Los médicos de las unidades de cuidados intensivos se enfrentan a un dilema continuo:cada análisis de sangre que soliciten podría proporcionar información crítica, pero también agrega costos y riesgos para los pacientes. Para abordar este desafío, Los investigadores de la Universidad de Princeton están desarrollando un enfoque computacional para ayudar a los médicos a monitorear de manera más efectiva las condiciones de los pacientes y tomar decisiones sobre las mejores oportunidades para solicitar pruebas de laboratorio para pacientes específicos.

Usando datos de más de 6, 000 pacientes, Los estudiantes graduados Li-Fang Cheng y Niranjani Prasad trabajaron con la profesora asociada de informática Barbara Engelhardt para diseñar un sistema que pudiera reducir la frecuencia de las pruebas y mejorar el tiempo de los tratamientos críticos. El equipo presentó sus resultados el 6 de enero en el Pacific Symposium on Biocomputing en Hawaii.

El análisis se centró en cuatro análisis de sangre que miden el lactato, creatinina nitrógeno ureico en sangre y glóbulos blancos. Estos indicadores se utilizan para diagnosticar dos problemas peligrosos para los pacientes de la UCI:insuficiencia renal o una infección sistémica llamada sepsis.

"Dado que uno de nuestros objetivos era pensar si podíamos reducir la cantidad de pruebas de laboratorio, comenzamos a mirar los paneles [de análisis de sangre] que están más ordenados, "dijo Cheng, coautor principal del estudio junto con Prasad.

Los investigadores trabajaron con la base de datos MIMIC III, que incluye registros detallados de 58, 000 admisiones de cuidados intensivos en el Beth Israel Deaconess Medical Center en Boston. Para el estudio, los investigadores seleccionaron un subconjunto de 6, 060 registros de adultos que permanecieron en la UCI entre uno y 20 días y tenían mediciones de signos vitales comunes y pruebas de laboratorio.

"Estos datos médicos, a la escala de la que estamos hablando, básicamente estuvo disponible en el último año o dos de manera que podamos analizarlos con métodos de aprendizaje automático, "dijo Engelhardt, el autor principal del estudio. "Eso es muy emocionante, y una gran oportunidad ".

El algoritmo del equipo utiliza una "función de recompensa" que fomenta una orden de prueba basada en qué tan informativa es la prueba en un momento dado. Es decir, hay una mayor recompensa al administrar una prueba si existe una mayor probabilidad de que el estado de un paciente sea significativamente diferente al de la última medición, y si es probable que el resultado de la prueba sugiera una intervención clínica, como iniciar antibióticos o ayudar a respirar mediante ventilación mecánica. Al mismo tiempo, la función agrega una penalización por el costo monetario de la prueba y el riesgo para el paciente. Prasad señaló que, dependiendo de la situación, un médico podría decidir priorizar uno de estos componentes sobre otros.

Este enfoque, conocido como aprendizaje por refuerzo, tiene como objetivo recomendar decisiones que maximicen la función de recompensa. Esto trata el tema de las pruebas médicas "como el problema secuencial de toma de decisiones que es, donde tiene en cuenta todas las decisiones y todos los estados que ha visto en el período de tiempo pasado y decide qué debe hacer en un momento actual para maximizar las recompensas a largo plazo para el paciente, "explicó Prasad, un estudiante de posgrado en ciencias de la computación.

Ordenar esta información de manera oportuna para un entorno clínico requiere una potencia informática considerable, dijo Engelhardt, miembro asociado de la facultad del Instituto de Ciencias e Ingeniería Computacional de Princeton (PICSciE). Cheng, un estudiante de posgrado en ingeniería eléctrica, trabajó con su co-asesor Kai Li, el profesor Paul M. y Marcia R. Wythes en Ciencias de la Computación, para ejecutar los cálculos del equipo utilizando recursos PICSciE.

Para probar la utilidad de la política de pruebas de laboratorio que desarrollaron, los investigadores compararon los valores de la función de recompensa que habrían resultado de aplicar su política a los regímenes de prueba que se usaron realmente para el 6, 060 pacientes en el conjunto de datos de entrenamiento, que fueron admitidos en la UCI entre 2001 y 2012. También compararon estos valores con los que habrían resultado de las políticas de pruebas de laboratorio aleatorias.

Para cada prueba y componente de recompensa, la política generada por el algoritmo de aprendizaje automático habría conducido a valores de recompensa mejorados en comparación con las políticas reales utilizadas en el hospital. En la mayoría de los casos, el algoritmo también superó a las políticas aleatorias. La prueba de lactato fue una excepción notable; esto podría explicarse por la frecuencia relativamente baja de órdenes de prueba de lactato, lo que lleva a un alto grado de variación en la informatividad de la prueba.

En general, El análisis de los investigadores mostró que su política optimizada habría producido más información que el régimen de prueba real que siguieron los médicos. El uso del algoritmo podría haber reducido la cantidad de pedidos de pruebas de laboratorio hasta en un 44 por ciento en el caso de las pruebas de glóbulos blancos. También demostraron que este enfoque habría ayudado a informar a los médicos para que intervinieran a veces horas antes cuando la condición de un paciente comenzara a deteriorarse.

"Con la política de pedidos de pruebas de laboratorio que desarrolló este método, pudimos ordenar laboratorios para determinar que la salud del paciente se había degradado lo suficiente como para necesitar tratamiento, de media, cuatro horas antes de que el médico iniciara realmente el tratamiento basándose en los laboratorios solicitados por el médico, "dijo Engelhardt.

"Hay una escasez de pautas basadas en la evidencia en cuidados intensivos con respecto a la frecuencia adecuada de las mediciones de laboratorio, "dijo Shamim Nemati, un profesor asistente de informática biomédica en la Universidad de Emory que no participó en el estudio. "Enfoques basados ​​en datos como el propuesto por Cheng y sus coautores, cuando se combina con una visión más profunda del flujo de trabajo clínico, tienen el potencial de reducir la carga de gráficos y el costo de las pruebas excesivas, y mejorar la conciencia situacional y los resultados ".

El grupo de Engelhardt está colaborando con científicos de datos del equipo de atención médica predictiva de Penn Medicine para introducir esta política en la clínica en los próximos años. Tales esfuerzos tienen como objetivo "dar a los médicos los superpoderes que se les está dando a otras personas en otros dominios, ", dijo Corey Chivers, científico de datos sénior de Penn." Tener acceso al aprendizaje automático, la inteligencia artificial y el modelado estadístico con grandes cantidades de datos "ayudarán a los médicos" a tomar mejores decisiones, y, en última instancia, mejorar los resultados de los pacientes, "añadió.

"Esta es una de las primeras veces que podremos adoptar este enfoque de aprendizaje automático y ponerlo en la UCI, o en un entorno hospitalario para pacientes internados, y asesorar a los cuidadores de manera que los pacientes no vayan a estar en riesgo, ", dijo Engelhardt." Eso es realmente algo novedoso ".

Este trabajo fue apoyado por el Helen Shipley Hunt Fund, que apoya la investigación destinada a mejorar la salud humana; y el Fondo Eric y Wendy Schmidt para la Innovación Estratégica, que apoya la investigación en inteligencia artificial y aprendizaje automático.