Los modelos de IA entrenados por HIE pueden pronosticar la hospitalización individual por COVID-19

Un nuevo estudio de investigadores del Instituto Regenstrief y la Universidad de Indiana encontró que los modelos de aprendizaje automático entrenados con datos de intercambio de información de salud en todo el estado pueden predecir la probabilidad de que un paciente sea hospitalizado con COVID-19.

El artículo, publicado en el Revista de investigación médica en Internet, demuestra el potencial de la información HIE para ayudar a dar forma a la toma de decisiones de salud pública.

“Ha sido bastante desafiante reunir los datos básicos generados por los sistemas de atención médica junto con la toma de decisiones de salud pública, entidades que han estado separadas y distintas durante mucho tiempo”, dijo el autor principal del estudio, el Dr. Shaun Grannis, vicepresidente del Instituto Regenstrief. para datos y análisis y profesor de medicina familiar en la Facultad de Medicina de la Universidad de Indiana, en un comunicado.

“Nuestro trabajo muestra cómo puede construir y emplear modelos de IA (inteligencia artificial) para utilizar de forma segura la información clínica en un intercambio de información de salud para respaldar las necesidades de salud pública, como predecir la utilización del hospital dentro de una semana y dentro de las seis semanas del inicio de la infección por COVID. agregó Granni.

POR QUÉ ES IMPORTANTE

Como señalaron los investigadores en su estudio, la pandemia de COVID-19 ha resaltado la importancia de la visibilidad de los datos cuando se trata de dar forma a las decisiones políticas, lo que, a su vez, puede afectar los recursos disponibles para los sistemas de salud.

Además, las respuestas de salud pública a gran escala deben basarse en datos de toda la población en lugar de análisis organizacionales.

Para abordar ambas necesidades, el equipo del estudio utilizó COVID-19 Research Data Commons, que integra datos de múltiples fuentes clínicas, incluida la Red de Indiana para la atención al paciente, un HIE estatal que comprende datos de 23 sistemas de salud y 93 hospitales.

Después de excluir a ciertos pacientes cuya única interacción con los sistemas de salud afiliados fue el resultado de su prueba de COVID-19, lo que significa que los investigadores no tenían datos clínicos más allá del estado de COVID-19, el equipo incluyó a 92 026 personas que representaban todos los códigos postales del estado en sus esfuerzos de desarrollo del modelo.

Un total de 18 694 de estos pacientes fueron hospitalizados durante la primera semana de ser diagnosticados con COVID-19, mientras que 22 678 fueron hospitalizados durante las primeras seis semanas de recibir un diagnóstico de COVID-19.

“Nuestros resultados demuestran la capacidad de entrenar modelos de decisión capaces de predecir la necesidad de hospitalización relacionada con COVID-19 en una amplia población de pacientes en todo el estado con una precisión de rendimiento considerable”, dijeron los investigadores del estudio.

Señalaron que el modelo era particularmente preciso para predecir la hospitalización de una semana y para identificar a los pacientes que no necesitaban atención.

La edad del paciente, el estado de la enfermedad pulmonar obstructiva crónica, el tabaquismo, la diabetes, la indicación de enfermedades neurológicas, los trastornos mentales, el tipo de residencia (es decir, urbana versus rural) y el nivel de ingresos influyeron en la predicción.

“Dichos modelos de predicción de utilización pueden usarse para programas de gestión de la salud de la población en los sistemas de salud, para identificar poblaciones de alto riesgo para monitorear o evaluar, así como para predecir las necesidades de recursos en situaciones de crisis, como picos futuros en la actividad pandémica o brotes”, lea el estudio.

El equipo también notó algunos sesgos evidentes en el modelo, que requieren mayores esfuerzos para identificar las causas fundamentales. Es decir, ser hombre o vivir en un área urbana se asoció con un desempeño predictivo más fuerte.

“Estas diferencias pueden verse influidas por variaciones en el acceso a los servicios de atención médica o la prestación de atención médica que prevalecen en los conjuntos de datos, y los modelos podrían aprenderlas durante el proceso de capacitación”, señalaron. “No podemos hacer más suposiciones sobre las causas de las diferentes predicciones del modelo sin una evaluación adecuada de las causas subyacentes de este comportamiento”.

LA TENDENCIA MÁS GRANDE

Dada la presión sobre los recursos hospitalarios que ha causado la pandemia, muchos informáticos se han centrado en la capacidad de intentar predecir las poblaciones de pacientes.

Por ejemplo, a principios de 2021, un grupo de científicos israelíes utilizó un modelo ML para predecir la trayectoria de la enfermedad de los pacientes con COVID-19 mediante el uso de características individuales, y los investigadores en julio de ese año utilizaron el depósito de datos más grande de pacientes con COVID-19 en los Estados Unidos. Estados Unidos para desarrollar un modelo que prediga la gravedad clínica en función de los datos de admisión del primer día.

Y desde una perspectiva más enfocada geográficamente, los investigadores de Kaiser Permanente en julio de 2021 utilizaron información de registros médicos electrónicos para presentar un método para predecir los próximos aumentos repentinos de COVID-19 con hasta seis semanas de anticipación.

EN EL REGISTRO

“Desde el inicio de COVID-19, los investigadores, los sistemas de atención médica, los departamentos de salud pública y otros han aprovechado los repositorios de datos existentes y la infraestructura de información de salud para un análisis rápido”, dijo Suranga Kasturi, científica investigadora del Instituto Regenstrief y profesora asistente de pediatría en IU. Facultad de Medicina, en un comunicado. “El aprendizaje automático ha sido invaluable en estos esfuerzos”.

“Pero cualquier modelo es tan bueno como los datos que contiene”, continuó Kasturi, el primer autor del estudio. “Los datos amplios y sólidos de Indiana Network for Patient Care son representativos de la población de EE. UU. Lo que hemos hecho podría caracterizarse como un precursor de cómo las herramientas de IA se pueden implementar en todo el país con la importante advertencia de que cualquier modelo que se use debe evaluarse la equidad en todas las subpoblaciones”.

Kat Jercich es editora sénior de Healthcare IT News.
.: @kjercich
Correo electrónico: [email protected]
Healthcare IT News es una publicación de HIMSS Media.

Leave a Reply

Your email address will not be published.

This site uses Akismet to reduce spam. Learn how your comment data is processed.