Un método de memoria a corto plazo basado en señales de onda en tiempo real para la predicción de la duración de la...

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.