Una herramienta de inteligencia artificial propuesta para ayudar a los médicos a tomar decisiones sobre pacientes hospitalizados en riesgo de sepsis tiene una característica inusual: tiene en cuenta la falta de certeza y sugiere qué datos demográficos, signos vitales y resultados de pruebas de laboratorio se necesitan para mejorar su rendimiento predictivo.
El sistema, llamado SepsisLab, se desarrolló basándose en los comentarios de médicos y enfermeras que tratan a pacientes en departamentos de emergencia y UCI donde comúnmente ocurre sepsis, la respuesta inmune del cuerpo a la infección. Informaron de su insatisfacción con una herramienta existente asistida por IA que genera puntuaciones de predicción de riesgo del paciente utilizando únicamente registros médicos electrónicos, pero sin datos de entrada de los médicos.
Los científicos de la Universidad Estatal de Ohio diseñaron SepsisLab para poder predecir el riesgo de sepsis de un paciente en cuatro horas, pero a medida que avanza el tiempo, el sistema identifica los datos faltantes del paciente, mide cuánto se necesita y brinda a los médicos una imagen visual de cómo se obtienen los datos específicos. predice que el riesgo final afectará. Los experimentos que utilizaron una combinación de datos de pacientes patentados y disponibles públicamente mostraron que agregar el 8% de los datos recomendados mejoró la precisión de la predicción de sepsis del sistema en un 11%.
“El modelo existente presenta un paradigma de competencia entre humanos e IA más tradicional, generando numerosas y molestas falsas alarmas en las UCI y salas de emergencia sin que los médicos escuchen”, dijo el autor principal del estudio, Ping Zhang, profesor asociado de ciencias de la computación, ingeniería e informática biomédica en la Universidad Estatal de Ohio. . Estado
“La idea es tomar el concepto de ‘IA en el circuito humano’ e involucrar a la IA en cada paso intermedio de la toma de decisiones. No solo estamos construyendo una herramienta, también hemos reclutado médicos para el proyecto. “Es un sistema centrado en el ser humano. Una verdadera colaboración entre informáticos y médicos para crear un sistema que ponga al médico en el asiento del conductor”.
El estudio fue publicado el 24 de agosto. KDD ’24: Actas de la 30ª Conferencia ACM SIGKDD sobre descubrimiento de conocimientos y minería de datos y será presentado oralmente en SIGKDD 2024 en Barcelona, España el miércoles (28 de agosto).
La sepsis es una emergencia médica potencialmente mortal (puede provocar una rápida insuficiencia orgánica), pero no es fácil de diagnosticar porque sus síntomas pueden imitar otras afecciones como fiebre, presión arterial baja, aumento del ritmo cardíaco y dificultad para respirar. Este trabajo se basa en un modelo de aprendizaje automático anterior desarrollado por Zhang y sus colegas para estimar el momento óptimo para administrar antibióticos a pacientes con sospecha de sepsis.
SepsisLab está diseñado para predecir el riesgo rápidamente, pero genera una nueva predicción cada hora a medida que se agregan nuevos datos de pacientes al sistema.
“Cuando un paciente llega por primera vez, faltan muchos valores, especialmente en las pruebas de laboratorio”, dijo el primer autor Changchang Yin, estudiante de doctorado en informática e ingeniería en el Laboratorio de Inteligencia Artificial en Medicina de Zhang.
En la mayoría de los modelos de IA, los puntos de datos faltantes se imputan con un único valor asignado (un proceso llamado imputación), “pero el modelo de imputación puede sufrir de incertidumbre que puede propagarse a los modelos de predicción posteriores”, dice Yin.
“Si el modelo de adaptación no puede explicar con precisión el valor faltante y es un valor muy importante, entonces se debe observar la variable. Nuestro algoritmo de detección activa tiene como objetivo encontrar esos valores faltantes e informar a los médicos qué variables adicionales deben observar. la variable que puede hacer que el modelo de predicción sea más preciso”.
Igualmente importante es brindar a los médicos recomendaciones prácticas para eliminar la incertidumbre del sistema con el tiempo. Estos incluyen pruebas de laboratorio ordenadas según el valor del proceso de diagnóstico y estimaciones de cómo cambiará el riesgo de sepsis de un paciente según el tratamiento clínico específico.
La prueba mostró que agregar un 8% de nuevos datos de pruebas de laboratorio, signos vitales y otras variables de alto valor redujo la incertidumbre propagada por el modelo en un 70%, lo que contribuyó a una mejora del 11% en la precisión del riesgo de sepsis.
“El algoritmo puede seleccionar las variables más importantes y las acciones del médico reducen la incertidumbre”, dijo Zhang, también miembro principal del cuerpo docente del Instituto de Análisis de Datos Traslacionales del Estado de Ohio. “Este trabajo matemático fundamental es la innovación tecnológica más importante: la columna vertebral de la investigación”.
Zhang ve la IA centrada en el ser humano como parte del futuro de la medicina, pero sólo si la IA interactúa con los médicos de una manera que les haga confiar en el sistema.
“No se trata de construir un sistema de inteligencia artificial que pueda conquistar el mundo”, afirmó. “El centro de medicina está probando hipótesis y tomando decisiones minuto a minuto que no son simplemente ‘sí’ o ‘no’. Imaginamos a una persona en el centro de la interacción utilizando IA para ayudar a las personas a sentirse sobrehumanas”.
Esta investigación fue apoyada por la Fundación Nacional de Ciencias, los Institutos Nacionales de Salud y la Beca Aceleradora de Excelencia en Investigación del Presidente del Estado de Ohio. Zhang recibió fondos adicionales de los NIH para continuar colaborando con los médicos en este trabajo.
Otros coautores incluyen a Jeffrey Caterino del Centro Médico Wexner de la Universidad Estatal de Ohio, Bingsheng Yao y Daquo Wang de la Universidad Northeastern y Pin-Yu Chen de IBM Research.