Después de que un paciente tiene un ataque cardíaco o un derrame cerebral, los médicos a menudo usan modelos de riesgo para ayudar a guiar su tratamiento. Estos modelos pueden calcular el riesgo de muerte de un paciente en función de factores como la edad del paciente, los síntomas y otras características.
Si bien estos modelos son útiles en la mayoría de los casos, no hacen predicciones precisas para muchos pacientes, lo que puede llevar a los médicos a elegir tratamientos ineficaces o innecesariamente riesgosos para algunos pacientes.
"Cada modelo de riesgo se evalúa en algunos conjuntos de datos de pacientes, e incluso si tiene una alta precisión, nunca es 100 por ciento exacto en la práctica", dice Collin Stultz, profesor de ingeniería eléctrica y ciencias de la computación en el MIT y cardiólogo enHospital General de Massachusetts: "Habrá algunos pacientes para los cuales el modelo obtendrá la respuesta incorrecta, y eso puede ser desastroso".
Stultz y sus colegas del MIT, el MIT-IBM AI Lab y la Facultad de Medicina de la Universidad de Massachusetts ahora han desarrollado un método que les permite determinar si se puede confiar en los resultados de un modelo en particular para un paciente determinado. Esto podría ayudar a guiarlos doctores eligen mejores tratamientos para esos pacientes, dicen los investigadores.
Stultz, que también es profesor de ciencias y tecnología de la salud, miembro del Instituto de Ingeniería Médica y Ciencias y Laboratorio de Investigación de Electrónica de MIT, y miembro asociado del Laboratorio de Ciencias de la Computación e Inteligencia Artificial, es el autor principal delnuevo estudio: el estudiante graduado del MIT Paul Myers es el autor principal del artículo, que aparece hoy en medicina digital .
riesgo de modelado
Los modelos de computadora que pueden predecir el riesgo de eventos dañinos de un paciente, incluida la muerte, se usan ampliamente en medicina. Estos modelos a menudo se crean al entrenar algoritmos de aprendizaje automático para analizar conjuntos de datos de pacientes que incluyen una variedad de información sobre los pacientes, incluyendo suslos resultados de salud.
Si bien estos modelos tienen una alta precisión general, "se ha pensado muy poco en identificar cuándo es probable que un modelo falle", dice Stultz. "Estamos tratando de crear un cambio en la forma en que las personas piensan acerca de estos modelos de aprendizaje automático"Pensar cuándo aplicar un modelo es realmente importante porque la consecuencia de estar equivocado puede ser fatal ".
Por ejemplo, un paciente de alto riesgo que está mal clasificado no recibiría un tratamiento suficientemente agresivo, mientras que un paciente de bajo riesgo que se determina incorrectamente que tiene un alto riesgo podría recibir intervenciones innecesarias y potencialmente dañinas.
Para ilustrar cómo funciona el método, los investigadores decidieron centrarse en un modelo de riesgo ampliamente utilizado llamado puntaje de riesgo GRACE, pero la técnica se puede aplicar a casi cualquier tipo de modelo de riesgo. GRACE, que significa Registro Global de Coronaria AgudaEventos, es un gran conjunto de datos que se utilizó para desarrollar un modelo de riesgo que evalúa el riesgo de muerte de un paciente dentro de los seis meses posteriores a sufrir un síndrome coronario agudo una condición causada por la disminución del flujo sanguíneo al corazón. La evaluación de riesgo resultante se basa enedad, presión arterial, frecuencia cardíaca y otras características clínicas fácilmente disponibles.
La nueva técnica de los investigadores genera un "puntaje de confiabilidad" que varía de 0 a 1. Para una predicción de modelo de riesgo dada, cuanto mayor sea el puntaje, más confiable será esa predicción. El puntaje de confiabilidad se basa en una comparación del riesgopredicción generada por un modelo particular, como el puntaje de riesgo GRACE, con la predicción producida por un modelo diferente que fue entrenado en el mismo conjunto de datos. Si los modelos producen resultados diferentes, entonces es probable que la predicción del modelo de riesgo para eseStultz dice que el paciente no es confiable.
"Lo que mostramos en este documento es, si observa a los pacientes que tienen los puntajes de confiabilidad más altos, en el 1 por ciento superior, la predicción de riesgo para ese paciente arroja la misma información que lanzar una moneda", dice Stultz."Para esos pacientes, el puntaje GRACE no puede discriminar entre los que mueren y los que no. Es completamente inútil para esos pacientes".
Los hallazgos de los investigadores también sugirieron que los pacientes para quienes los modelos no funcionan bien tienden a ser mayores y a tener una mayor incidencia de factores de riesgo cardíaco.
Una ventaja significativa del método es que los investigadores derivaron una fórmula que indica cuánto estarían en desacuerdo dos predicciones, sin tener que construir un modelo completamente nuevo basado en el conjunto de datos original.
"No es necesario acceder al conjunto de datos de capacitación para calcular esta medición de confiabilidad, y eso es importante porque hay problemas de privacidad que impiden que estos conjuntos de datos clínicos sean ampliamente accesibles para diferentes personas", dice Stultz.
reentrenamiento del modelo
Los investigadores ahora están diseñando una interfaz de usuario que los médicos podrían usar para evaluar si el puntaje GRACE de un paciente dado es confiable. A más largo plazo, también esperan mejorar la confiabilidad de los modelos de riesgo al facilitar el reciclaje de modelos sobre datos queincluir más pacientes que son similares al paciente diagnosticado.
"Si el modelo es lo suficientemente simple, entonces volver a entrenar un modelo puede ser rápido. Podrías imaginar un conjunto completo de software integrado en el registro de salud electrónico que automáticamente te dirá si un puntaje de riesgo particular es apropiado para un paciente determinado, yluego trate de hacer cosas sobre la marcha, como volver a entrenar nuevos modelos que podrían ser más apropiados ", dice Stultz.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Anne Trafton. Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :