Un nuevo modelo de aprendizaje automático que estima el momento óptimo del tratamiento para la sepsis podría allanar el camino para herramientas de apoyo que ayuden a los médicos a personalizar las decisiones de tratamiento junto a la cama del paciente, dicen los investigadores.
En un artículo publicado hoy (6 de abril de 2023) en Naturaleza Máquina Inteligenciacientíficos de la Universidad Estatal de Ohio describen el nuevo modelo, que utiliza inteligencia artificial para abordar la compleja cuestión de cuándo administrar antibióticos a pacientes con sospecha de sepsis.
El tiempo es esencial porque la sepsis, la abrumadora respuesta del cuerpo a una infección, puede conducir rápidamente a una falla orgánica. Y, sin embargo, sus síntomas (fiebre, presión arterial baja, aumento del ritmo cardíaco y problemas respiratorios) pueden parecerse a muchas otras afecciones. Las pautas federales exigen un tratamiento rápido con antibióticos de amplio espectro como la primera línea de defensa, una estrategia que generalmente requiere acción antes de que se puedan obtener cultivos que confirmen una infección bacteriana en un laboratorio.
El modelo fue diseñado para tener en cuenta estas incertidumbres y presiones de tiempo.
Los investigadores probaron el rendimiento del modelo utilizando información de pacientes de cuidados intensivos de una base de datos de EE. UU. y una base de datos europea, y compararon los resultados de los pacientes cuyo tratamiento real coincidía con el cronograma de tratamiento recomendado por el modelo con los resultados de los pacientes cuyo tratamiento real había diferido de lo que el modelo habría recomendado según en sus signos vitales, resultados de laboratorio y datos demográficos relacionados con el riesgo. La medida que representa el resultado fue la supervivencia del paciente 30 y 60 días después del tratamiento de la sepsis.
«Demostramos que cuando el tratamiento real y la inteligencia artificial están de acuerdo, tenemos una tasa de mortalidad más baja. Si no están de acuerdo, la tasa de mortalidad puede llegar al 25 %», dijo el autor principal Ping Zhang, PhD, profesor asistente de informática e ingeniería e informática biomédica en el estado de Ohio.
El modelo fue entrenado y validado en un conjunto de datos obtenidos de una base de datos disponible públicamente, llamada MIMIC-III. El modelo se probó en diferentes partes de MIMIC-III y un nuevo conjunto de datos externo de AmsterdamUMCdb. Las medidas clave de casi 14 000 personas con sepsis incluyeron cambios en los signos vitales de los pacientes y los resultados de las pruebas de laboratorio a medida que pasaba el tiempo (que sirven como indicadores de la gravedad de la enfermedad y el tipo de infección) y un método innovador diseñado para comparar los resultados de los pacientes que sí y los que no. recibir antibióticos en un momento específico.
«Queremos que el modelo prediga si es beneficioso usar antibióticos en un momento dado, sí o no. Pero nunca sabremos qué sucede si no administramos el antibiótico. Así que aplicamos un concepto de ensayo clínico a este modelo : Por cada paciente que había tomado el medicamento, incluimos un paciente clínicamente similar que no tomó antibióticos en ese momento», dijo Zhang, quien dirige el Laboratorio de Inteligencia Artificial en Medicina y también es un miembro principal de la facultad en la Universidad Estatal de Ohio. Instituto de análisis de datos traslacionales. «De esa manera, podemos predecir el resultado contrafactual y entrenar el modelo de tratamiento contrafactual para determinar si el tratamiento para la sepsis funciona o no».
La sepsis contribuye a más de un tercio de las muertes hospitalarias, y se observa con mayor frecuencia en las unidades de cuidados intensivos y los departamentos de emergencia, «donde a menudo tomamos decisiones sin el estándar de oro: es el resultado de una cultura», dijo el coautor del estudio. -autora Katherine Buck, MD, profesora asistente de medicina de emergencia en la Facultad de Medicina y directora del Departamento de Emergencias Geriátricas en el Centro Médico Wexner del Estado de Ohio. «No todos los pacientes que cumplen con los criterios de sepsis tienen pruebas de una infección bacteriana».
Los antibióticos no vienen sin riesgos: pueden ser tóxicos para los riñones, provocar una reacción alérgica o provocar C. difficile, una infección que causa diarrea severa e inflamación del colon.
«A lo que comienza este artículo es a si podemos usar la información disponible para los médicos, a veces de vanguardia y otras no, para decir: las cosas están cambiando de una manera que sugiere que el paciente se beneficiará de los antibióticos», dijo Buck. «Una herramienta de apoyo a la toma de decisiones podría decirles a los médicos si coincide con lo que ya estamos pensando o incitarnos a preguntarnos qué nos estamos perdiendo. Con suerte, con el tiempo, todos los datos de registros de salud electrónicos que tenemos revelarán señales, y de ahí se trata de descubrir cómo usarlos y cómo llevarlos a los médicos».
Esos conocimientos, y la disponibilidad de datos de registros de salud electrónicos, fueron importantes para alimentar el modelo con el tipo correcto de datos y diseñarlo para tener en cuenta múltiples consideraciones que surgen con las circunstancias médicas cambiantes, dijo Zhang.
«Modelamos el registro del paciente como si fuera un lenguaje», dijo. «Y para el aprendizaje automático, siempre entrenamos el modelo lote por lote: necesita el modelo para analizar el patrón de datos, establecer parámetros y, en función de estos parámetros, agregar otro conjunto de datos de entrenamiento para realizar mejoras. Y luego la máquina siempre encuentra mejores parámetros para ajustar el modelo».
Una medida clave que se utiliza para guiar cómo el modelo llega a una recomendación es la puntuación de la Evaluación Secuencial de Fallos Orgánicos (SOFA), que se utiliza para evaluar periódicamente el rendimiento de los sistemas de órganos de un paciente de la UCI en función de los resultados de seis pruebas de laboratorio. Los investigadores realizaron estudios de casos de ejemplo para demostrar cómo sería una interfaz desarrollada para el entorno clínico, mostrando cómo cambian las puntuaciones SOFA cuando el modelo ajusta el cronograma de tratamiento recomendado en función de los cambios en los datos personalizados del paciente.
«Nuestro artículo es el primero en utilizar IA para buscar una recomendación de antibióticos para la sepsis, utilizando datos del mundo real para ayudar a la toma de decisiones clínicas», dijo Zhang. «Cualquier investigación como esta necesita validación clínica: esta es la fase uno para el análisis retrospectivo de datos, y la fase dos involucrará la colaboración entre humanos e IA para una mejor atención al paciente».
Este trabajo fue apoyado por la Fundación Nacional de Ciencias y los Institutos Nacionales de Salud. Otros coautores, ambos del estado de Ohio, fueron el primer autor Ruoqi Liu, estudiante de doctorado en informática e ingeniería, y Jeffrey Caterino, MD, profesor y presidente de medicina de emergencia y jefe de servicios médicos de emergencia.