Un equipo de investigadores del Grupo de aprendizaje automático de la Universidad de Stanford ha desarrollado un modelo de aprendizaje profundo que podría mejorar considerablemente los cuidados paliativos.
El modelo es capaz de identificar automáticamente a aquellos pacientes de un hospital que necesitan cuidados paliativos y alertar a la unidad específica que administra estos cuidados en el hospital para que se hagan cargo de la situación inmediatamente.
La investigación ya ha sido premiada como Mejor Trabajo Estudiantil en el Congreso Internacional sobre Bioinformática y Biomedicina 2017 del IEEE.
Según los autores del estudio, aunque el 80% de los estadounidenses prefieren pasar sus últimos días en casa, en realidad solo un 20% de ellos lo consiguen y más del 60% de las muertes se producen en las unidades de cuidados intensivos de un hospital, en donde los pacientes reciben, en su mayoría, tratamientos agresivos.
Para evitar esto, los investigadores desarrollaron un modelo de aprendizaje profundo capaz de identificar entre todos los pacientes hospitalizados a aquellos con un elevado riesgo de fallecer en los 3-12 meses siguientes.
El objetivo: poder identificar rápidamente a estos pacientes para que la unidad de cuidados paliativos pueda hacerse cargo de ellos cuanto antes.
Para identificar a los pacientes, el modelo desarrollado por los investigadores de Stanford simplemente analiza la información recogida en su historial electrónico.
Una vez identificado un paciente, el sistema alerta al personal de la unidad de cuidados paliativos mediante notificaciones, permitiéndoles hacerse cargo a tiempo de garantizar que el paciente recibe la atención necesaria en el momento oportuno.
Acerca del modelo
Se trata de una red neuronal profunda de 18 capas que recibe como datos de entrada la información recogida en el historial electrónico del paciente a lo largo del último año y, tras un análisis, devuelve la probabilidad de que este fallezca en los 3-12 meses siguientes.
El modelo presta especial atención a los códigos de diagnóstico, los códigos de procedimiento, los códigos de medicamentos y detalles de los problemas o dificultades registrados.
Todos estos datos se convierten en un vector de características de 13.654 dimensiones.
Una vez entrenado con los datos de un paciente, el modelo consigue una puntuación AUROC de 0,93 y una puntuación de Precisión Media de 0,69 en la validación cruzada.
Además, con cada predicción, genera un informe detallado, en el que explica su decisión. El objetivo de este informe es, según los investigadores, tratar de mejorar la confianza de los usuarios en las predicciones del modelo.
Según ellos, explicar detalladamente en qué basa el modelo su predicción señalando los datos concretos del historial del paciente que han motivado un resultado de alta probabilidad, ayudará a que los usuarios del sistema de inteligencia artificial confíen realmente en las predicciones del modelo.
Se puede leer el trabajo completo, publicado en Arxiv.org, en el siguiente enlace: “Improving Palliative Care with Deep Learning“.
Fuente:
Seguir leyendo:
- Un robot aprueba el examen para ejercer como médico en China
- Stanford desarrolla CheXNet, un algoritmo de IA capaz de diagnosticar la neumonía mejor que los radiólogos
- Google prueba con éxito su tecnología de IA para diagnosticar la retinopatía diabética
- Las múltiples aplicaciones de Watson en el sector sanitario
Trackbacks/Pingbacks