El modelo de índice de deterioro predice modestamente los resultados de los pacientes

Fuente: Getty Images

Por Mark Melchionna

03 de agosto de 2023: un nuevo estudio encontró que, aunque el uso del Índice de Deterioro (DTI) dentro del entorno hospitalario proporcionó resultados modestos, maneja de manera inconsistente varios grupos demográficos. Los investigadores concluyeron que se necesita una mayor validación para este modelo.

El deterioro se refiere a ventilación mecánica, traslado a unidad de cuidados intensivos o muerte dentro del hospital. Según el estudio, alrededor del 15 por ciento de las muertes evitables en los hospitales se deben a la negligencia en el deterioro clínico.

Dada la prevalencia de este problema, existen métodos para medir el deterioro clínico. Una herramienta es el DTI, un modelo de aprendizaje automático que se desarrolló en 2017. Aunque cientos de hospitales utilizan este modelo, aún no está validado externamente. La falta de validación crea un área gris en torno a su capacidad para operar de manera equitativa.

Por lo tanto, los investigadores se propusieron validar este modelo y determinar su potencial de sesgo. En este estudio, los investigadores incluyeron ocho hospitales heterogéneos del medio oeste de Estados Unidos con una población de 13.737 pacientes. Esta población de pacientes produjo 5.143.513 predicciones de DTI, 14.834 hospitalizaciones y 13.918 encuentros.

Según el estudio, el deterioro describe casos relacionados con la ventilación mecánica, el traslado a la unidad de cuidados intensivos o la muerte en el hospital. La prevalencia total del deterioro fue del 10,3 por ciento. No hubo un resultado consistente de las medidas de sesgo entre todos los subgrupos. Para aquellos que se identificaron como indios americanos o nativos de Alaska, las medidas de sesgo fueron un 14 por ciento peores. Entre los pacientes que no revelaron su origen étnico, esta medida fue del 19 por ciento.

Este resultado llevó a los investigadores a concluir que la DTI es modestamente capaz de prever el deterioro del paciente. Sin embargo, los resultados inconsistentes en los niveles de observación y encuentro en varios grupos demográficos llevaron a los investigadores a pedir más acciones. Esto implicó la necesidad de integrar la transparencia en los datos de entrenamiento del modelo y validar aún más los modelos.

El uso del aprendizaje automático para predecir el deterioro del paciente es común y valora la transparencia.

En abril, el Nationwide Children's Hospital creó un modelo de aprendizaje automático que consideraba el índice de riesgo de deterioro (DRI) para predecir el riesgo de los niños hospitalizados. Al hacerlo, los investigadores intentaron ejecutar este proceso más rápido que los programas tradicionales, ya que la detección temprana es valiosa para prevenir eventos adversos. Junto con el DRI, los investigadores también consideraron los EHR. Esto permitió el acceso a una gran cantidad de datos.

Utilizando información de grupos cardíacos, malignos y de diagnóstico general, los investigadores entrenaron tres modelos predictivos. Estos modelos les ayudaron a crear los algoritmos de la herramienta.

Tras la investigación, descubrieron que el DRI alcanzaba un nivel de sensibilidad significativamente superior al del programa de conciencia situacional existente. Las alertas precisas también eran una característica que mostraba el modelo.

En comparación con el programa de conciencia situacional, el modelo condujo a una reducción del 77 por ciento en los eventos de deterioro durante los primeros 18 meses. Además de esto, el modelo era transparente.

"Esto no es una caja negra. Mostramos a los médicos lo que entra y cómo el algoritmo evalúa los datos para activar alarmas", dijo Tyler Gorham, científico de datos en investigación e innovación de TI en Nationwide Children's y coautor de la publicación, en un presione soltar. "La herramienta ayuda a respaldar la toma de decisiones clínicas porque el equipo clínico puede ver por qué se activó una alarma". "La herramienta ayuda a respaldar la toma de decisiones clínicas porque el equipo clínico puede ver por qué se activó una alarma".

Además, el aprendizaje automático puede predecir el deterioro del paciente. Sin embargo, los investigadores deben considerar la transparencia al utilizar este tipo de recurso para predecir el deterioro.