La inteligencia artificial puede predecir la insuficiencia renal con días de antelación
Una de las causas más comunes de muerte en los hospitales es la lesión renal aguda (IRA), la pérdida repentina de la función de este importante órgano que limpia la sangre. Solo en 2014, la AKI, anteriormente conocida como insuficiencia renal aguda, afectó a casi 4 millones de personas en los EE. UU. y mató a cientos de miles de personas cada año, según los Centros para el Control y la Prevención de Enfermedades de los EE. UU. Los sobrevivientes a menudo requieren diálisis costosa meses o años después. En primer lugar, para evitar que ocurra daño renal, los investigadores han desarrollado un programa de inteligencia artificial que puede identificar a los pacientes en riesgo con días de anticipación.
La prevención de AKI es un desafío porque sus causas varían ampliamente. «Por lo general, ocurre durante una cirugía mayor o complicaciones quirúrgicas y sepsis», dijo Joseph Vassalotti, nefrólogo y director médico de la Fundación Nacional del Riñón, que no participó en el desarrollo del nuevo programa. «Algunos medicamentos pueden causar daño renal agudo debido a efectos secundarios o una respuesta inmunológica.» Otras causas incluyen obstrucción del tracto urinario, complicaciones por quemaduras y ataques cardíacos, todo lo cual ocurre a menudo en los hospitales.
AKI puede ocurrir rápidamente y con poca advertencia. Un aumento en un producto de desecho llamado creatinina en la sangre marca una fuerte caída en la función renal, pero cuando los médicos pueden detectar un pico en la creatinina, el daño ya se ha producido. Los paramédicos a menudo solo pueden mitigar el daño.
Entonces, los investigadores de DeepMind Health, una subsidiaria de la empresa de IA de Google, DeepMind, y sus colegas recurrieron a la inteligencia artificial. Diseñaron un algoritmo de inteligencia artificial para identificar los factores que indican que alguien está en riesgo de AKI y predecirlo 48 horas antes de que ocurra. El algoritmo predijo los casos generales de LRA con una precisión del 55,8 %, pero con un 90,2 % en casos lo suficientemente graves como para requerir diálisis más adelante.El trabajo se describe en un estudio publicado el miércoles. naturaleza.
Para entrenar su algoritmo, los autores del estudio le proporcionaron una muestra de 703 782 historias clínicas electrónicas anónimas de adultos. Del Departamento de Asuntos de Veteranos (VA) de EE. UU. Estos datos incluyen más de 600 000 métricas de salud diferentes que pueden usar los modelos de IA. Estos incluyen resultados de análisis de sangre, signos vitales, recetas y procedimientos anteriores, así como información relacionada con procesos como transferencias entre salas o admisión a una unidad de cuidados intensivos. Primero, los investigadores deben reducir cuáles de estos factores son irrelevantes y cuáles son posibles señales de alerta. «Usamos el poder del aprendizaje profundo para encontrar la señal correcta en los datos», dijo Nenad Tomašev, ingeniero de investigación de DeepMind. Finalmente, identificaron 4000 factores asociados que podrían desempeñar un papel en la predicción de la LRA.
Al examinar estas métricas, el algoritmo puede calcular si un paciente podría estar en riesgo antes de que ocurra el daño renal. «Los médicos pueden pasar de reactivo a predictivo [AKI] Hace dos días, se debió a la abundancia de datos «, dijo Dominic King, líder de producto en DeepMind Health. Los autores del estudio sugieren que los médicos pueden usar este tiempo adicional para prevenir o mitigar el daño. Por ejemplo, pueden tomar medidas de protección. Medidas , como administrar más líquidos por vía intravenosa o diuréticos, o asegurarse de que los medicamentos utilizados no sean tóxicos para los riñones del paciente. Los médicos también pueden resolver las complicaciones asociadas con la pérdida de la función renal con mayor rapidez.
Si bien calificó el estudio como «prometedor», Vassalotti dijo que dudaba que este tipo de IA funcionara en un entorno hospitalario típico. Y, señala, los registros de salud de VA son más densos en información que los registros médicos típicos, y los pacientes están bien rastreados en las instalaciones de tratamiento (razón por la cual los investigadores de DeepMind querían usar estos datos). Entonces, ¿este algoritmo es igualmente efectivo en el caso más común en el que los médicos carecen de registros médicos previos a la admisión?
Vassalotti también señaló otras dos áreas de preocupación para el trabajo de los investigadores de DeepMind: la baja cantidad de mujeres (solo el 6 por ciento de la muestra) y la alta cantidad de resultados falsos positivos. «Tienen que mejorar [the algorithm] Realice investigaciones adicionales para reducir los falsos positivos», dijo. King respondió que los falsos positivos no eran «una preocupación real y tangible» porque aproximadamente la mitad de ellos eran identificaciones positivas verdaderas de lesión renal, solo predicciones más Más de 48 horas antes, o «seguimiento de falsos positivos», lo que significa que «solo brotes de AKI, y el modelo predice constantemente un mayor riesgo durante algún tiempo después de eso». .
Los investigadores detrás del nuevo artículo dicen que el programa es un hito temprano pero importante en el uso de la inteligencia artificial en entornos clínicos, y ahora necesitan mejorar sus modelos. Eventualmente, planean intentar aplicarlo a otras predicciones de atención médica. «Septicemia, insuficiencia hepática, complicaciones diabéticas», dijo Kim. «Vemos un gran potencial [this algorithm] Se puede aplicar a otras condiciones prevenibles. «
