Tecnología nueva de aprendizaje automático analiza las historias clínicas electrónicas para predecir la mortalidad en los pacientes de COVID-19

Los investigadores han utilizado una técnica de aprendizaje automático llamada “aprendizaje federado” para examinar las historias clínicas electrónicas y predecir mejor cómo progresarán los pacientes con COVID-19.

Los investigadores del Sistema de Salud de Monte Sinaí (Nueva York, NY, EUA) quienes crearon modelos utilizando el aprendizaje federado para mejorar las predicciones de los resultados de COVID-19, creen que la técnica emergente promete crear modelos de aprendizaje automático más sólidos que se extienden más allá de un solo sistema de salud sin comprometer la privacidad de los pacientes. Estos modelos, a su vez, pueden ayudar a clasificar a los pacientes y mejorar la calidad de su atención.


El aprendizaje federado es una técnica que entrena un algoritmo en varios dispositivos o servidores que contienen muestras de datos locales, pero evita la agregación de datos clínicos, lo cual no es deseable por razones que incluyen problemas de privacidad de los pacientes. Los investigadores de Monte Sinaí implementaron y evaluaron modelos de aprendizaje federados utilizando datos de historias clínicas electrónicas de cinco hospitales separados dentro del Sistema de Salud para predecir la mortalidad en pacientes con COVID-19. Compararon el desempeño de un modelo federado con los construidos con datos de cada hospital por separado, conocidos como modelos locales. Después de entrenar sus modelos en una red federada y probar los datos de los modelos locales en cada hospital, los investigadores encontraron que los modelos federados demostraron un mayor poder predictivo y superaron a los modelos locales en la mayoría de los hospitales.

“Los modelos de aprendizaje automático en el cuidado de la salud a menudo requieren datos diversos y a gran escala para ser robustos y traducibles por fuera de la población de pacientes de la que fueron entrenados”, dijo el autor correspondiente del estudio, Benjamin Glicksberg, PhD, profesor asistente de genética y ciencias genómicas en la Facultad de Medicina Icahn en Monte Sinaí, y miembro del Instituto Hasso Plattner para la Salud Digital en Monte Sinaí y el Centro de Inteligencia Clínica Monte Sinaí. “El aprendizaje federado ha ganado terreno dentro del espacio biomédico como una forma para que los modelos aprendan de muchas fuentes sin exponer ningún dato sensible del paciente. En nuestro trabajo, demostramos que esta estrategia puede ser particularmente útil en situaciones como la COVID-19”.

“El aprendizaje automático en el cuidado de la salud sufre de una crisis de reproducibilidad”, dijo el primer autor del estudio, Akhil Vaid, MD, becario postdoctoral en el Departamento de Genética y Ciencias Genómicas de la Facultad de Medicina Icahn en Monte Sinaí, y miembro del Instituto Hasso Plattner para Salud Digital en Monte Sinaí y el Centro de Inteligencia Clínica Monte Sinaí. “Esperamos que este trabajo muestre los beneficios y las limitaciones del uso del aprendizaje federado con historias clínicas electrónicas para una enfermedad que tiene una escasez relativa de datos en un hospital individual. Los modelos construidos con este enfoque federado superan a los construidos por separado de tamaños de muestra limitados de hospitales aislados. Será emocionante ver los resultados de iniciativas más grandes de este tipo”.

Enlace relacionado:
Sistema de Salud de Monte Sinaí