Beyond Padua and IMPROVE: Machine Learning Outperforms Guideline Risk Scores for Prediction of Radiologically Confirmed Hospital-Acquired Venous Thromboembolism
Este estudio demuestra que los modelos de aprendizaje automático entrenados con datos de ingresos rutinarios superan significativamente a las puntuaciones de riesgo tradicionales basadas en guías (Padua e IMPROVE) en la predicción de tromboembolismo venoso adquirido en el hospital confirmado radiológicamente en una gran cohorte no seleccionada de casi 400.000 ingresos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Cada año, millones de personas ingresan en un hospital para recibir tratamiento y, para muchas, el acto de permanecer inmóvil o recuperarse de una enfermedad conlleva un peligro oculto: la formación de coágulos sanguíneos. Estos coágulos pueden viajar a través de las venas y bloquear el flujo sanguíneo hacia los pulmones, una condición conocida como tromboembolismo venoso, que es una de las principales causas de muerte prevenible en los hospitales. Los médicos han dependido durante mucho tiempo de listas de verificación sencillas para decidir quién necesita medicación preventiva. Estas listas hacen algunas preguntas básicas: ¿Es el paciente mayor de cierta edad? ¿Tiene cáncer? ¿Es incapaz de moverse? Basándose en las respuestas, se calcula una puntuación para estimar el riesgo. Si bien estas herramientas son una práctica estándar, a menudo no dan en el blanco, al no identificar a muchos pacientes que desarrollarán coágulos y, al mismo tiempo, señalar a otros que en realidad están seguros. El desafío ha sido encontrar una manera de ver el peligro con mayor claridad sin añadir más trabajo al personal médico sobrecargado.
Un equipo de investigadores se propuso probar si un programa informático podía aprender de los registros hospitalarios para predecir estos coágulos mejor que las listas de verificación tradicionales. Recurrieron a una enorme colección de registros médicos desidentificados de un solo hospital en los Estados Unidos, que abarcaba más de 399,000 ingresos de adultos entre 2008 y 2022. Para asegurar que estaban estudiando casos nuevos en lugar de antecedentes antiguos, se centraron únicamente en pacientes que nunca habían tenido un coágulo de sangre antes. Los investigadores no dependieron de simples códigos de facturación para encontrar a los pacientes enfermos, ya que estos códigos pueden ser inexactos. En su lugar, construyeron un sistema para leer el texto completo de los informes de radiología, como tomografías computarizadas e imágenes de ultrasonido, buscando las palabras específicas que los médicos utilizan cuando confirman un nuevo coágulo. Este cuidadoso proceso identificó a 1,915 pacientes que desarrollaron un nuevo coágulo durante su estancia, una tasa de aproximadamente cinco casos por cada 1,000 ingresos.
Los investigadores entrenaron luego dos tipos de modelos informáticos para predecir estos eventos. El primer tipo analizó una instantánea de los datos del paciente de las primeras 24 horas de su estancia, incluyendo su edad, historial médico, resultados de pruebas de laboratorio y si se sometió a cirugía. El segundo tipo era dinámico, lo que significa que actualizaba su predicción cada día a medida que llegaban nuevos resultados de laboratorio y signos vitales. Compararon estos modelos informáticos con las dos listas de verificación de directrices más comunes utilizadas en los hospitales actuales. Los resultados fueron sorprendentes. Las listas de verificación tradicionales funcionaron deficientemente, identificando correctamente el riesgo en solo alrededor del 62% de los casos al ser probadas con datos nuevos. En contraste, los modelos informáticos, que utilizaban los mismos datos de rutina disponibles para los médicos, lograron un AUC de 0.89. La mejora fue tan grande que fue estadísticamente innegable, demostrando que los modelos informáticos podían detectar patrones en los datos que las listas de verificación simples pasaban por alto por completo.
El estudio también exploró si los sistemas de aprendizaje profundo más complejos, que intentan leer toda la secuencia de los cambios diarios de un paciente, serían aún mejores. Sorprendentemente, estos sistemas complejos no ofrecieron ninguna ventaja sobre los modelos más simples que solo analizaban los resúmenes diarios. Los investigadores encontraron que los modelos más simples eran igual de efectivos para capturar las señales de riesgo ocultas en los datos. Además, los modelos informáticos siguieron siendo superiores incluso cuando los investigadores los probaron bajo condiciones estrictas, como observar únicamente a pacientes que desarrollaron coágulos más de un día después de su llegada, o incluir a pacientes que tenían antecedentes de coágulos. La ventaja de los modelos informáticos se mantuvo constante en todos estos escenarios.
Este trabajo sugiere que el futuro de la seguridad hospitalaria puede residir en software que se ejecute silenciosamente en segundo plano, calculando automáticamente el riesgo en el momento en que un paciente es admitido. A diferencia de las listas de verificación actuales, que requieren que un enfermero o médico complete manualmente un formulario, estos modelos informáticos pueden extraer la información necesaria directamente de la historia clínica electrónica. Aunque el estudio se realizó con datos históricos y requiere más pruebas en entornos hospitalarios en tiempo real antes de que pueda adoptarse ampliamente, los hallazgos indican que un salto significativo en la precisión es posible. Al utilizar los datos que ya se encuentran en las computadoras de los hospitales, pronto podría ser posible proteger a más pacientes de los coágulos de sangre sin añadir un solo paso extra a la rutina diaria de la atención médica.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.