Un nuevo método de aprendizaje automático puede predecir mejor los resultados de la cirugía de columna.

Utilizando técnicas de aprendizaje automático desarrolladas en el Instituto de IA para la Salud de la Universidad de Washington en St. Louis, Chenyang Lu, profesor Philgraf en la Facultad de Ingeniería McKelvey de la Universidad, Jacob Greenberg, MD, profesor asistente de neurocirugía en la Facultad de Medicina, colaboró ​​con Desarrollar un método para predecir con mayor precisión la recuperación de una cirugía de columna.

Los resultados fueron publicados este mes en la revista. Actas de la ACM sobre tecnologías interactivas, móviles, portátiles y ubicuas, muestran que su modelo supera a los modelos anteriores para predecir los resultados de la cirugía de columna. Esto es importante porque en la cirugía de espalda baja y muchos otros tipos de operaciones ortopédicas, los resultados varían ampliamente dependiendo de la enfermedad estructural del paciente pero también de las características de salud física y mental de todos los pacientes.

La recuperación de la cirugía afecta tanto la salud física como la mental. Algunas personas pueden experimentar una ansiedad catastrófica o excesiva en presencia de dolor, lo que puede empeorar el dolor y la recuperación. Otros pueden tener problemas físicos que causan un dolor peor. Si los médicos pueden evaluar diferentes discapacidades para cada paciente, esto permitirá mejores planes de tratamiento individualizados.

“Al predecir los resultados antes de la cirugía, podemos establecer expectativas y ayudar con intervenciones tempranas e identificar factores de alto riesgo”, dijo Zackie Xu, estudiante de doctorado en el laboratorio de Lu y primer autor del artículo.

Trabajos anteriores para predecir los resultados de la cirugía generalmente han utilizado cuestionarios a pacientes administrados una o dos veces en clínicas que capturan solo una porción de tiempo estática.

“No logró capturar la dinámica a largo plazo de los patrones fisiológicos y psicológicos de los pacientes”, afirmó Su. El entrenamiento preoperatorio de algoritmos de aprendizaje automático se centra solo en un aspecto de los resultados de la cirugía “pero ignora la naturaleza multidimensional inherente de la recuperación de la cirugía”, añadió.

Greenberg dijo que los investigadores han utilizado datos de salud móviles de dispositivos Fitbit para monitorear y medir el estado físico y comparar los niveles de actividad a lo largo del tiempo, pero este estudio encontró que los datos de actividad, así como los datos de diagnóstico longitudinales, son más precisos para predecir cómo le irá a un paciente después de la cirugía.

El trabajo actual ofrece una “prueba de principio” de que, con el aprendizaje automático multimodal, los médicos pueden ver un “panorama general” mucho más preciso de todos los factores interrelacionados que influyen en la recuperación. Al llevar a cabo este trabajo, el equipo primero desarrolló métodos y protocolos estadísticos para garantizar que estuvieran alimentando a la IA con una dosis de datos adecuadamente equilibrada.

Antes de la publicación actual, el equipo publicó una prueba de principio inicial en neurocirugía que muestra que las mediciones portátiles objetivas e informadas por los pacientes mejoraron los predictores de la recuperación temprana en comparación con las evaluaciones tradicionales de los pacientes. Además de Greenberg y Xu, Madelynn Frumkin, estudiante de psicología y ciencias del cerebro en el Laboratorio de Artes y Ciencias de Thomas Rodebaugh, fue la primera autora del trabajo. Wilson “Zach” Ray, MD, profesor Henry G. y Edith R. Schwartz de Neurocirugía en la Facultad de Medicina, fue coautor principal junto con Rudbaugh y Lowe. Rodebaugh se encuentra ahora en la Universidad de Carolina del Norte en Chapel Hill.

En este estudio, muestran que los datos de Fitbit se pueden correlacionar con una serie de encuestas que evalúan el estado social y emocional de una persona. Recopilaron estos datos a través de “evaluaciones ambientales momentáneas” (EMA, por sus siglas en inglés) que utilizan teléfonos inteligentes para dar a los pacientes indicaciones repetidas para evaluar el estado de ánimo, los niveles de dolor y el comportamiento varias veces a lo largo del día.

“Combinamos dispositivos portátiles, EMA y registros médicos para capturar una amplia gama de información sobre los pacientes, desde actividad física hasta informes subjetivos de dolor y salud mental, y características clínicas”, dijo Lu.

Las herramientas estadísticas avanzadas que Rodebaugh y Firmkin ayudaron a desarrollar, como el “modelado de ecuaciones estructurales dinámicas”, fueron clave para analizar los datos complejos y longitudinales de la EMA, añadió Greenberg.

Para el último estudio, tomaron todos estos factores y los llamaron “aprendizaje multimodal multitarea (M³t

En este enfoque, la IA aprende a sopesar la relación entre los resultados de los datos multimodales mientras captura sus diferencias, añadió Lu.

Según Xu, el método toma conocimiento común sobre las tareas interrelacionadas de predecir diferentes resultados y luego aprovecha ese conocimiento común para ayudar al modelo a comprender cómo hacer una predicción precisa.

Todo esto se reúne en un paquete final que produce cambios predictivos para la intervención del dolor posoperatorio y las puntuaciones de función física de cada paciente.

Greenberg dice que el estudio está en curso mientras continúan afinando sus modelos para que puedan realizar evaluaciones más detalladas, predecir resultados y, en particular, “comprender qué mejorar los resultados a largo plazo y para qué factores son potencialmente modificables”.

Este estudio fue financiado por subvenciones de AO Spine North America, la Cervical Spine Research Society, la Scoliosis Research Society, la Foundation for Barnes-Jewish Hospital, el Washington University/BJC Healthcare Big Ideas Competition, la Full Graf Foundation y el National Institute. de Mental se había ido Salud (1F31MH124291-01A).