211service.com
Aprendizaje automático y predicción de riesgos en la UCI
La unidad de cuidados intensivos (UCI) es una de las salas con mayor cantidad de datos en un hospital, pero la información que sale de los monitores cardíacos, ventiladores y sensores de presión generalmente no está integrada y analizada para permitir una comprensión más profunda de la condición del paciente. Para cambiar esto, startup en el área de Boston Etiometría está construyendo un sistema de apoyo a la toma de decisiones clínicas que puede interpretar grandes volúmenes de datos de pacientes en tiempo real y proporcionar a los médicos una vista instantánea de información procesable.
Los fundadores de Etiometry, algunos de ellos ex ingenieros de orientación de navegación aeroespacial, se inspiraron en lo que vieron como una falta de control de sistemas o análisis para los datos de los pacientes y una falta aún mayor de herramientas para ayudar a los médicos a tomar decisiones. Tienes todos estos datos generados en la UCI, pero no tienes una tecnología que haga nada con ellos, dice Dimitar Baronov, vicepresidente y director de tecnología de Etiometry. Lo único que tiene es experiencia y formación humanas. La analítica podría ayudar a los médicos a interpretar sus datos, permitiéndoles en última instancia tomar mejores decisiones, intervenir de manera más oportuna y detectar eventos adversos antes de que sucedan, dice el presidente y director ejecutivo Evan Butler.
Las herramientas de apoyo a la toma de decisiones clínicas guían los diagnósticos y los tratamientos al conectar los datos del paciente en modelos predictivos que se han construido a partir de resultados previos de pacientes. Las ideas detrás del apoyo a la toma de decisiones no son nuevas; durante décadas, los investigadores han intentado llevar herramientas computacionales al hospital que puedan ayudar a los médicos con las decisiones relacionadas con el diagnóstico y el tratamiento de los pacientes. Grandes empresas como Siemens y Philips ofrecen productos que alertan a los médicos sobre los primeros signos del deterioro de la salud de un paciente, y organizaciones de investigación como Laboratorio Draper están desarrollando programas similares de apoyo a la toma de decisiones en tiempo real.
Pero la complejidad de la biología humana y la lenta adopción de registros electrónicos por parte de los hospitales han retrasado la tecnología. Existe una gran variabilidad entre pacientes, dice Dean Sittig , investigador de sistemas de información clínica en el Centro de Ciencias de la Salud de la Universidad de Texas en Houston, de modo que una frecuencia cardíaca normal para una persona podría estar cerca de la muerte para otra. Además, la perspectiva de una computadora es limitada. Una computadora generalmente analiza un pequeño aspecto del problema del paciente, pero no capta el contexto, dice Sittig. Un médico experto puede comprender el panorama general de lo que le sucede a un paciente.
Otro desafío ha sido el predominio del almacenamiento de datos en papel, que ha limitado la cantidad de datos disponibles para los investigadores que intentan utilizar el aprendizaje automático para construir mejores modelos de atención al paciente. Por lo general, la mayoría de los hospitales almacenan datos en las máquinas de la UCI durante aproximadamente 72 horas y luego los desechan, dice Butler. En los últimos años, lo que realmente ha permitido a nuestra tecnología es que otras empresas ingresan a los hospitales y guardan todos los datos.
El uso de estas grandes colecciones de datos para mejorar el modelado predictivo es una noción poderosa, dice Peter Szolovits , jefe del Grupo de Toma de Decisiones Clínicas en el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT. Si los modelos son lo suficientemente precisos, entonces puede usarlos cuando intente decidir entre diferentes tratamientos para un paciente. Dichos modelos, entrenados con datos de pacientes reales, podrían decirles a los médicos cuáles serían los diferentes resultados previstos para cada opción de tratamiento y el grado de incertidumbre asociado con cada predicción.
La tecnología de Etiometry presenta esta información en una interfaz fácil de usar que permite a los médicos ver rápidamente qué pacientes de la UCI están en riesgo de eventos adversos y luego observar más de cerca a los pacientes en riesgo, revisando una lista detallada de eventos potenciales y la probabilidad de que ocurran. pasará. El equipo dice que su marco puede interpretar todos los datos del paciente generados en una UCI, desde datos instantáneos, como la frecuencia cardíaca, hasta datos recopilados durante varias horas, como análisis de sangre.
La empresa se ha centrado en las UCI pediátricas, utilizando el aprendizaje automático para crear algoritmos a partir de datos retrospectivos que han recibido del Boston Children's Hospital, el Toronto Hospital for Sick Children y otros centros. Planea comenzar a probar con datos en tiempo real el próximo año.