En IBM Research, estamos explorando nuevas soluciones para una variedad de desafíos en el cuidado de la salud. Uno de esos desafíos es el hacinamiento en las salas de emergencias (ER), lo que puede dar lugar a largos tiempos de espera para el tratamiento. El hacinamiento se debe en parte a que las personas visitan la sala de emergencias por condiciones que no son de emergencia en lugar de depender de los médicos de atención primaria. Los pacientes que usan la sala de emergencias para situaciones que no son de emergencia tienen más probabilidades de regresar a la sala de emergencias varias veces (Poole et al.2016), contribuyendo aún más al hacinamiento. La identificación de los pacientes que probablemente regresen a la sala de emergencias puede permitir que los hospitales intervengan para garantizar el acceso a la atención necesaria fuera de la sala de emergencias y, potencialmente, aliviar el hacinamiento.

Un modelo de red neuronal

Mi equipo de IBM Research-China asumió este desafío. Desarrollamos un modelo de red neuronal novedoso para predecir cuántas veces una persona visitará la sala de emergencias en función de la información de sus registros médicos electrónicos (EHR). El modelo se basa en una red neuronal recurrente típica, pero a diferencia de los métodos tradicionales de aprendizaje automático, exhibe un comportamiento temporal dinámico basado en la información de la HCE y tiene una estructura compleja para modelar mejor la correlación entre las visitas a la sala de emergencias y otros datos del paciente (Figura 1). Usamos el modelo para hacer predicciones precisas de si una persona visitará la sala de emergencias y cuántas veces y descubrimos que superó a otras técnicas comunes. Por ejemplo, La precisión de nuestro modelo fue 6.59 por ciento mayor que un modelo de regresión logística típico para predecir si una persona visitará la sala de emergencias y> 90 por ciento más en la predicción del número de visitas a urgencias en comparación con el modelo de regresión lineal. Nuestro modelo también tuvo aproximadamente un 2 por ciento más de precisión que el popular modelo XGboost para predecir el número de visitas a la sala de emergencias.

Al predecir mejor cuántas veces una persona visitará la sala de emergencias, Esperamos que este modelo permita a los hospitales establecer, priorizar, y focalizar las intervenciones para asegurar que los pacientes tengan acceso a la atención que necesitan fuera de la sala de emergencias.

Compartiendo nuestro trabajo

Estos resultados, junto con otros cinco artículos del equipo de investigación de IBM en China, han sido aceptados por Medical Informatics Europe 2018. una conferencia de informática médica de primer nivel que tendrá lugar esta semana en Gothenberg, Suecia. Los otros artículos involucran el análisis de evidencia del mundo real sobre las interacciones tratamiento-subgrupo, detección de anomalías en la utilización de suministros médicos, uso de aprendizaje profundo y otras tecnologías de aprendizaje automático para responder preguntas de los pacientes, y predicción de eventos cardíacos adversos mayores intrahospitalarios utilizando un modelo lineal generalizado. Los detalles de los seis artículos aceptados se enumeran a continuación. Nuestros colaboradores en estos proyectos representan los mejores hospitales (Fuwai Hospital y Anzhen Hospitals) y las principales empresas farmacéuticas (Pfizer). Al trabajar con los mejores socios con los mejores datos sobre los problemas más desafiantes del mundo real, podemos generar resultados de investigación de clase mundial en China.