feb
12
Neumólogos españoles y expertos de la compañía Savana han aislado, mediante inteligencia artificial, el perfil del enfermo de la COVID-19 con más riesgo de ingresar en Unidades de Cuidados Intensivos (UCI). El análisis se ha efectuado con los datos clínicos de 10 000 pacientes de Castilla- La Mancha.
Neumólogos e investigadores españoles han desarrollado, mediante el uso de inteligencia artificial, un novedoso modelo predictivo que identifica tres factores (edad, fiebre y taquipnea) asociados al perfil de paciente de coronavirus que debe ingresar en la Unidad de Cuidados Intensivos.
Los resultados, publicados en Journal of Medical Internet Research, forman parte de la investigación internacional Big COVIData, con cerca de 150 hospitales de Europa, Estados Unidos, Canadá y Latinoamérica, dirigida por José Luis Izquierdo, del Hospital Universitario de Guadalajara, y Joan B. Soriano y Julio Ancochea, del Hospital La Princesa de Madrid, junto con el equipo de Savana, la empresa española de investigación clínica mediante el uso de inteligencia artificial.
El modelo predictivo de ingresos en UCI, ya a disposición de la comunidad médica de todo el mundo, ha sido desarrollado gracias a la lectura automatizada de historias clínicas anonimizadas de más de un millón de pacientes de los cuales 10 500 tenían la COVID-19, con técnicas de procesamiento del lenguaje natural de los datos en tiempo real en pleno pico de la primera ola de la pandemia.
El sistema combina tres indicadores muy fáciles de detectar: edad superior a 58 años, fiebre por encima de 39 grados Celsius (o inferior, pero acompañada de problemas respiratorios, especialmente cuando son crepitantes) y taquipnea, es decir, más de 20 respiraciones por minuto. “Los profesionales sanitarios pueden incorporar fácilmente estos datos a su práctica clínica, para remitir de inmediato a los pacientes con peor pronóstico a los hospitales, antes de que empeore su condición”, explica Ignacio H. Medrano, fundador y director médico de Savana.
Para el desarrollo del modelo, que está siendo incorporado ya en los protocolos de actuación para la COVID-19 de varios hospitales españoles, se han aplicado técnicas de aprendizaje automático o machine learning y procesamiento del lenguaje natural NLP. Esta tecnología permite detectar de forma automática asociaciones significativas entre variables. La iniciativa es fruto del trabajo titulado Características clínicas y factores pronósticos de ingreso en Unidad de Cuidados Intensivos (UCI) de pacientes con la COVID-19: estudio retrospectivo usando aprendizaje automático y procesamiento del lenguaje natural.
Probabilidad de ingreso
Según el modelo, si un paciente de entre 40 y 79 años con la COVID-19 tiene taquipnea y acude a urgencias, tras ser visto en atención primaria, con alta probabilidad necesitará ingreso en UCI. Por otro lado, si un paciente sin taquipnea y menor de 56 años presenta fiebre inferior a 39 grados, necesitará UCI con poca probabilidad. En general, los síntomas más frecuentes asociados a hospitalizaciones por coronavirus son tos, fiebre y disnea o dificultad respiratoria, aunque estos se dan en menos del 50 % de los pacientes.
Las conclusiones del estudio indican que el 4,8 % de los hospitalizados por la COVID-19 requieren UCI, aunque un 0,2 % del total de los infectados no remitidos al hospital una vez diagnosticados también necesitaron ese tipo de cuidados médicos. De entre los 1 353 pacientes hospitalizados incluidos en el análisis, 65 de ellos necesitaron UCI, al igual que otros 18 que no habían sido previamente ingresados. Las cifras confirman la necesidad de acelerar la identificación precoz de los pacientes con peor pronóstico, especialmente en el caso de aquellos que a priori no suscitan sospechas de gravedad, pero que finalmente requieren Cuidados Intensivos.
Los principales signos y síntomas de pacientes en UCI por la COVID-19 son tos en el 74,7 % de los casos, fiebre (66,3 %), disnea (57,8 %), crepitación respiratoria (36,1 %) y taquipnea, hiperventilación por diversas afecciones (32,5 %). En cuanto a comorbilidad o enfermedades añadidas al coronavirus, la cardiovascular la padece el 72,3 %; la diabetes, el 39,8 %; la obesidad, el 22,9 %; y las enfermedades respiratorias crónicas, el 6 %.
Procesamiento en tiempo real
La tecnología EHRead de Savana aplicada a este estudio utiliza Natural Language Processing Clínico o procesamiento del lenguaje natural para automatizar la lectura anonimizada de miles de historias clínicas electrónicas; en este caso, procedentes de una enorme muestra de 1 364 924 pacientes con historia clínica electrónica, de los cuales 10 500 de Castilla-La Mancha fueron diagnosticados de la COVID-19 al inicio de la primera ola de la pandemia. Los resultados son extrapolables al conjunto de la población española.
La gran ventaja de este sistema es su capacidad para comprender las anotaciones en texto libre, no estructurado, redactadas por los médicos sobre sus pacientes (datos de análisis, tratamientos, etc.). Además, el procesamiento de los datos se hace en tiempo real, en este caso en pleno pico de la primera ola de la pandemia en España, por lo que, en tan solo seis semanas desde su inicio en marzo, se había enviado ya a publicar el artículo a la revista. Por aquel entonces, la cohorte de pacientes en los estudios relativos de la COVID-19 que se publicaban era significativamente menor.
Los pacientes analizados son muchos y se analizan en tiempo real, lo que permite hacer estudios con datos muy recientes, algo imposible en los estudios tradicionales, en los que el desarrollo de métodos predictivos requiere meses de recopilación de datos mediante cuestionarios con múltiples obstáculos para ser validados. “En la actual carrera contra la COVID-19, es urgente y necesario aprovechar los beneficios de los macrodatos y la analítica inteligente para mejorar la salud pública, con las máximas garantías de privacidad y confianza pública para aplicar las mejores prácticas y responsabilidad en la recopilación y el procesamiento de la información, a escala mundial”, comenta Ignacio H. Medrano.
febrero 11/2021 (Diario Médico)
Comments
Noticias anteriores a 2010
Suscripción AL Día
