Nuevo método de aprendizaje automático predice mejor los resultados de la cirugía de columna

La recuperación quirúrgica se ve afectada por la salud física y mental preoperatoria del paciente. Además, algunas personas pueden experimentar mayor ansiedad o problemas fisiológicos que exacerban el dolor e impiden la recuperación. Si los médicos pueden identificar los posibles desafíos que puede enfrentar un paciente, podrán personalizar mejor los planes de tratamiento. Los investigadores han estado utilizando datos de salud móviles de dispositivos Fitbit para monitorear y medir la recuperación, comparando los niveles de actividad a lo largo del tiempo. Ahora, estos investigadores están utilizando los datos de Fitbit para predecir los resultados quirúrgicos, desarrollando un nuevo método para evaluar con mayor precisión cómo los pacientes pueden recuperarse de una cirugía de columna.

Investigadores de la Universidad de Washington en San Luis (St. Louis, MO, EUA) emplearon técnicas de aprendizaje automático para desarrollar un método que puede pronosticar con mayor precisión la recuperación de una cirugía de columna lumbar. Su investigación anterior demostró que la combinación de datos informados por los pacientes con mediciones objetivas de dispositivos portátiles mejora las predicciones de recuperación temprana en comparación con las evaluaciones tradicionales de los pacientes. Demostraron que los datos de Fitbit podrían correlacionarse con varias encuestas que evalúan el estado social y emocional de una persona. Estos datos se recopilaron a través de “evaluaciones ecológicas momentáneas” (EMA), utilizando teléfonos inteligentes para solicitar a los pacientes con frecuencia a lo largo del día que evalúen el estado de ánimo, los niveles de dolor y el comportamiento.

En el estudio más reciente, los investigadores combinaron todos estos factores para desarrollar una nueva técnica de aprendizaje automático llamada "Aprendizaje multimodal y multitarea" para integrar de manera efectiva diferentes tipos de datos para predecir múltiples resultados de recuperación. Este enfoque permite a la IA comprender las relaciones entre diferentes resultados y al mismo tiempo reconocer sus diferencias con respecto a los datos multimodales. El método utiliza información compartida sobre tareas interrelacionadas de predicción de diferentes resultados y aprovecha esta información compartida para mejorar la precisión de las predicciones. El resultado final es un cambio previsto en la interferencia del dolor posoperatorio y la puntuación de la función física de cada paciente. El estudio está en curso y los investigadores continúan perfeccionando sus modelos para realizar evaluaciones más detalladas, predecir resultados y, lo más importante, identificar factores modificables para mejorar los resultados a largo plazo.

"Combinamos dispositivos portátiles, EMA y registros clínicos para capturar una amplia gama de información sobre los pacientes, desde actividades físicas hasta informes subjetivos de dolor y salud mental, y características clínicas", dijo el profesor Chenyang Lu de WUSTL.

"Al predecir los resultados antes de la cirugía, podemos ayudar a establecer algunas expectativas y ayudar con intervenciones tempranas e identificar factores de alto riesgo", añadió Ziqi Xu, estudiante de doctorado en el laboratorio de Lu.

Enlaces relacionados:
Universidad de Washington en St. Louis