Métodos de aprendizaje automático para la predicción de la mortalidad postquirúrgica.
Os compartimos un resumen de un interesante estudio publicado en Annals of Surgery en Abril de 2019.
Características del Estudio.
Objetivo del Estudio:
Comparar el rendimiento de los modelos de aprendizaje automático con la Evaluación Combinada de Riesgo tradicionalmente derivada encontrada en Modelo de Cirugía (CARES) y la Sociedad Americana de Anestesiólogos- Estado físico (ASA-PS) en la predicción de la mortalidad posquirúrgica a 30 días y la necesidad de permanecer en una unidad de cuidados intensivos (UCI).
Antecedentes: la predicción del riesgo quirúrgico preoperatorio es importante para la toma de decisiones clínicas y la planificación de los recursos, tales como camas de la UCI.
El crecimiento actual de los registros médicos electrónicos junto con el aprendizaje automático presenta una oportunidad para mejorar el rendimiento de los modelos de riesgo actuales.
Método: Todos los pacientes mayores de 18 años que fueron sometidos a tratamiento no cardiaco y cirugía no neurológica en el Hospital General de Singapur (SGH) entre el 1/01/2012 y el 31/10/2016.
Las comorbilidades, los resultados de laboratorio preoperatorios y los detalles de la cirugía fueron obtenidos de sus registros médicos electrónicos. Los modelos fueron CARES y ASA-PS.
Los modelos de línea de base lograron altos AUROC a pesar de la poca sensibilidad al predecir todos los negativos en un conjunto de datos predominantemente negativos. El aumento de gradiente fue el modelo de mejor desempeño con AUPRC de 0.23 y 0.38 para la mortalidad y los resultados de ingreso en la UCI, respectivamente.
Resultados: se incluyeron 90.785 pacientes, de los cuales 539 (0,6%) fallecieron dentro de los 30 días siguientes y 1.264 (1,4%) requirieron ingreso en la UCI, 24 horas después de la operación.
Conclusiones: el aprendizaje automático puede utilizarse para mejorar la predicción del riesgo quirúrgico en comparación con otras formas tradicionales de calcular el riesgo AUPRC debe utilizarse para evaluar el modelo de rendimiento predictivo en lugar de AUROC cuando el conjunto de datos está desequilibrado.
AUPRC y AUROC- pertenecen a la Teoría de Detección de Señales. Son métodos estadísticos para determinar la exactitud diagnóstica de los test.
Introducción al Estudio.
Cerca de 250 millones de cirugías se realizan en todo el mundo cada año y el número está aumentando rápidamente.
Como el acceso a la cirugía mejora, el número de pacientes con complicaciones postoperatorias también aumentará.
Los estudios realizados hasta el momento demostraron que una proporción de la mortalidad postoperatoria se produce en un grupo de pacientes que se consideran de alto riesgo, pero de este grupo menos del 15% fueron ingresados en la UCO después de la operación.
En la evaluación preoperatoria de un paciente quirúrgico, se aconseja al paciente sobre los riesgos de mortalidad postoperatoria y la necesidad de vigilancia de cuidados críticos después de la cirugía.
La predicción preoperatoria precisa de los riesgos quirúrgicos es importante para tomar de decisiones clínicas compartidas y para orientar la asignación de recursos de salud como camas de UCI.
Discusión del estudio.
En este estudio, aplicamos métodos de aprendizaje automático para mejorar el rendimiento predictivo de:
- CARES, un método de cálculo del riesgo quirúrgico que predice la mortalidad a los 30 días y la necesidad de admisión en la UCI antes de 24 horas.
- Y otros modelos como ASA-PS, utilizado tradicionalmente en la estratificación de riesgos.
utilizado con todo su potencial ya que no había un “ecosistema” para apoyarlo, entendido como poder de procesamiento informático poderoso más la madurez de los modelos de negocio.
Se esperaba una sensibilidad significativamente mejor en la predicción de la recuperación de los pacientes.
El estudio tuvo varios puntos fuertes:
Se demostró un gran datadiven, (enfoque de aprendizaje automático para el análisis predictivo perioperatorio) con ventajas sobre las tradicionales calculadoras de riesgo.
El enfoque del estudio utiliza datos locales reales para hacer predicciones sobre la población local, con mayor precisión sobre modelos derivados tradicionalmente que tienden a tener un peor desempeño cuando se aplica a poblaciones y entornos fuera de la derivación.
El algoritmo de aprendizaje automático también permite la evaluación de más variables clínicas de las que estarían presentes en los tradicionales enfoques de modelización, contribuyendo a su rendimiento superior.
Además, el modelo se puede actualizar en tiempo real o periódicamente a medida que se adquieren nuevos datos, lo que refleja un componente clave del impulso hacia un sistema sanitario de autoaprendizaje.
Descargar el estudio completo: study: Utilizing_Machine_Learning_Methods_for.95136
Referencias: www.annalsofsurgery.com
Autores del Estudio: Calvin J. Chiew, MBSS, MPH, Nan Liu, PhD,yz Ting Hway Wong, MB, BChir, MPH, Yilin E. Sim, MBBS, MMed, and Hairil R. Abdullah, MBBS, MMed,
Desde el área de Salud de Ikusi trabajamos desarrollando soluciones y tecnología. Queremos facilitar la labor de los profesionales involucrados en tareas de planificación estratégica, de programación de intervenciones, así como en la operativa diaria del Bloque Quirúrgico.
Puedes ver nuestra soluciones para la optimización del BQ y descargar nuestro folleto de la plataforma forward, diseñada para fijar los procesos avanzados en el área quirúrgica.
Te invitamos a que nos preguntes cualquier cuestión relacionada con la gestión del BQ, puedes contactar con nosotros en el teléfono 943 448 974 o a través del siguiente formulario.
