Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

HospiMedica

Deascargar La Aplicación Móvil
Noticias Recientes COVID-19 Cuidados Criticos Téc. Quirúrgica Cuidados de Pacientes TI Pruebas POC Negocios Focus

Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca

Por el equipo editorial de HospiMedica en español
Actualizado el 30 May 2023

Se han implementado algoritmos de aprendizaje automático para crear modelos predictivos en varios campos médicos, y algunos han demostrado mejores resultados en comparación con sus contrapartes que son estándar de atención. En la cirugía cardíaca, las puntuaciones de riesgo proporcionadas por la Sociedad de Cirujanos Torácicos (STS) a menudo se utilizan para evaluar el riesgo del procedimiento de un paciente. Si bien estos puntajes siguen siendo vitales para que los hospitales evalúen y mejoren su desempeño, se extraen de datos de toda la población, lo que puede no ser suficiente para predecir con precisión el riesgo de pacientes específicos con patologías complejas.

Ahora, cirujanos cardiovasculares y especialistas en ciencia de datos de Mount Sinai (Nueva York, NY, EUA) han desarrollado un modelo basado en aprendizaje automático que predice el riesgo de mortalidad para pacientes de cirugía cardíaca individuales, lo que ofrece una ventaja de desempeño considerable sobre los modelos actuales basados en la población. Este algoritmo basado en datos, basado en extensos registros de salud electrónicos (RSE), es el primer modelo específico de una institución de este tipo para la evaluación prequirúrgica del riesgo de pacientes cardíacos. Permite a los proveedores de atención médica determinar la estrategia de tratamiento óptima para cada paciente.


Imagen: El primer modelo específico de la institución proporciona una ventaja de desempeñoa significativa sobre los modelos actuales basados en la población (Fotografía cortesía de Mount Sinai)
Imagen: El primer modelo específico de la institución proporciona una ventaja de desempeñoa significativa sobre los modelos actuales basados en la población (Fotografía cortesía de Mount Sinai)

El equipo teorizó que los modelos basados en datos de RSE de su propia institución, creados mediante aprendizaje automático, podrían proporcionar una solución útil. Utilizando datos de los RSE recopilados de rutinariamente, desarrollaron un sólido marco de aprendizaje automático para generar un modelo de predicción de riesgo para la mortalidad posquirúrgica que se adapta tanto al paciente como al hospital. Este modelo incorpora datos vitales sobre la población de pacientes de Mount Sinai, incluidas las características demográficas, socioeconómicas y de salud. Esto contrasta con los modelos basados en la población como los de STS, que se basan en datos de varios sistemas de salud en los EUA. La eficacia de este enfoque se ve reforzada por un algoritmo de predicción de código abierto eficiente llamado XGBoost, que reúne un grupo de árboles de decisión centrándose progresivamente en segmentos de datos de entrenamiento más difíciles de predecir.

El equipo de investigación utilizó XGBoost para modelar 6.392 cirugías cardíacas realizadas en el hospital Mount Sinai entre 2011 y 2016, que abarcaron procedimientos de válvulas cardíacas, injertos de derivación de arteria coronaria, resecciones aórticas, reemplazos o anastomosis y cirugías cardíacas reoperatorias, que aumentan significativamente el riesgo de mortalidad. Luego, el equipo comparó el desempeño de su modelo con los modelos de STS para los mismos conjuntos de pacientes. El estudio encontró que el modelo XGBoost eclipsó las puntuaciones de riesgo de mortalidad de STS en todas las categorías de cirugía cardíaca realizadas con frecuencia para las que se diseñaron las puntuaciones de STS. El desempeño predictivo del modelo XGBoost en todos los tipos de cirugías también fue alto, lo que indica el potencial del aprendizaje automático y los datos de RSE para construir modelos efectivos específicos de la institución.

"Los modelos de riesgo estándar de atención que se utilizan hoy en día están limitados por su aplicabilidad a tipos específicos de cirugías, excluyendo a un número significativo de pacientes que se someten a procedimientos complejos o combinados para quienes no existen modelos", dijo el autor principal Ravi Iyengar, PhD, Profesor de Ciencias Farmacológicas Dorothy H. y Lewis Rosenstiel en la Escuela de Medicina Icahn en Mount Sinai, y director del Instituto de Biomedicina de Sistemas Mount Sinai. “Nuestro equipo combinó rigurosamente datos de registros de salud electrónicos y métodos de aprendizaje automático para demostrar por primera vez cómo las instituciones individuales pueden construir sus propios modelos de riesgo para la mortalidad poscirugía cardíaca”.

Enlaces relacionados:
Mount Sinai  


Miembro Oro
12-Channel ECG
CM1200B
Miembro Oro
VISOR EN PANTALLA DE DIAGNÓSTICO EN TIEMPO REAL
GEMweb Live
Miembro Plata
Compact 14-Day Uninterrupted Holter ECG
NR-314P
New
Breast Imaging Workstation
SecurView

Últimas TI noticias

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