Las evaluaciones realistas del final de la vida pueden ser más precisas debido a la inteligencia artificial y las redes neuronales.

Los científicos de Google están analizando el potencial de la IA para su uso en medicina y los resultados están circulando por los sitios de observación de tecnología que publican titulares llamativos. Google está entrenando máquinas para realizar evaluaciones precisas sobre la mortalidad de los pacientes hospitalizados. Los informes se referían al equipo de Medical Brain de la empresa.

Como Correo diario señaló, la IA se desarrolló en colaboración con colegas de UC San Francisco, Medicina de Stanford y Medicina de la Universidad de Chicago.

Con seguridad, no son los primeros en explorar el uso de sistemas informáticos para aprender de una base de datos de datos clínicos. La idea de utilizar sistemas informáticos para aprender de una "base de datos altamente organizada y registrada" de datos clínicos tiene una larga historia, ellos dijeron.

El problema es que los modelos predictivos construidos con datos EHR usan una mediana de solo 27 variables, ellos escribieron, confiar en modelos lineales generalizados tradicionales, y se construyen utilizando datos en un solo centro. Por otro lado, construyeron un estudio de aprendizaje profundo en una variedad de problemas de predicción basados ​​en múltiples datos generales del hospital.

"Si un equipo clínico tuviera que investigar a los pacientes que se predice que tienen un alto riesgo de muerte, Nuestro modelo redujo aproximadamente a la mitad la tasa de alertas falsas en cada momento, ", informaron.

"Aprendizaje profundo escalable y preciso con registros médicos electrónicos" es el título de su artículo, publicado en npj Medicina digital En Mayo.

"La promesa de la medicina digital se deriva en parte de la esperanza de que, digitalizando datos sanitarios, podríamos aprovechar más fácilmente los sistemas de información informática para comprender y mejorar la atención, " ellos escribieron.

La clave de todo esto es el modelado predictivo con datos de historia clínica electrónica (HCE). "Proponemos una representación de todos los registros de HCE sin procesar de los pacientes basados ​​en el formato Fast Healthcare Interoperability Resources (FHIR). Demostramos que los métodos de aprendizaje profundo que utilizan esta representación son capaces de predecir con precisión múltiples eventos médicos de múltiples centros sin la armonización de datos específicos del sitio. . "

los Los Angeles Times citó uno de los autores:"Hasta el 80% del tiempo dedicado a los modelos predictivos actuales se destina al 'trabajo de corte' de hacer que los datos sean presentables, "dijo Nigam Shah, profesor asociado de la Universidad de Stanford y coautor del artículo. Sin embargo, con el enfoque de Google, dijo Shah, "Puedes tirar al fregadero de la cocina y no tener que preocuparte por eso".

Victor Tangermann en Futurismo dijo que "La red neuronal incluso incluye notas escritas a mano, comentarios y garabatea en gráficos antiguos para hacer sus predicciones ".

Los autores patearon los neumáticos de los enfoques tradicionales de modelado y señalaron las limitaciones que planteaban. Dijeron que dichos enfoques abordaban la complejidad al elegir un número limitado de variables recopiladas comúnmente para considerar. "Esto es problemático porque los modelos resultantes pueden producir predicciones imprecisas:las predicciones falsas positivas pueden abrumar a los médicos, enfermeras y otros proveedores con falsas alarmas y fatiga de alerta concomitante ".

Hablaron de aprendizaje profundo y redes neuronales para desbloquear la información necesaria para una imagen más completa.

Futurismo dijo, "En ensayos que utilizaron datos de dos hospitales de EE. UU., los investigadores pudieron demostrar que estos algoritmos podían predecir la duración de la estadía y el momento del alta de un paciente, sino también la hora de la muerte ".

Incluyeron un total de 216, 221 hospitalizaciones que involucraron 114, 003 pacientes únicos.

"A lo mejor de nuestro conocimiento, nuestros modelos superan a los modelos de HCE existentes en la literatura médica para predecir la mortalidad (0,92 a 0,94 frente a 0,91), readmisión inesperada (0,75-0,76 frente a 0,69), y aumento de la duración de la estancia (0,85-0,86 frente a 0,77) ".

Los autores comentaron sobre la disponibilidad de datos. "Los conjuntos de datos analizados durante el estudio actual no están disponibles públicamente:debido a preocupaciones razonables de privacidad y seguridad, los datos de EHR subyacentes no se pueden redistribuir fácilmente a investigadores que no sean los que participan en las colaboraciones de investigación aprobadas por la Junta de Revisión Institucional con los centros médicos mencionados ".

© 2018 Tech Xplore