Los programas automatizados pueden identificar qué bebés enfermos en una unidad de cuidados intensivos neonatales UCIN tienen sepsis horas antes de que los médicos reconozcan la condición potencialmente mortal. Un equipo de investigadores de datos y médicos-científicos probaron modelos de aprendizaje automático en una población de UCIN, dibujandosolo en los datos recopilados de forma rutinaria disponibles en los registros electrónicos de salud EHR.
"Debido a que la detección temprana y la intervención rápida son esenciales en casos de sepsis, las herramientas de aprendizaje automático como esta ofrecen el potencial de mejorar los resultados clínicos en estos bebés", dijo el primer autor Aaron J. Masino, PhD, quien dirigió la máquina del equipo de estudio- esfuerzos de aprendizaje. Masino es profesor asistente en el Departamento de Anestesiología y Medicina de Cuidados Críticos y miembro del Departamento de Informática Biomédica y de Salud del Hospital Infantil de Filadelfia CHOP. "Los estudios clínicos de seguimiento permitirán a los investigadores evaluar cómobueno, tales sistemas funcionan en un hospital ".
El equipo de investigación publicó sus hallazgos en el estudio retrospectivo de casos y controles el 22 de febrero en PLOS UNO .
Una de las principales causas mundiales de mortalidad y morbilidad infantil, la sepsis comienza con una invasión bacteriana del torrente sanguíneo. Una respuesta inmune agresiva puede desafortunadamente causar una progresión a shock séptico, una condición sistémica severa que causa la falla de múltiples órganos, a veces fatalmente.rara en los bebés sanos a término, las tasas de sepsis son 200 veces más altas en los bebés prematuros o crónicamente hospitalizados. Los sobrevivientes de sepsis infantil pueden sufrir problemas a largo plazo, como enfermedad pulmonar crónica, discapacidades del desarrollo neurológico y estadías prolongadas en el hospital.
El diagnóstico rápido de sepsis a menudo es difícil en bebés hospitalizados, debido a signos clínicos ambiguos e inexactitudes en las pruebas de detección. Los retrasos en el reconocimiento de la sepsis causan demoras en la intervención, incluido el tratamiento con antibióticos y la atención de apoyo. Sin embargo, el uso innecesario de antibióticos conlleva sus propios riesgosy aumenta la resistencia a los antibióticos, por lo que es importante un diagnóstico temprano claro.
El estudio actual tenía como objetivo desarrollar un modelo de aprendizaje automático capaz de reconocer la sepsis en lactantes de la UCIN al menos cuatro horas antes de la sospecha clínica. "Según nuestro conocimiento, este fue el primer estudio que investigó el aprendizaje automático para identificar la sepsis antes del reconocimiento clínico utilizando solorutinariamente recopilamos datos de EHR ", dijo Masino.
El aprendizaje automático utiliza técnicas computacionales y estadísticas para entrenar modelos computacionales para detectar patrones a partir de datos, luego realizar una tarea deseada. En este caso, el equipo de estudio evaluó qué tan bien ocho modelos de aprendizaje automático pudieron analizar datos de pacientes para predecir qué bebéstenía sepsis. Debido a que los datos provenían de una muestra retrospectiva de lactantes de la UCIN, los investigadores pudieron comparar las predicciones de cada modelo con los hallazgos posteriores, ya sea que se descubriera o no un paciente individual.
El equipo del estudio se basó en los datos de EHR de 618 neonatos en la UCIN de CHOP, de 2014 a 2017. Muchos de los neonatos en el registro de pacientes eran prematuros; la cohorte tenía una mediana de edad gestacional de 34 semanas.enfermedad pulmonar, cardiopatía congénita, enterocolitis necrotizante una infección intestinal grave y afecciones quirúrgicas.
Entre los coautores se encontraban el pediatra y el experto en informática biomédica Robert W. Grundmeier, MD, y la neonatóloga y experta en sepsis Mary Catherine Harris, MD. Ambos recurrieron a su experiencia clínica y conocimiento de la literatura médica para ayudar a desarrollar grupos de sepsis relacionadoscaracterísticas disponibles en los datos de EHR. Masino, Grundmeier y Harris, además de sus puestos de CHOP, también son miembros de la facultad de la Facultad de Medicina Perelman de la Universidad de Pennsylvania.
Grundmeier y Harris, los investigadores clínicos principales del estudio, desarrollaron una lista de 36 características asociadas o sospechosas de estar asociadas con sepsis infantil. Estas características, agrupadas bajo signos vitales, valores de laboratorio, comorbilidades y factores clínicos, como si unel bebé estaba en un respirador, se extrajo de las entradas de EHR y proporcionó datos de entrada para los modelos de aprendizaje automático. "Los especialistas en informática biomédica como yo colaboramos con nuestros colegas clínicos para seleccionar características relevantes de los datos de EHR", dijo Masino.
Seis de los ocho modelos tuvieron un buen desempeño al predecir con precisión la sepsis hasta cuatro horas antes del reconocimiento clínico de la afección.
Los hallazgos del equipo, dijo Masino, son un paso preliminar hacia el desarrollo de una herramienta clínica en tiempo real para la práctica hospitalaria. Los investigadores planean hacer un seguimiento de este estudio con más investigaciones para refinar sus modelos e investigar las herramientas de software en un prospectivo cuidadosamente diseñadoestudio clínico. "Si la investigación valida algunos de estos modelos, podemos desarrollar una herramienta para apoyar las decisiones clínicas y mejorar los resultados en los lactantes críticos", agregó.
Fuente de la historia :
Materiales proporcionados por Hospital de Niños de Filadelfia . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :