Predicción de las reingresos hospitalarios de 30 días utilizando ClinicalT5 con registros electrónicos de salud...

Área de la Ciencia:

• Informática de la salud
• El aprendizaje automático en el cuidado de la salud
• Apoyo a la decisión clínica

Sus antecedentes:

• Las readmisiones hospitalarias tienen un impacto significativo en los costos de atención médica y los resultados de los pacientes.
• La predicción precisa de las readmisiones de 30 días es un desafío debido a los datos complejos y multimodales de atención médica.
• Los modelos existentes luchan con la precisión y las predicciones equilibradas de diversos tipos de datos.

Objetivo del estudio:

• Desarrollar y evaluar un modelo predictivo híbrido para las readmisiones hospitalarias.
• Para integrar datos clínicos estructurados con datos de texto no estructurados utilizando ClinicalT5.
• Comparar el rendimiento de los modelos híbridos con los modelos de solo texto.

Principales métodos:

• Desarrolló un modelo híbrido que combina datos estructurados y representaciones de texto derivadas de ClinicalT5.
• Se utilizaron modelos de lenguaje de gran tamaño basados en transformadores (ClinicalT5, PubMedBERT).
• Modelos evaluados utilizando la precisión, la precisión, el recuerdo y la puntuación AUROC.

Principales resultados:

• Los modelos híbridos que integran datos estructurados y no estructurados superaron a los modelos de solo texto.
• Logró una mayor precisión y un recuerdo más equilibrado, reduciendo los falsos positivos.
• Demostró una mayor fiabilidad en la predicción de las reingresos hospitalarios por cualquier causa.

Conclusiones:

• La integración de datos híbridos utilizando ClinicalT5 mejora la predicción de la readmisión hospitalaria.
• Las predicciones mejoradas apoyan una mejor toma de decisiones clínicas y reducen las readmisiones innecesarias.
• Este enfoque ofrece una estrategia prometedora para optimizar la atención al paciente y la asignación de recursos sanitarios.