Alertas en tiempo real generadas por IA sobre el deterioro de la salud aceleran el tratamiento

Históricamente, los médicos han utilizado métodos manuales tradicionales como la puntuación de alerta temprana modificada (MEWS) para predecir el deterioro clínico. Si bien estas puntuaciones han mostrado un buen desempeño en evaluaciones retrospectivas, su validación prospectiva ha sido más limitada. Los avances recientes han hecho que los modelos de aprendizaje automático (ML), entrenados con datos extensos de registros médicos electrónicos (EHR), superen en rendimiento a estos métodos más antiguos. Estos enfoques de ML generalmente tienen diseños retrospectivos, aunque algunos estudios han explorado la aplicación de los modelos de ML en el mundo real y han observado mejoras en las tasas de mortalidad. Sin embargo, aún faltan datos sólidos sobre estos modelos. Ahora, una nueva investigación ha descubierto que los pacientes hospitalizados tenían un 43% más de probabilidades de recibir atención intensificada y significativamente menos probabilidades de morir si su equipo de atención médica recibía alertas generadas por inteligencia artificial (IA) sobre cambios adversos en su estado de salud.

El estudio realizado por investigadores de la Escuela de Medicina Icahn en Mount Sinai (Nueva York, NY, EUA) tuvo como objetivo evaluar si las alertas rápidas generadas por IA y aprendizaje automático, entrenadas en diversos datos de pacientes, podrían reducir la necesidad de cuidados intensivos y tasas de mortalidad. En este estudio prospectivo, no aleatorizado, participaron 2.740 pacientes adultos en cuatro unidades médico-quirúrgicas del Hospital Mount Sinai, divididos en dos grupos: uno recibió alertas en tiempo real sobre el posible deterioro directamente a sus equipos de atención, y al otro se le generaron alertas pero no las entregaron. En las unidades donde no se enviaron alertas, los pacientes que cumplían con los criterios estándar de deterioro recibieron intervención inmediata de un equipo de respuesta rápida.

Los resultados del grupo de intervención mostraron que estos pacientes tenían más probabilidades de recibir medicamentos de apoyo cardiovascular, lo que sugiere medidas proactivas por parte de los médicos; también exhibieron una tasa de mortalidad reducida dentro de los 30 días. Desde entonces, el algoritmo se ha implementado en todas las unidades intermedias del Hospital Mount Sinai, con un flujo de trabajo optimizado. Un equipo de médicos de cuidados intensivos revisa diariamente a los 15 pacientes con la puntuación más alta y brinda recomendaciones de tratamiento a los médicos y enfermeras que los atienden. A medida que el algoritmo se reentrena continuamente con datos de un número cada vez mayor de pacientes, las evaluaciones realizadas por el equipo de cuidados intensivos actúan como punto de referencia para la precisión, mejorando aún más la precisión del algoritmo a través del aprendizaje por refuerzo.

"Nuestra investigación muestra que las alertas en tiempo real que utilizan el aprendizaje automático pueden mejorar sustancialmente los resultados de los pacientes", afirmó el autor principal del estudio, Dr. David L. Reich, presidente del Hospital Mount Sinai y Mount Sinai Queens, profesor Horace W. Goldsmith de Anestesiología y profesor de Inteligencia Artificial y Salud Humana en Icahn Mount Sinai. "Estos modelos son ayudas precisas y oportunas para la toma de decisiones clínicas que nos ayudan a llevar el equipo adecuado al paciente adecuado en el momento adecuado. Los consideramos herramientas de 'inteligencia aumentada' que aceleran las evaluaciones clínicas en persona por parte de nuestros médicos y enfermeras e impulsar los tratamientos que mantienen a nuestros pacientes más seguros. Estos son pasos clave hacia el objetivo de convertirse en un sistema de salud que aprende".

Enlaces relacionados:
Escuela de Medicina Icahn en Monte Sinaí