Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Please note that the HospiMedica website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
Sekisui Diagnostics UK Ltd.

Deascargar La Aplicación Móvil




Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca

Por el equipo editorial de HospiMedica en español
Actualizado el 30 May 2023
Print article
Imagen: El primer modelo específico de la institución proporciona una ventaja de desempeñoa significativa sobre los modelos actuales basados en la población (Fotografía cortesía de Mount Sinai)
Imagen: El primer modelo específico de la institución proporciona una ventaja de desempeñoa significativa sobre los modelos actuales basados en la población (Fotografía cortesía de Mount Sinai)

Se han implementado algoritmos de aprendizaje automático para crear modelos predictivos en varios campos médicos, y algunos han demostrado mejores resultados en comparación con sus contrapartes que son estándar de atención. En la cirugía cardíaca, las puntuaciones de riesgo proporcionadas por la Sociedad de Cirujanos Torácicos (STS) a menudo se utilizan para evaluar el riesgo del procedimiento de un paciente. Si bien estos puntajes siguen siendo vitales para que los hospitales evalúen y mejoren su desempeño, se extraen de datos de toda la población, lo que puede no ser suficiente para predecir con precisión el riesgo de pacientes específicos con patologías complejas.

Ahora, cirujanos cardiovasculares y especialistas en ciencia de datos de Mount Sinai (Nueva York, NY, EUA) han desarrollado un modelo basado en aprendizaje automático que predice el riesgo de mortalidad para pacientes de cirugía cardíaca individuales, lo que ofrece una ventaja de desempeño considerable sobre los modelos actuales basados en la población. Este algoritmo basado en datos, basado en extensos registros de salud electrónicos (RSE), es el primer modelo específico de una institución de este tipo para la evaluación prequirúrgica del riesgo de pacientes cardíacos. Permite a los proveedores de atención médica determinar la estrategia de tratamiento óptima para cada paciente.

El equipo teorizó que los modelos basados en datos de RSE de su propia institución, creados mediante aprendizaje automático, podrían proporcionar una solución útil. Utilizando datos de los RSE recopilados de rutinariamente, desarrollaron un sólido marco de aprendizaje automático para generar un modelo de predicción de riesgo para la mortalidad posquirúrgica que se adapta tanto al paciente como al hospital. Este modelo incorpora datos vitales sobre la población de pacientes de Mount Sinai, incluidas las características demográficas, socioeconómicas y de salud. Esto contrasta con los modelos basados en la población como los de STS, que se basan en datos de varios sistemas de salud en los EUA. La eficacia de este enfoque se ve reforzada por un algoritmo de predicción de código abierto eficiente llamado XGBoost, que reúne un grupo de árboles de decisión centrándose progresivamente en segmentos de datos de entrenamiento más difíciles de predecir.

El equipo de investigación utilizó XGBoost para modelar 6.392 cirugías cardíacas realizadas en el hospital Mount Sinai entre 2011 y 2016, que abarcaron procedimientos de válvulas cardíacas, injertos de derivación de arteria coronaria, resecciones aórticas, reemplazos o anastomosis y cirugías cardíacas reoperatorias, que aumentan significativamente el riesgo de mortalidad. Luego, el equipo comparó el desempeño de su modelo con los modelos de STS para los mismos conjuntos de pacientes. El estudio encontró que el modelo XGBoost eclipsó las puntuaciones de riesgo de mortalidad de STS en todas las categorías de cirugía cardíaca realizadas con frecuencia para las que se diseñaron las puntuaciones de STS. El desempeño predictivo del modelo XGBoost en todos los tipos de cirugías también fue alto, lo que indica el potencial del aprendizaje automático y los datos de RSE para construir modelos efectivos específicos de la institución.

"Los modelos de riesgo estándar de atención que se utilizan hoy en día están limitados por su aplicabilidad a tipos específicos de cirugías, excluyendo a un número significativo de pacientes que se someten a procedimientos complejos o combinados para quienes no existen modelos", dijo el autor principal Ravi Iyengar, PhD, Profesor de Ciencias Farmacológicas Dorothy H. y Lewis Rosenstiel en la Escuela de Medicina Icahn en Mount Sinai, y director del Instituto de Biomedicina de Sistemas Mount Sinai. “Nuestro equipo combinó rigurosamente datos de registros de salud electrónicos y métodos de aprendizaje automático para demostrar por primera vez cómo las instituciones individuales pueden construir sus propios modelos de riesgo para la mortalidad poscirugía cardíaca”.

Enlaces relacionados:
Mount Sinai  

Miembro Oro
STI Test
Vivalytic Sexually Transmitted Infection (STI) Array
Miembro Oro
12-Channel ECG
CM1200B
New
Dry Thawing & Warming System
SAHARA-TSC 230 V
New
Ultrasound Needle Guide
Ultra-Pro 3

Print article

Canales

Cuidados Criticos

ver canal
Imagen: la tecnología permite a los médicos detectar cambios neurológicos de forma temprana e intervenir más rápidamente (foto cortesía de brain4care)

Nueva tecnología mide la presión intracraneal con mayor precisión y de manera no invasiva

La monitorización de la presión intracraneal (PIC), junto con factores como la oxigenación del tejido cerebral, el metabolismo y la actividad eléctrica, es crucial en los cuidados... Más

Técnicas Quirúrgicas

ver canal
Imagen: Una posible ubicación segura para un implante visual (en azul) mientras las venas (rosas) que cubren la corteza visual permanecen intactas (foto cortesía de Precision Clinical Medicine, DOI: 10.1093/pcmedi/pbaf003)

Herramienta de código abierto optimiza la colocación de implantes cerebrales visuales

Alrededor de 40 millones de personas en todo el mundo padecen ceguera, una cifra que se prevé que aumente en los próximos años. Una posible solución para restaurar la visión... Más

Cuidados de Pacientes

ver canal
Imagen: La plataforma de biosensores portátil utiliza sensores electroquímicos impresos para la detección rápida y selectiva de Staphylococcus aureus (foto cortesía de AIMPLAS)

Plataforma de biosensores portátiles reducirá infecciones adquiridas en el hospital

En la Unión Europea, aproximadamente 4 millones de pacientes adquieren infecciones asociadas a la atención de la salud (IAAS), o infecciones nosocomiales, cada año, lo que provoca alrededor de 37.... Más

Pruebas POC

ver canal
Imagen: El lector de inmunoensayo cuantitativo RPD-3500 (Fotografía cortesía de BK Electronics)

Lector de inmunoensayo de pruebas POC proporciona análisis cuantitativo de kits de prueba para diagnóstico más preciso

Un lector de inmunoensayos cuantitativos pequeño y liviano que proporciona un análisis cuantitativo de cualquier tipo de kits o tiras de prueba rápida, y se puede conectar a una PC... Más
Copyright © 2000-2025 Globetech Media. All rights reserved.