Según el editorial del 13 de junio, la implementación y evaluación de intervenciones de aprendizaje automático para mejorar la atención clínica y los resultados de los pacientes es un paso fundamental para trasladar los modelos de deterioro clínico de la mordida a la cabecera de la cama. Medicina de Terapia Intensiva que comenta el estudio Mount Sinai publicado en el mismo número. El estudio principal encontró que los pacientes hospitalizados tenían un 43 por ciento más de probabilidades de que se les intensificara la atención si su equipo de atención recibía alertas generadas por IA que indicaban cambios adversos en su salud.
“Queríamos ver si las alertas rápidas creadas por IA y aprendizaje automático, entrenadas en diferentes tipos de datos de pacientes, podían reducir la frecuencia con la que los pacientes necesitaban cuidados intensivos y la probabilidad de que murieran en el hospital. Esto puede ayudar”, dice el autor principal del estudio, Matthew. A. Leon, MD, Profesor Icahn de Anestesiología, Medicina Perioperatoria y del Dolor, y Genética y Ciencias Genómicas en Mount Sinai, y Director de Ciencia de Datos Clínicos en el Hospital Mount Sinai. “Tradicionalmente, nos hemos basado en métodos manuales más antiguos, como la puntuación de alerta temprana modificada (MEWS, por sus siglas en inglés) para predecir el deterioro clínico. Sin embargo, nuestro estudio muestra una puntuación de algoritmo de aprendizaje automático automatizado que predice el diagnóstico de un proveedor. Los desencadenantes pueden superar a estos métodos anteriores en precisión “Lo más importante es que permite una intervención más temprana, lo que puede salvar más vidas”.
El estudio prospectivo no aleatorizado analizó a 2.740 pacientes adultos ingresados en cuatro unidades médico-quirúrgicas del Hospital Mount Sinai de Nueva York. Los pacientes se dividieron en dos grupos: uno que recibió alertas en tiempo real basadas en la probabilidad prevista de deterioro, enviadas directamente a sus enfermeras y médicos, o el “rápido” de los médicos de cuidados intensivos. En las unidades donde se suprimieron las alertas, los pacientes que cumplían con los criterios de deterioro estándar Recibió intervenciones inmediatas del equipo de respuesta rápida.
Los resultados adicionales en el grupo de intervención mostraron que los pacientes:
- Era más probable que se administraran medicamentos para apoyar el corazón y la circulación, lo que indica que los médicos están actuando con rapidez. Y
- La muerte dentro de los 30 días era menos probable.
“Nuestra investigación muestra que las alertas en tiempo real que utilizan el aprendizaje automático pueden mejorar significativamente los resultados de los pacientes”, dijo el autor principal del estudio, David L. Reich, MD, The Mount Sinai Hospital y Mount Sinai Queens, profesor de Anestesiología Horace W. Goldsmith, presidente de. y Profesor Icahn de Inteligencia Artificial y Salud Humana en Mount Sinai. “Estos modelos son ayudas precisas y oportunas para la toma de decisiones clínicas que nos ayudan a llevar el equipo adecuado al paciente adecuado en el momento adecuado. Los consideramos herramientas de ‘inteligencia aumentada’ que ayudan a nuestros médicos a realizar evaluaciones clínicas personalizadas. Acelerar y proporcionar enfermeras y los tratamientos rápidos que mantienen seguros a nuestros pacientes son pasos importantes hacia nuestro objetivo de convertirnos en un sistema de salud que aprende”.
El estudio finalizó anticipadamente debido a la pandemia de COVID-19. El algoritmo se ha implementado en todas las unidades de cuidados intensivos del Hospital Mount Sinai, utilizando un flujo de trabajo simplificado. Una unidad de bajada es un área especial del hospital para pacientes que están estables pero que aún requieren una estrecha vigilancia y atención. Es un paso entre la unidad de cuidados intensivos (UCI) y el área del hospital general, asegurando que los pacientes reciban el nivel adecuado de atención mientras se recuperan.
Un equipo de médicos de cuidados intensivos visita diariamente a los 15 pacientes con las puntuaciones predictivas más altas y hace recomendaciones de tratamiento a los médicos y enfermeras que atienden al paciente. Dado que el algoritmo se entrena continuamente en un gran número de pacientes a lo largo del tiempo, las evaluaciones realizadas por los médicos de cuidados intensivos sirven como estándar de oro para la precisión, y el algoritmo se vuelve más preciso mediante el aprendizaje por refuerzo.
Además de este algoritmo de deterioro clínico, los investigadores desarrollaron e implementaron 15 herramientas adicionales de toma de decisiones clínicas basadas en inteligencia artificial en el Sistema de Salud Mount Sinai.
El artículo de Mount Sinai se titula “Alertas de aprendizaje automático en tiempo real para prevenir la intensificación de la atención: un ensayo clínico pragmático agrupado no aleatorio”. Los autores restantes del artículo, todos con Icahn Mount Sinai excepto donde se indique, son Arash Kia, MD, MSc; Prem Tamsena, doctorado; Fu Yuancheng, MS; Kim-Anh-Nhi Nguyen, MS; Rupa Kohli Seth, MD; Hung-Mo Lin, ScD (Universidad de Yale); Yuxia Ouyang, PhD; y Robert Freeman, RN, MSN, NE-BC.
