Algoritmo para detectar sepsis reduce las muertes en casi un 20%
Los pacientes hospitalizados corren el riesgo de muchas complicaciones potencialmente mortales, especialmente sepsis, una enfermedad que puede causar la muerte en cuestión de horas y representa un tercio de las muertes hospitalarias en los EE. UU. Paciencia, un problema que puede pasar desapercibido hasta que sea demasiado tarde.
Las empresas académicas y de registros electrónicos de salud han desarrollado sistemas automatizados que pueden enviar recordatorios para controlar a los pacientes en busca de sepsis, pero el gran volumen de alertas puede llevar a los proveedores de atención médica a ignorar o desactivar esas notificaciones. Los investigadores han estado tratando de utilizar el aprendizaje automático para ajustar dichos programas y reducir la cantidad de alertas que generan. Ahora, un algoritmo ha demostrado su eficacia en hospitales reales, ayudando a médicos y enfermeras a tratar casos de sepsis un promedio de casi dos horas antes y reduciendo la tasa de mortalidad hospitalaria de la enfermedad en un 18 por ciento.
La sepsis ocurre cuando la respuesta del cuerpo a la infección se descontrola, lo que lleva a la insuficiencia orgánica, la pérdida de extremidades y la muerte. Según los Centros para el Control y la Prevención de Enfermedades, alrededor de 1,7 millones de adultos en los Estados Unidos desarrollan sepsis cada año y alrededor de 270 000 de ellos mueren. Aunque la mayoría de los casos se originan fuera del hospital, esta condición es la principal causa de muerte en pacientes con esta condición. Identificar los problemas lo antes posible es fundamental para evitar el peor resultado posible. «La sepsis se desarrolla muy rápido, si no recibes un tratamiento oportuno, es como en unas pocas horas», dijo Su, director ejecutivo y fundador de Bayesian Health, una empresa que desarrolla algoritmos de aprendizaje automático para uso médico. Dijo Suchi Saria. «Mi sobrino murió de sepsis. En su caso, por ejemplo, no se sospechó ni se descubrió la sepsis hasta que ya estaba en etapas avanzadas de lo que se conoce como shock séptico…, en cuyo caso era mucho más difícil recuperarse».
Pero en hospitales muy concurridos, el diagnóstico oportuno de sepsis puede ser difícil. Saria explicó que según el estándar de atención actual, los proveedores de atención médica deben prestar atención cuando un paciente presenta dos de cuatro signos de advertencia de sepsis, que incluyen fiebre y confusión. Algunos sistemas de advertencia existentes alertan a los médicos cuando esto sucede, pero muchos pacientes exhiben al menos dos de los cuatro criterios durante una estadía típica en el hospital, dijo Saria, y agregó que esto le daría al programa de advertencia una alta tasa de falsos positivos. «La tasa de falsas alarmas en muchos otros programas es tan alta que los proveedores apagan las alarmas sin siquiera darse cuenta», dijo Karin Moreland, médica de medicina de emergencia y presidenta de Sepsis Alliance, una organización sin fines de lucro, que no participó en el desarrollo de la nueva detección de sepsis. algoritmo. Debido a la frecuencia con la que se presentan los signos de advertencia, los médicos también deben tener en cuenta factores como la edad de la persona, su historial médico y los resultados de análisis de laboratorio recientes. Sin embargo, lleva tiempo integrar toda la información relevante: los pacientes con sepsis no tienen tiempo.
En los sistemas de registros electrónicos bien conectados, los factores de riesgo conocidos para la sepsis están disponibles, pero puede llevar tiempo encontrarlos. Aquí es donde entran los algoritmos de aprendizaje automático. Varios grupos académicos y de la industria están enseñando estos procedimientos para identificar factores de riesgo de sepsis y otras complicaciones y advertir a los proveedores de atención médica qué pacientes corren un riesgo particular. Saria y sus colegas de la Universidad Johns Hopkins, que dirigen el Laboratorio de aprendizaje automático y atención médica, comenzaron a trabajar en uno de esos algoritmos en 2015. El programa escanea los registros de salud electrónicos de los pacientes en busca de factores que aumenten el riesgo de sepsis y combina esta información con los signos vitales actuales y las pruebas de laboratorio para crear una puntuación que indica qué pacientes están en riesgo de shock séptico. Unos años más tarde, Saria fundó Bayesian Health y su equipo usó el aprendizaje automático para mejorar la sensibilidad, la precisión y la velocidad de su programa, llamado Sistema de alerta temprana en tiempo real dirigido (TREWS).
Recientemente, Saria y un grupo de investigadores evaluaron el desempeño de TREWS en el mundo real. Durante dos años, el programa se incorporó al flujo de trabajo de aproximadamente 2000 proveedores de atención médica en cinco ubicaciones afiliadas al Sistema Médico Johns Hopkins, que abarcan instituciones académicas y hospitales comunitarios con buenos recursos. Los médicos y enfermeras han utilizado el procedimiento en más de 760 000 pacientes, incluidos más de 17 000 pacientes con sepsis.Los resultados del ensayo, que demostraron que TREWS condujo a un diagnóstico de sepsis más temprano y a una reducción de la mortalidad, se publicaron en medicina digital npj y medicina natural finales del mes pasado.
«Creo que este modelo de aprendizaje automático podría ser tan importante para el cuidado de la sepsis como lo es para el electrocardiograma. [electrocardiogram] Se ha demostrado que las máquinas diagnostican enfermedades cardíacas», dijo Moreland. «Esto permitirá a los médicos… tratar de analizar 15 años de información de una computadora, luego volver a la cama y reevaluar a los pacientes más rápidamente, lo cual es es donde lo necesitamos. «
TREWS no es el primer programa que demuestra su valor en tales ensayos. Mark Sendak, médico y jefe de ciencia de datos y salud de la población en el Instituto de Innovación en Salud de Duke, está trabajando en un proyecto similar desarrollado por investigadores de Duke llamado Sepsis Watch. Señaló que otros sistemas de aprendizaje automático centrados en la atención médica, no necesariamente los creados específicamente para la detección de sepsis, se han sometido a ensayos a gran escala. Se ha diseñado una prueba innovadora para un sistema basado en IA para diagnosticar complicaciones de la diabetes con el aporte de la Administración de Alimentos y Medicamentos de EE. UU. Señaló que también se han probado otros programas en varios sistemas hospitalarios diferentes.
«Estas herramientas juegan un papel importante en la mejora de la forma en que cuidamos a los pacientes», dijo Sendak, y agregó que el nuevo sistema «es otro ejemplo». Le gustaría ver más investigaciones, idealmente ensayos estandarizados, incluso de colaboraciones externas. orientación de socios, como la FDA, que no estaban asociados con los resultados. Este es un desafío porque es muy difícil diseñar ensayos de atención médica de sistemas de aprendizaje automático, incluido el nuevo estudio sobre TREWS. «Cualquier cosa que tome un algoritmo y lo ponga en práctica y estudie cómo se usa y su impacto es asombroso», dijo. «Hacer esto en la literatura revisada por pares: gran crédito».
Como médico de la sala de emergencias, Moreland está impresionado por el hecho de que AI no toma decisiones sobre sepsis en nombre de los proveedores de atención médica. En cambio, marca el registro de salud electrónico de un paciente para que cuando un médico o enfermera examine el registro, vea una descripción del riesgo de sepsis del paciente, junto con una lista de las razones.A diferencia de algunos procedimientos, el sistema de alerta de TRWES no impide que «los médicos realicen cualquier otro trabajo adicional». [on the computer] No reconocer la alarma «, explicó Moreland. «Tienen un pequeño recordatorio en la esquina del sistema que dice: ‘Mira, esta persona tiene un mayor riesgo de descompensación. [organ failure] Debido a la sepsis, por eso creemos que debe preocuparse. ‘» Esto ayuda a los médicos y enfermeras ocupados a priorizar qué pacientes examinar primero sin eliminar su capacidad de tomar sus propias decisiones. «Pueden optar por no estar de acuerdo porque no queremos quitarle la autonomía al proveedor», dijo Saria. «Es una ayuda . No es una herramienta para decirles qué hacer. «
El ensayo también recopiló datos sobre la disposición de médicos y enfermeras a utilizar sistemas de alerta como TREWS. Por ejemplo, el 89 % de sus notificaciones se evalúan en realidad en lugar de descartarse automáticamente, como describe Molander que sucede en algunos otros sistemas. Según un comunicado de prensa de Bayesian Health, la disposición de los proveedores de atención médica a revisar el programa puede deberse a que TREWS redujo la alta tasa de error de las notificaciones de advertencia de sepsis en un factor de 10, reduciendo el aluvión de alertas y facilitando la distinción de qué pacientes están en real en peligro. «Es emocionante», dijo Moreland. «Es realmente importante porque permite a los proveedores aumentar su confianza en el aprendizaje automático».
Generar confianza es importante, pero también lo es reunir pruebas. Sin pruebas de que los sistemas de aprendizaje automático funcionan bien, es poco probable que las instituciones médicas los acepten. «En tecnología, las personas están más dispuestas a adoptar nuevas ideas si creen en el proceso de pensamiento. Pero en medicina, realmente se necesitan datos rigurosos y estudios prospectivos para respaldar la afirmación de una adopción escalable», dijo Saria.
«En cierto sentido, estamos construyendo el producto al mismo tiempo que estamos construyendo la base de evidencia y los estándares sobre cómo se debe hacer el trabajo y cómo los usuarios potenciales deben revisar las herramientas que estamos construyendo», dijo Sendak. . Lograr la adopción generalizada de cualquier sistema de alerta algorítmico es un desafío porque diferentes hospitales pueden usar diferentes programas de registros electrónicos o pueden tener un sistema de la competencia en funcionamiento. Muchos hospitales también tienen recursos limitados, lo que les dificulta evaluar la efectividad de las herramientas de alerta algorítmica u obtener soporte técnico cuando dichos sistemas inevitablemente necesitan reparaciones, actualizaciones o solución de problemas.
Aún así, Saria espera usar los nuevos datos de prueba para expandir el uso de TREWS. Dijo que está formando asociaciones con varias compañías de registros electrónicos para integrar el algoritmo en más sistemas hospitalarios. También quiere explorar si los algoritmos de aprendizaje automático pueden advertir a las personas sobre otras complicaciones que podrían encontrar en el hospital. Por ejemplo, algunos pacientes deben ser monitoreados por paro cardíaco, sangrado masivo y escaras, que pueden afectar la salud durante la hospitalización y la recuperación posterior.
«Hemos aprendido mucho sobre cómo es la ‘IA bien hecha’ y hemos publicado mucho al respecto. Pero ahora esto demuestra que la IA bien hecha está siendo adoptada por los proveedores», dice Saria Say. Al integrar un programa de IA en un sistema de registro existente, podría convertirse en parte del flujo de trabajo de un proveedor de atención médica, «y de repente puede comenzar a eliminar todos estos daños prevenibles para mejorar los resultados, lo cual es bueno para el sistema, bueno para los pacientes y clínicos.”
