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 TI noticias
- Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca
- Colaboración estratégica para desarrollar e integrar IA generativa en el cuidado de la salud
- Solución de quirófanos habilitada para IA ayuda a hospitales a maximizar la utilización y desbloquear la capacidad
- IA predice cáncer de páncreas tres años antes del diagnóstico a partir de registros médicos de los pacientes
- Primer sistema de autorizaciones médicas personalizadas de IA generativa totalmente autónoma reduce el retraso en la atención
- Según un estudio, registros médicos electrónicos pueden ser clave para mejorar la atención al paciente
- IA entrenada para biomarcadores vocales específicos podría predecir con precisión enfermedad de arterias coronarias
- Inteligencia artificial detecta las fracturas en los rayos X con exactitud
- Lectura capacitada por IA aumenta la exactitud de la mamografía
- Herramienta estadística predice los picos de COVID-19 en todo el mundo
- Sistema inteligente para detectar la fiebre y los contactos ayuda a que los negocios puedan reabrir
- Tecnología nueva permite la identificación a través de una máscara
- Servicio de ciberseguridad protege los dispositivos médicos de ataques
- Inteligencia artificial puede detectar los niveles de glucosa a través del ECG
- Implante neural suave de control inalámbrico estimula las células del cerebro
- Stent pequeño de polímero podría tratar las estenosis uretrales pediátricas