Un método de memoria a corto plazo basado en señales de onda en tiempo real para la predicción de la duración de la estancia en la unidad de cuidados intensivos: estudio de desarrollo y evaluación | JoVE Visualize

Área de la Ciencia:

Informática biomédica
Inteligencia artificial en el cuidado de la salud
Medicina de cuidados intensivos

Sus antecedentes:

La asignación eficiente de los recursos sanitarios es crucial para las operaciones hospitalarias y para mitigar la presión financiera.
La gestión eficaz de la unidad de cuidados intensivos (UCI) se basa en predicciones precisas de la duración de la estancia del paciente (LOS).
Lograr predicciones tempranas y en tiempo real de LOS presenta un desafío significativo en entornos de cuidados intensivos.

Objetivo del estudio:

Desarrollar un nuevo modelo predictivo, el modelo Wavelet Long Short-Term Memory (WT-LSTM), para pronosticar la duración de la estancia en la UCI.
Utilizar solo datos de signos vitales en tiempo real para las predicciones, lo que permite su aplicación en escenarios de atención urgente que carecen de datos demográficos o históricos.
Proporcionar predicciones tempranas y precisas de LOS aprovechando el monitoreo de pacientes en tiempo real.

Principales métodos:

Transformación discreta de ondas (DWT) integrada con redes neuronales de memoria larga a corto plazo (LSTM).
Empleado DWT para filtrar el ruido de las series temporales de señales vitales, mejorando la precisión de la predicción.
Evalúa el rendimiento del modelo en la base de datos de la UCI electrónica, centrándose en 10 diagnósticos comunes de ingreso a la UCI.

Principales resultados:

El modelo WT-LSTM superó constantemente a los modelos de referencia (regresión lineal, LSTM, BiLSTM) en la predicción de las pérdidas de vida en la UCI.
La transformación Wavelet mejoró significativamente el rendimiento de WT-LSTM, reduciendo el error cuadrado medio en un promedio de 3,3%.
El modelo demostró fuertes capacidades predictivas utilizando ventanas cortas de datos de entrada (3-24 horas), superando los sistemas clínicos existentes como APACHE IV en algunos casos.

Conclusiones:

El modelo WT-LSTM ofrece una solución altamente precisa y adaptable para la predicción de pérdidas en cuidados intensivos utilizando señales vitales en tiempo real.
Las capacidades de predicción temprana de WT-LSTM pueden mejorar significativamente la práctica clínica y la optimización de recursos en UCI.
Este modelo apoya las decisiones clínicas y administrativas críticas, mejorando la gestión general de la UCI y la eficiencia operativa.