Aprendizaje automático proporciona oxigenación personalizada para pacientes conectados a ventiladores

El oxígeno suplementario es uno de los tratamientos más comúnmente recetados en todo el mundo, y cada año entre 13 y 20 millones de pacientes necesitan oxígeno suministrado mediante ventilación mecánica. La ventilación mecánica es una tecnología fundamental de soporte vital que facilita el movimiento del aire hacia y desde los pulmones, funcionando de manera similar a un fuelle. Los ventiladores modernos son un avance significativo con respecto a las viejas máquinas de “pulmón de hierro” típicamente imaginadas; Los dispositivos actuales son máquinas digitales compactas y sofisticadas que administran oxígeno a través de un pequeño tubo de plástico insertado en la garganta. A pesar de estas mejoras tecnológicas, la determinación del nivel de oxígeno adecuado para cada paciente sigue basándose en gran medida en estimaciones. Los médicos establecen los niveles de oxígeno utilizando dispositivos que miden la saturación de SpO2, lo que indica la saturación de oxígeno en la sangre de un paciente, pero estudios anteriores no han determinado de manera concluyente si los objetivos de SpO2 más altos o más bajos son más beneficiosos para los pacientes.

Para eliminar las conjeturas sobre la ventilación, un equipo de la Universidad de Medicina de Chicago (Chicago, IL, EUA) ha empleado un modelo de aprendizaje automático para explorar cómo los diferentes niveles de oxígeno podrían afectar los resultados según las características individuales de los pacientes. Sus hallazgos sugieren que los objetivos de oxigenación personalizados podrían reducir significativamente las tasas de mortalidad, revolucionando potencialmente las prácticas de cuidados críticos. Estudios anteriores realizados por varios grupos de investigación intentaron determinar si los niveles de oxígeno más altos o más bajos eran más ventajosos, pero en general, estos estudios no arrojaron resultados definitivos. Los investigadores de UChicago Medicine propusieron que los resultados neutrales de estos ensayos podrían no significar que los niveles de oxígeno sean irrelevantes para los resultados de los pacientes, sino más bien que los efectos de los diferentes niveles de oxígeno varían de un paciente a otro, con un efecto promedio de cero en los ensayos aleatorios.

A medida que la medicina personalizada gana popularidad, existe un interés creciente en aprovechar el aprendizaje automático para predecir tratamientos óptimos para pacientes individuales. En el área de la ventilación mecánica, estos modelos predictivos podrían potencialmente determinar la saturación de oxígeno ideal para un paciente en función de características específicas como la edad, el sexo, la frecuencia cardíaca, la temperatura corporal y el motivo de ingreso en la UCI. El equipo y sus colegas utilizaron datos de ensayos aleatorios anteriores para desarrollar y perfeccionar su modelo de aprendizaje automático. Después del desarrollo inicial con datos de EUA., el modelo se aplicó a datos de pacientes de Australia y Nueva Zelanda. Según sus hallazgos, para los pacientes que alcanzaron los niveles de oxigenación considerados óptimos por el modelo, hubo una reducción de la mortalidad general del 6,4 %. Es importante tener en cuenta que los resultados no se pueden predecir universalmente basándose en una sola característica; por ejemplo, no todos los pacientes con lesiones cerebrales se beneficiarán de niveles más bajos de oxígeno, a pesar de que las tendencias de los datos así lo sugieren, lo que crea la necesidad de una herramienta integral como el modelo de aprendizaje automático. que integra diversos datos de pacientes.

A pesar de la complejidad del algoritmo, las variables de entrada son parámetros clínicos comunes, lo que facilitará a los equipos sanitarios el uso de dichas herramientas en el futuro. En UChicago Medicine, los algoritmos ya están integrados directamente en los sistemas de registros médicos electrónicos (EHR) para respaldar diversas decisiones clínicas. Los investigadores prevén que la ventilación mecánica podría gestionarse de manera similar. Para los hospitales que carecen de los recursos para integrar herramientas avanzadas de aprendizaje automático en los EHR, también existe la posibilidad de desarrollar una aplicación basada en web que permitiría a los médicos ingresar las características de los pacientes y recibir predicciones, funcionando como una calculadora en línea. Se requieren validaciones, pruebas y refinamientos exhaustivos antes de que estas aplicaciones puedan implementarse clínicamente, pero los beneficios potenciales justifican la inversión en más investigaciones.

"Si los resultados son verdaderos y generalizables, entonces las consecuencias son asombrosas", afirmó Derek Angus, MD, experto en cuidados críticos. "Si uno pudiera asignar instantáneamente a cada paciente en su grupo apropiado de beneficio o daño previsto y asignar su objetivo de oxígeno en consecuencia, la intervención teóricamente produciría la mayor mejora en vidas salvadas de enfermedades críticas en la historia del campo".

Enlaces relacionados:
UChicago Medicine

Visitar la expo >

Miembro Oro

Disposable Protective Suit For Medical Use

Disposable Protective Suit For Medical Use

Flocked Fiber Swabs
Puritan® patented HydraFlock®

New

Venous Vascular Closure System

VASCADE MVP

New

Opaque X-Ray Mobile Lead Barrier

2594M