Clasificación de eventos adversos a partir de las notas de SOAP y las características del sensor en un ensayo clínico...

La detección temprana de eventos adversos y lesiones por caídas puede mejorar los resultados de seguridad del paciente en los ensayos clínicos con poblaciones geriátricas. Este estudio evalúa modelos multimodales que combinan notas SOAP estructuradas y mediciones de sensores biofísicos remotos para clasificar la ocurrencia de eventos adversos y eventos de caídas en un ensayo clínico con participantes adultos mayores de zonas rurales. Se entrenaron clasificadores XGBoost utilizando incrustaciones (embeddings) de notas SOAP de BioBERT, BioClinicalBERT y BERT-Uncased, con y sin la fusión de características de sensores, y se compararon entre cohortes de control e intervención. Las características de incrustación no fusionadas obtuvieron el mejor rendimiento en las notas Subjetivas para la clasificación de eventos adversos con BioClinicalBERT (AUROC=0,89, Sensibilidad=0,88) para los controles y BioBERT (AUROC=0,86, Sensibilidad=0,73) en el brazo de intervención. Las características de los sensores proporcionaron una mayor discriminación y sensibilidad para los eventos adversos en los controles (AUROC=0,68, Sensibilidad=0,80) que en el brazo de intervención (AUROC=0,57, Sensibilidad=0,10). Para la clasificación de caídas, las características de los sensores superaron a las incrustaciones en las cohortes de control (AUROC=0,87, Sensibilidad=0,32) e intervención (AUROC=0,84, Sensibilidad=0,12). Los componentes de las notas de Evaluación y Planificación presentaron un AUROC significativamente menor en todos los modelos de características de incrustación. La fusión de las características de los sensores y las incrustaciones dio lugar a un rendimiento casi perfecto en las notas Subjetivas y Objetivas (AUROC=1,0, Sensibilidad=1,0), siendo significativamente superior a las incrustaciones no fusionadas. El análisis de los tokens de NER extraídos de las notas SOAP mostró que las diferencias en el rendimiento del modelo están asociadas con las prácticas de documentación específicas de cada cohorte. Los contenidos de las notas SOAP en la cohorte de intervención estuvieron más centrados en el paciente, con un mayor recuento de palabras en las secciones Subjetivas e intervalos de confianza del AUROC más estrechos, lo que refleja un mayor compromiso clínico y una mejor captura de eventos. Estos resultados sugieren que la combinación de narrativas clínicas con mediciones continuas de sensores puede mejorar la predicción de eventos adversos y lesiones por caídas, lo que podría aumentar la seguridad de los ensayos clínicos y reducir la frecuencia de las evaluaciones presenciales.