Los investigadores de ETH Zurich están aplicando el aprendizaje automático en las unidades de cuidados intensivos para distinguir entre falsas alarmas y aquellas que señalan problemas médicos reales.

Bip, bip, bip. En unidades de cuidados intensivos (UCI), algún dispositivo de monitoreo u otro siempre está haciendo sonar la alarma. Ya sea un paciente cuyo nivel de oxígeno en sangre es demasiado bajo, alguien en la cama de al lado cuya presión intracraneal está aumentando, o alguien más cuya presión arterial ha caído en picada. O quizás simplemente porque un paciente ha cambiado de posición en la cama.

Las falsas alarmas como esta última son demasiado comunes. Utilizan el valioso tiempo del personal médico y aumentan el riesgo de que las alarmas reales se pierdan entre la avalancha de falsas. Eso significa que a las enfermeras y los médicos les conviene reducir en gran medida el número de falsas alarmas. Trabajando con científicos de la Unidad de Cuidados Neurocríticos del Hospital Universitario de Zúrich, Los investigadores de ETH Zurich ahora han desarrollado un método de aprendizaje automático que tiene como objetivo lograr precisamente eso.

Combinando datos

Como parte de un estudio de viabilidad dentro de un proyecto de ciencia de datos llamado ICU Cockpit, los investigadores utilizaron grabaciones de datos integrales de cuidados intensivos. Con el consentimiento de los pacientes, sus signos vitales se almacenan sistemáticamente en alta resolución temporal junto con cualquier alarma que pueda haber sonado.

Como suele ocurrir en las UCI, los distintos dispositivos de monitorización circulatoria, La ventilación artificial y la monitorización cerebral funcionan de forma independiente. Como consecuencia, cada uno de los dispositivos hace sonar su propia alarma cada vez que sus lecturas superan o descienden de un determinado valor umbral. Los investigadores combinaron y sincronizaron los datos de estos diversos dispositivos y luego aplicaron nuevas técnicas de aprendizaje automático para identificar qué alarmas eran irrelevantes desde el punto de vista médico.

La computadora hace el trabajo de campo de los médicos

"Generalmente, antes de que una computadora pueda comenzar a aprender, los seres humanos primero deben haber categorizado un cierto número de alarmas como relevantes o no relevantes, "explica Walter Karlen, Catedrático de Sistemas Móviles de Salud en ETH Zurich. "Los sistemas informáticos pueden utilizar esta información para comprender el principio detrás de la clasificación y, en última instancia, categorizar las alarmas".

Sin embargo, que alguien clasifique las alarmas en cuidados intensivos es una tarea interminable, no solo porque tiene que hacerse para cada paciente individualmente. Adicionalmente, el personal médico que trata a pacientes en cuidados intensivos no tendría tiempo para enseñar también una computadora.

Funciona incluso con datos fragmentarios

Esto significa que el sistema ideal para la implementación en una UCI sería uno que pudiera enseñarse por sí mismo incluso si las enfermeras o los médicos han clasificado solo una pequeña cantidad de alarmas. Aquí es donde el método de aprendizaje automático que Karlen y sus colegas han desarrollado realmente entra en juego.

Los científicos probaron su método utilizando un pequeño conjunto de datos de la unidad de cuidados neurocríticos de Zurich:registros de los signos vitales y alarmas de 14 pacientes durante un período de varios días. De media, los dispositivos médicos hicieron sonar la alarma casi 700 veces por paciente por día; en otras palabras, cada dos minutos. Aunque solo 1, 800 (13 por ciento) del total del conjunto de datos de 14, 000 alarmas se han clasificado manualmente, no obstante, el algoritmo pudo clasificar las alarmas restantes como reales o falsas. Si los científicos permitieran que el sistema tuviera una tasa de error del 5 por ciento, redujo el número de falsas alarmas en un 77 por ciento.

Los científicos también pudieron demostrar que el método funciona incluso con un grado significativamente menor de ayuda manual:todo lo que se necesitó fueron 25 o 50 clasificaciones manuales para que el sistema marcara una gran cantidad de alarmas como falsas. Los científicos también demostraron que, especialmente en situaciones en las que ha habido muy poca ayuda manual, el nuevo método es mucho más eficaz que los métodos de aprendizaje automático existentes.

Este proyecto analizó datos clínicos de forma retrospectiva. Los investigadores ahora están considerando si estudiar la efectividad de su algoritmo mediante un estudio clínico prospectivo.