Investigadores de Brigham, Massachusetts, han desarrollado una herramienta basada en inteligencia artificial para ayudar a los médicos a identificar casos de COVID-19 prolongado a través de registros médicos electrónicos, una condición a menudo misteriosa que puede abarcar síntomas crónicos como fatiga, tos crónica y confusión mental. Infección por SARS-CoV-2. Los resultados, que se publican en la revista conPuede identificar a más personas que deberían recibir atención para esta afección potencialmente debilitante. La cantidad de casos que identificaron también indica que los brotes de Covid a largo plazo pueden ser ampliamente reconocidos.
“Nuestra herramienta de IA puede convertir un proceso de diagnóstico confuso en algo nítido y enfocado, permitiendo a los médicos comprender una condición desafiante”, dijo el autor principal Hossein Isteri, PhD, jefe de investigación de IA en el Centro de IA e Informática Biomédica. Mass General Brigham’s Learning Health Care System (CAIBILS) y profesor asociado de medicina en la Facultad de Medicina de Harvard. “Con este trabajo, es posible que finalmente podamos ver el Covid a largo plazo tal como es realmente y, lo que es más importante, cómo tratarlo”.
El covid prolongado, también conocido como secuelas posagudas de la infección por SARS-CoV-2 (PASC), presenta una amplia gama de síntomas. Para los fines de su estudio, Isteri y sus colegas definieron esto como un diagnóstico de exclusión que involucraba infección. Esto significaba que el diagnóstico no podía explicarse en la historia clínica única del paciente y tenía que estar asociado a una infección por covid. Además, se requieren diagnósticos de 2 meses o más en un período de seguimiento de 12 meses.
El algoritmo utilizado en la herramienta de IA se desarrolló extrayendo datos de pacientes no identificados de los registros clínicos de casi 300.000 pacientes en 14 hospitales y 20 centros de salud comunitarios en el sistema Mass General Brigham. En lugar de depender de un único código de diagnóstico, la IA utiliza un método novedoso desarrollado por Isteri y sus colegas llamado “fenotipado de precisión” para identificar síntomas y afecciones asociadas con el COVID-19 y rastrear los síntomas a lo largo del tiempo a través de registros individuales mediante pruebas. para distinguirlas de otras enfermedades. Por ejemplo, el algoritmo puede detectar si la dificultad para respirar puede ser el resultado de una condición preexistente como insuficiencia cardíaca o asma en lugar de un covid prolongado. La herramienta identificará que el paciente tiene signos de covid prolongado sólo después de que se hayan agotado todas las demás posibilidades.
“Los médicos a menudo tienen que navegar a través de una compleja red de síntomas e historial médico, sin estar seguros de qué hilos tirar mientras equilibran una carga de casos ocupada. Tener una herramienta impulsada por IA que pueda hacer esto sistemáticamente por ellos podría ser un punto de inflexión”, dice Aleh Azir, MD, coautor principal, es residente de medicina interna en el Brigham Women’s Hospital y miembro fundador del Mass. Brigham General Health Care System.
Los diagnósticos centrados en el paciente proporcionados por este nuevo enfoque también podrían ayudar a eliminar los sesgos incorporados en los diagnósticos actuales de COVID prolongado, según los investigadores, quienes señalan que los diagnósticos mediante códigos de diagnóstico oficiales ICD-10 para COVID-10 prolongado tienden a ser más fáciles de entender para los pacientes. el acceso ha sido. Para la atención médica Aunque otros estudios de diagnóstico sugieren que alrededor del 7% de la población sufre de covid prolongado, este nuevo método revela una estimación mucho más alta: 22,8%. Los autores dicen que esta cifra se alinea más estrechamente con las tendencias nacionales y presenta una imagen más realista del costo de la epidemia a largo plazo.
Los investigadores determinaron que su herramienta es aproximadamente un 3 por ciento más precisa que la que captura los códigos ICD-10, aunque menos sesgada. Específicamente, su estudio encontró que aquellos que identificaron con covid prolongado reflejaban el perfil poblacional más amplio de Massachusetts, a diferencia del algoritmo de covid prolongado que se basa en un único código de diagnóstico o encuentro clínico individual, con resultados sesgados hacia poblaciones específicas como aquellas con mayor acceso. . “Este amplio alcance de la atención garantiza que las comunidades marginadas, a menudo rechazadas en los estudios clínicos, ya no sean invisibles”, afirma Isteri.
Las limitaciones del estudio y la herramienta de inteligencia artificial incluyen que los datos de los registros médicos utilizados en el algoritmo para los síntomas prolongados de Covid pueden ser menos completos que los capturados por los médicos en las notas clínicas posteriores a la visita. Otra limitación fue que el algoritmo no captó el posible empeoramiento de condiciones preexistentes, lo que podría provocar síntomas prolongados de Covid. Por ejemplo, si un paciente tiene EPOC y sus episodios previos empeoraron antes de desarrollar COVID-19, el algoritmo podría eliminar sus síntomas incluso si fueran indicadores de Covid prolongado. La disminución de las pruebas de COVID-19 en los últimos años también dificulta identificar cuándo un paciente contrajo COVID-19 por primera vez. El estudio también se limitó a pacientes de Massachusetts.
Los estudios futuros podrían explorar algoritmos para agrupar a pacientes con afecciones específicas como EPOC o diabetes. Los investigadores planean hacer público el algoritmo para que los médicos y los sistemas sanitarios de todo el mundo puedan utilizarlo en sus poblaciones de pacientes.
Además de abrir la puerta a una mejor atención clínica, este trabajo podría sentar las bases para futuras investigaciones sobre los factores genéticos y bioquímicos detrás de los distintos subtipos de Covid crónico. “Las preguntas sobre la verdadera carga del Covid crónico, preguntas que hasta ahora han sido esquivas, ahora parecen más accesibles”, dijo Isteri.
Paternidad literaria: Además de Eastery, los autores del Mass General Brigham incluyen a Alaleh Azir, Jonas Hugel, Jiaji Tian, Jingya Cheng, Ingrid V. Bassett, Emily S. Lau, Yevgeny R. Semenov, Virginia A. Triant, Zachary H. Strasser, Jeffrey G. Clan y Shawn N. Murphy. Otros autores incluyen a Douglas S. Bell, Elmer V. Bernstam, Maha R. Farhat, Darren W. Henderson, Michelle Morris y Shyam Visveswaran.
Financiación: Apoyo de los Institutos Nacionales de Salud, el Instituto Nacional de Alergias y Enfermedades Infecciosas (NIAID) R01AI165535, el Instituto Nacional del Corazón, los Pulmones y la Sangre (NHLBI) OT2HL161847 y el Centro Nacional para el Avance de las Ciencias Traslacionales (NCATS) UL1 TR018, TR0108 y National Centro U24TR004111. El trabajo de J.Hügel fue financiado parcialmente por una beca del programa IFI del Servicio Alemán de Intercambio Académico (DAAD) y del Ministerio Federal de Educación e Investigación (BMBF), así como de la Fundación Alemana de Investigación (426671079).