Aprendizaje automático en la atención médica y las tecnologías de la información sanitaria.
Hoy en día, el aprendizaje automático (que es parte de toda la ciencia de la inteligencia artificial) desempeña uno de los papeles más importantes en muchas áreas de nuestra vida, incluida la atención médica. Esto puede incluir diferentes aspectos relacionados con la salud, como el desarrollo de nuevos procedimientos médicos, el manejo de datos de pacientes y la predicción de resultados del tratamiento de enfermedades .
Sin embargo, cuando se trata de predecir el resultado de las cirugías y otros tratamientos médicos, la efectividad de los métodos de aprendizaje automático es solo algo conocida, al menos en términos de predecir el resultado utilizando datos recopilados de médicos humanos y otros médicos.
Aprendizaje automático en el apoyo a la toma de decisiones clínicas
El aprendizaje automático puede ayudar a los profesionales sanitarios a analizar grandes cantidades de datos de pacientes e identificar patrones que puedan respaldar las decisiones clínicas. Los sistemas de apoyo a la toma de decisiones clínicas pueden utilizar información de historias clínicas electrónicas, resultados de laboratorio, imágenes médicas, medicamentos, constantes vitales y diagnósticos previos para proporcionar información relevante durante la atención al paciente.
Predicción de riesgos y detección temprana
Los modelos de aprendizaje automático pueden estimar el riesgo de eventos médicos específicos basándose en las características del paciente y los datos históricos. Los hospitales y los proveedores de atención médica pueden utilizar estos sistemas para identificar a los pacientes que podrían requerir una monitorización más exhaustiva o una evaluación adicional.
Las aplicaciones comunes incluyen:
- Predicción de los riesgos de reingreso hospitalario
- Identificación de pacientes con riesgo de deterioro clínico
- Detección de posibles complicaciones
- Apoyo a la evaluación del riesgo de sepsis
- Identificar a los pacientes que puedan necesitar atención preventiva adicional.
- Predicción de la progresión de la enfermedad
Estas predicciones no sustituyen el juicio clínico, ya que los profesionales sanitarios deben tener en cuenta información que un algoritmo podría no captar. En cambio, las herramientas basadas en aprendizaje automático pueden proporcionar una fuente de información adicional cuando los médicos evalúan el estado de un paciente.
Apoyo al tratamiento y al diagnóstico
El aprendizaje automático también puede ayudar a los médicos a comparar los datos de los pacientes con patrones encontrados en grandes conjuntos de datos para respaldar las decisiones de diagnóstico y tratamiento. Por ejemplo, un sistema de aprendizaje automático puede identificar combinaciones de síntomas, resultados de laboratorio y otros indicadores clínicos que podrían justificar pruebas adicionales.
Las herramientas de apoyo a la toma de decisiones clínicas también pueden ayudar a identificar posibles interacciones medicamentosas, recomendar información clínica relevante y resaltar cambios inusuales en los datos del paciente.
Integración con sistemas informáticos de salud
El valor del aprendizaje automático aumenta cuando las herramientas de apoyo a la toma de decisiones se integran directamente con los sistemas informáticos sanitarios existentes. La integración con las plataformas de historias clínicas electrónicas permite que las alertas y predicciones relevantes aparezcan dentro del flujo de trabajo habitual del médico, en lugar de requerir aplicaciones independientes.
Sin embargo, las organizaciones sanitarias deben evaluar la precisión del modelo, la calidad de los datos, los sesgos, la explicabilidad, la privacidad y la seguridad clínica antes de implementar sistemas de apoyo a la toma de decisiones basados en aprendizaje automático.
El seguimiento regular también es importante porque el rendimiento del modelo puede cambiar a medida que cambian las poblaciones de pacientes, las prácticas clínicas y los datos disponibles.
Aprendizaje automático para la monitorización remota de pacientes
El aprendizaje automático puede mejorar la monitorización remota de pacientes mediante el análisis de datos de salud recopilados fuera de los entornos clínicos tradicionales. Los sistemas de monitorización remota de pacientes pueden obtener información de dispositivos conectados, sensores portátiles, aplicaciones móviles y equipos médicos domésticos. Los algoritmos de aprendizaje automático pueden procesar estos datos e identificar patrones que requieran la atención de profesionales sanitarios.
Análisis de datos de pacientes
Los algoritmos de aprendizaje automático pueden evaluar continuamente mediciones como la frecuencia cardíaca, la presión arterial, la glucosa en sangre, la saturación de oxígeno, la temperatura corporal, el peso y la actividad física. En lugar de requerir que los profesionales de la salud revisen manualmente cada medición, el aprendizaje automático puede ayudar a identificar cambios inusuales y priorizar a los pacientes que puedan necesitar atención adicional.
Las aplicaciones comunes incluyen:
- Seguimiento de pacientes con enfermedades crónicas
- Detección de cambios en la salud cardiovascular
- Seguimiento de los patrones de glucosa en sangre
- Monitorización de las condiciones respiratorias
- Identificación de cambios en la actividad física
- Apoyo a la monitorización postoperatoria
- Detección de un posible deterioro del paciente
El aprendizaje automático también puede combinar múltiples mediciones para identificar patrones que podrían no ser obvios cuando cada medición se analiza por separado.
Alertas y monitorización predictiva
Los sistemas de monitorización remota basados en aprendizaje automático pueden generar alertas cuando los datos del paciente alcanzan umbrales predefinidos o muestran patrones asociados con un mayor riesgo para la salud. Estas alertas pueden ayudar a los equipos sanitarios a priorizar el seguimiento y determinar cuándo un paciente puede requerir una evaluación adicional.
Los modelos predictivos también pueden estimar la probabilidad de eventos futuros analizando los cambios a lo largo del tiempo, en lugar de basarse únicamente en mediciones individuales. Este enfoque puede facilitar una intervención más temprana y reducir las visitas innecesarias cuando los pacientes pueden permanecer bajo observación remota de forma segura.
Integración con la telesalud
La monitorización remota de pacientes resulta más útil cuando las herramientas de aprendizaje automático se integran con las plataformas de telemedicina y los registros médicos electrónicos. Los médicos pueden revisar mediciones relevantes, alertas y tendencias de los pacientes antes o durante las consultas virtuales.
Las organizaciones sanitarias deben validar los modelos de aprendizaje automático y proteger los datos de los pacientes, ya que la monitorización remota implica la recopilación continua de información sanitaria sensible.
Predicción de resultados de la enfermedad
Ahora, en un estudio en el Journal of the American Medical Association (JAMA) el 12 de julio de 2015, investigadores del Centro Médico de la Universidad de Rochester y la Universidad de Illinois informan que el aprendizaje automático puede permitir a los médicos humanos hacer predicciones relativamente precisas de resultados de la enfermedad.
Los investigadores, dirigidos por el profesor Paul Nierenberg, han desarrollado un algoritmo que utiliza una recopilación de datos, incluidos los datos de los pacientes, para predecir los resultados de la enfermedad y las complicaciones en la cirugía y otros procedimientos médicos al hacer coincidir la información de los registros médicos de los pacientes con la información de la computadora. programas que calculan las probabilidades del resultado.
Predicción de resultados de cirugías
Esta información se puede usar en análisis prequirúrgicos para anticipar los resultados probables de un determinado procedimiento.
"La generación actual de procedimientos diagnósticos y quirúrgicos es una combinación de simulación computarizada de todo el procedimiento y el historial médico del paciente", explica el Dr. Brian Meech, autor principal del estudio y director del Centro de Información Médica de la Universidad de Rochester. Centro Médico. "Desafortunadamente, los modelos de computadora solo simulan el análisis de riesgo-beneficio en una fracción relativamente pequeña de los procedimientos quirúrgicos, a menudo menos del uno por ciento".
El método de análisis del estudio tuvo implicaciones más allá de los posibles efectos del procedimiento sobre la condición médica del receptor. Al comparar el riesgo de eventos adversos entre los procedimientos quirúrgicos para personas de todas las edades, se planteó la hipótesis de que se habría realizado un mayor número de procedimientos antes del diagnóstico y, por lo tanto, en un rango de edad diferente, lo que los hace menos riesgosos para los resultados adversos.
La nueva investigación analizó los datos de más de 6,000 operaciones en el transcurso de un período de 40 años en los EE. UU., La segunda población más grande en la que estaban disponibles dichos datos.
Desarrollo de nuevos medicamentos.
El uso del aprendizaje automático en el descubrimiento de drogas preliminar (etapa inicial) tiene el potencial para varios usos, desde la detección inicial de compuestos de drogas hasta la tasa de éxito prevista basada en factores biológicos.
Potencialmente, puede ayudar a predecir la eficacia y seguridad de los medicamentos (que es uno de los objetivos principales del desarrollo de nuevos medicamentos), así como proporcionar información sobre nuevos ingredientes que potencialmente se están convirtiendo en nuevos medicamentos.
Este nuevo enfoque para el desarrollo de nuevos medicamentos es importante porque los enfoques actuales se basan en el supuesto de que cada compuesto tiene un objetivo específico y bien estudiado, lo que limita el desarrollo de nuevos medicamentos a pequeños grupos de compuestos. Además, se ha supuesto que el "mejor" compuesto es el primero en llegar a ensayos clínicos.
Esto significa que muchos compuestos que podrían no causar daño, tener un efecto débil o resultar dañinos a altas dosis pueden obtener la aprobación de la FDA, a pesar de que estos compuestos no pueden estudiarse de manera confiable, ya que pueden ser más dañinos al aumentar la dosis.
Procesamiento de datos
La minería de datos es un campo de estudio cada vez más importante en salud pública. Al realizar una variedad de tareas, como el aprendizaje automático en la búsqueda, la minería de datos adopta una amplia variedad de formas: aplica un modelo basado en datos para extraer el significado de un conjunto de datos, extrae variables relevantes de un conjunto de datos y luego evalúa un modelo en estas variables.
La minería de datos es un campo de estudio altamente complejo e interdisciplinario que puede variar desde el análisis de datos básicos hasta la minería de datos y la interpretación de datos.
TI de salud
