REMI 2212. Inteligencia artificial y uso de "Machine Learning" en el futuro de la atención sanitaria

ARTÍCULO ORIGINAL: Using Supervised Machine Learning to Classify Real Alerts and Artifact in Online Multisignal Vital Sign Monitoring Data. Chen L, Dubrawski A, Wang D, Fiterau M, Guillame-Bert M, Bose E, Kaynar AM, Wallace DJ, Guttendorf J, Clermont G, Pinsky MR, Hravnak M. Crit Care Med 2016; 44(7): e456-e463. [Resumen] [Artículos relacionados] [Texto completo]
   
INTRODUCCIÓN: Durante la monitorización no invasiva de constantes vitales se producen artefactos que hacen saltar las alarmas sin que realmente esto represente una inestabilidad hemodinámica. Se ha estudiado el uso que podría hacerse del aprendizaje automático “Machine Learning” para crear programas capaces de detectar falsas alarmas a partir del aprendizaje de patrones.
  
RESUMEN: Se monitorizaron las constantes vitales (ECG, FC, FR, PA, saturación de oxígeno) de todos los pacientes en una unidad de cuidados intermedios de Traumatología durante 23 meses. Las alertas registradas durante la monitorización se clasificaron en tres categorías según su duración: en una categoría se incluían las alertas aisladas, en otra cuando aparecían dos alertas seguidas y en otra se incluían alertas consecutivas que duraban al menos tres minutos. Esta última categoría fue la que se seleccionó para el estudio. Se revisaron las alertas por dos expertos que las clasificaron como reales, artefactos o imposibles de clasificar. Si la concordancia entre los dos revisores no era lo suficientemente fuerte, las alertas se revisaban además por un comité de expertos. Cada tanda de alarmas fue analizada por un algoritmo de aprendizaje automático llamado “Active RIPR” (Active Regression for Informative Projection Retrieval). Se realizaron dos pruebas, en una se clasificaron las alertas en reales o artefactos desde el momento en el que la alarma saltaba hasta los tres minutos de la racha. En otra, se realizaba esta misma clasificación pero a lo largo de toda la monitorización, con secuencias de tres minutos cada 20 segundos. En los resultados, se vio que se discriminaba de forma adecuada entre artefactos e inestabilidad hemodinámica real en tres tipos de constantes vitales, siendo mayor en la frecuencia respiratoria y algo menor para la presión arterial y la saturación de oxígeno. Los artefactos de frecuencia cardiaca fueron insuficientes para crear de manera fiable un modelo de alerta. Además, la capacidad de discriminación entre real o artefacto era mejor a mayor tiempo de duración de la alarma.
   
COMENTARIO: Dada la frecuencia de artefactos que se producen durante la monitorización hemodinámica, es interesante el desarrollo de alarmas inteligentes que puedan detectar las características diferentes entre ambas. Sin embargo, parece que el factor humano es algo difícil de suprimir en estas situaciones (por ejemplo, por la valoración del contexto clínico) y surge la duda de hasta qué punto una máquina sería capaz de discriminar entre inestabilidad hemodinámica real o artefacto.
   
Isabel Conejo Márquez, Federico Gordo Vidal (*)
Hospital Universitario del Henares, Coslada, Madrid.
(*) Universidad Francisco de Vitoria.
© REMI, http://medicina-intensiva.com. Mayo 2017.
      
ENLACES:
  1. Multicenter Comparison of Machine Learning Methods and Conventional Regression for Predicting Clinical Deterioration on the Wards. Churpek MM, Yuen TC, Winslow C, Meltzer DO, Kattan MW, Edelson DP. Crit Care Med 2016; 44: 368-374. [PubMed]
BÚSQUEDA EN PUBMED:
  • Enunciado: Aprendizaje de la máquina ("machine learning") para la predicción precoz de deterioro clínico
  • Sintaxis: machine learning clinical early risk prediction 
  • [Resultados]

No hay comentarios:

Publicar un comentario

Se ruega que los autores de los comentarios se identifiquen (nombre, apellidos, lugar de trabajo)

REMI 2231. Bivalirudina frente a heparina en el infarto agudo de miocardio

ARTÍCULO ORIGINAL:  Bivalirudin versus Heparin Monotherapy in Myocardial Infarction. Erlinge D, Omerovic E, Fröbert O, Linder R, Danielew...