Enfoque de aprendizaje automático utiliza registros electrónicos de salud para predecir resultados de neumonía
Actualizado el 01 Nov 2024
La neumonía, una infección que provoca dificultad para respirar debido a la acumulación de líquido en los pulmones, es una de las principales causas de muerte en todo el mundo. Esta afección es particularmente difícil de tratar debido a las diversas formas en que puede manifestarse y contraerse, junto con el riesgo de uso excesivo de antibióticos. Dos pacientes que sufren neumonía pueden presentar una presentación muy diferente y pueden experimentar resultados contrastantes. Tradicionalmente, los médicos han clasificado a los pacientes con neumonía en unidades de cuidados intensivos según la causa de la infección en tres categorías: adquirida en la comunidad (que puede seguir a una infección bacteriana o viral previa), adquirida en el hospital y asociada al respirador (que se desarrolla después de la ventilación mecánica). Sin embargo, esta clasificación a menudo proporciona una visión mínima de la probabilidad de recuperación de un paciente, lo que dificulta que los médicos predigan con precisión los pronósticos y determinen las mejores estrategias de tratamiento. Ahora, un enfoque novedoso podría ayudar a los médicos a tomar decisiones de tratamiento más informadas para pacientes gravemente enfermos y puede tener aplicaciones más amplias.
Investigadores de la Universidad Northwestern (Evanston, IL, EUA) han empleado un sofisticado método de aprendizaje automático en los registros médicos electrónicos (EHR) de pacientes con neumonía para identificar cinco estados clínicos distintos. Tres de estos estados están estrechamente relacionados con los resultados del paciente, mientras que los otros dos ayudan a los médicos a determinar la causa de la enfermedad. Un estado identificado se correlaciona con un 7.5 % de probabilidad de mortalidad dentro de las 24 horas. Comprender las probabilidades de supervivencia individuales puede ayudar a preparar a los miembros de la familia para la posible pérdida y guiar a los médicos para evitar tratamientos innecesarios. El equipo de investigación se enfrentó a múltiples desafíos al desarrollar un conjunto de herramientas de aprendizaje automático para agrupar las condiciones de los pacientes a partir de dos fuentes de datos de EHR: una del proyecto SCRIPT de Northwestern y otra de un conjunto de datos clínicos estándar.
En primer lugar, tuvieron que integrar varios tipos de datos que fueron recopilados en diferentes frecuencias. Además, tuvieron que idear una nueva prueba para evaluar la fiabilidad de su método. Por último, tuvieron que evaluar si la información de estas variables fisiológicas se podía condensar en menos combinaciones. Este análisis permitió a los investigadores identificar cinco grupos distintos (que equivalen a diferentes estados clínicos) que superaron significativamente a los métodos actuales para predecir la mortalidad de los pacientes. Estos cinco estados incorporan una variedad de datos (como la temperatura corporal, la frecuencia respiratoria, los niveles de glucosa y la oxigenación) para revelar relaciones entre diferentes medidas.
El estudio, publicado en la revista Proceedings of the National Academy of Sciences (PNAS), muestra que las combinaciones lineales de variables que reflejan la respuesta motora, la función renal, la frecuencia cardíaca, la presión arterial sistólica y la frecuencia respiratoria proporcionaron la mayor información sobre el estado del paciente. Cabe destacar que uno de los grupos identificados consistió principalmente en pacientes cuya neumonía estaba relacionada con infecciones por COVID-19. Los avances técnicos logrados durante esta investigación pueden tener aplicaciones en otras áreas. De hecho, el equipo está aplicando actualmente estas metodologías a datos experimentales de un modelo de ratón de sepsis. Todavía tienen que explorar por qué ciertos pacientes cambian de estado, un tema que ahora están investigando. La investigación futura sobre la neumonía y otras enfermedades puede conducir en última instancia a opciones de tratamiento más efectivas y predecibles.
