Aprendizaje automático para la predicción personalizada del electrocardiograma (EKG) en el cuidado de emergencia

Área de la Ciencia:

• Medicina de emergencia
• Informática clínica
• El aprendizaje automático en el cuidado de la salud

Sus antecedentes:

• Los electrocardiogramas (ECG) son cruciales en la medicina de emergencia para diagnosticar la disfunción cardíaca, pero no se aplican universalmente.
• La predicción de la utilización del ECG puede informar la toma de decisiones clínicas, la asignación de recursos y la identificación de las disparidades de atención.
• Este estudio investiga la sinergia de los datos clínicos estructurados y las narraciones de texto libre de los pacientes para predecir el uso de ECG en los departamentos de emergencia (ED).

Objetivo del estudio:

• Mejorar la predicción de la utilización del electrocardiograma (ECG) en el departamento de emergencias (ED).
• Evaluar el impacto de la integración de datos clínicos estructurados con narrativas de texto libre de pacientes en la precisión de la predicción del ECG.
• Explorar el potencial de la integración multimodal de datos en apoyo a la toma de decisiones clínicas personalizadas y en tiempo real.

Principales métodos:

• Estudio observacional retrospectivo utilizando datos de 13.115 visitas a urgencias de adultos (2021 NHAMCS-ED).
• Se utilizaron datos estructurados (demografía, signos vitales, comorbilidades, agudeza de triaje) y relatos no estructurados de pacientes (incorporaciones clínicas BERT).
• Se entrenaron y compararon cuatro modelos de aprendizaje supervisado (LR, SVM, RF, XGB) utilizando datos estructurados, datos de texto y un enfoque combinado de fusión tardía.

Principales resultados:

• Los electrocardiogramas se administraron en el 30,6% de las visitas a urgencias de adultos; los receptores eran típicamente mayores, blancos, asegurados por Medicare, con signos vitales anormales o mayor gravedad de triaje.
• Los modelos de datos combinados superaron significativamente a los modelos que utilizan solo datos estructurados o no estructurados, logrando un AUROC de 0,860 (SVM) y 0,861 (LR).
• El enfoque multimodal demostró una precisión, sensibilidad y especificidad superiores en la predicción de la utilización del ECG en comparación con los modelos de una sola modalidad.

Conclusiones:

• La integración de información clínica estructurada con narrativas de texto libre de pacientes mejora sustancialmente la predicción de la utilización del ECG en entornos de emergencia.
• Esta integración multimodal de datos facilita el apoyo a la toma de decisiones individualizado y en tiempo real, alineado con un marco de medicina personalizada.
• Los hallazgos destacan el valor de aprovechar diversas fuentes de datos para optimizar la atención al paciente y la gestión de recursos en el ED.