámbrico implantable monitorea enfermedad inflamatoria intestinal crónica
- Nueva herramienta predice riesgos cardiovasculares después del trasplante de médula ósea
- Reloj de imágenes fotoacústicas podría permitir diagnóstico preliminar de enfermedades
- Balones recubiertos de medicamentos ofrecen opción de tratamiento superior para pacientes sometidos a angioplastia coronaria
- Nuevo dispositivo de asistencia ventricular izquierda podría proporcionar opción de tratamiento alternativa al trasplante cardíaco
- Sensor electroquímico monitorea biomarcadores de orina de enfermedades neurológicas en tiempo real