Recomendaciones de Tratamiento para el Deterioro Clínico en Planta: Desarrollo y Validación de Modelos de Aprendizaje...

Área de la Ciencia:

• Informática clínica
• Inteligencia artificial en la atención médica
• Monitorización de pacientes

Sus antecedentes:

• El deterioro clínico en pacientes de planta general conduce a una mayor morbilidad y mortalidad.
• La intervención temprana es crucial para mejorar los resultados en pacientes de alto riesgo.
• El aprendizaje automático (ML) muestra una gran promesa en la identificación del riesgo de deterioro, pero menos en la orientación de las recomendaciones de tratamiento.

Objetivo del estudio:

• Establecer puntos de referencia de rendimiento de ML para predecir 10 intervenciones comunes de deterioro clínico.
• Comparar varios modelos de ML para identificar enfoques óptimos para estas tareas de predicción.

Principales métodos:

• Se utilizó un conjunto de datos multicéntrico de 2480 encuentros de pacientes de planta general con deterioro clínico, identificado mediante una puntuación de alerta temprana.
• Se empleó la revisión manual de gráficos para etiquetar los encuentros con datos de tratamiento vitales de referencia.
• Se entrenaron y validaron múltiples modelos de ML (regresión logística de red elástica, máquinas de gradiente potenciado, memoria a corto y largo plazo, conjunto de apilamiento) para predecir las necesidades de intervención, utilizando AUROC como métrica principal.

Principales resultados:

• El rendimiento del modelo varió según la tarea y el enfoque, con AUROC generalmente entre 0.7 y 0.9.
• Los antiarrítmicos fueron la intervención más predecible (AUROC medio 0.866), mientras que los anticoagulantes fueron los menos predecibles (AUROC medio 0.660).
• Las máquinas de gradiente potenciado a menudo obtuvieron los mejores resultados individualmente, y los conjuntos de apilamiento igualaron o superaron el rendimiento de los modelos individuales.

Conclusiones:

• Los modelos de ML demuestran un rendimiento variable pero generalmente alto en la predicción de tratamientos vitales para pacientes en deterioro.
• Estos modelos se pueden integrar con puntuaciones de alerta temprana para proporcionar a los médicos recomendaciones de tratamiento oportunas y procesables.
• Una parte significativa de los pacientes evaluados no recibió tratamiento oportuno, lo que indica una oportunidad para que el ML reduzca la latencia del tratamiento.