Evaluando Dispositivos Vestibles para Alertas de Fibrilación Auricular

Recientemente, los dispositivos que monitorean la salud, como los relojes inteligentes y las pulseras de fitness, se han vuelto comunes. Estos gadgets pueden alertar a los usuarios sobre posibles problemas cardíacos, como la Fibrilación Auricular (FA), al analizar datos del corazón. Aunque estos dispositivos portátiles pasan por controles antes de ser vendidos para asegurarse de que funcionen correctamente, aún hay poca información sobre cómo se desempeñan una vez que la gente comienza a usarlos en su vida diaria.

Un gran problema es que los sistemas de codificación médica actuales no incluyen ningún término relacionado con dispositivos portátiles. La mayoría de la investigación médica se basa en códigos de diagnóstico usados para facturación, pero estos sistemas no mencionan cómo se utilizan los wearables. Esto significa que a menudo falta información importante en los registros de salud electrónicos (EHRs), y muchos datos provienen de fuentes no estructuradas como notas de médicos, lo que puede ser complicado de analizar.

Gracias a nuevos métodos en aprendizaje profundo y procesamiento de lenguaje natural (NLP), los investigadores han podido mejorar cómo clasifican las Notas Clínicas. Estos métodos han demostrado mejores resultados que las técnicas más antiguas que se basaban en reglas específicas. Sin embargo, establecer sistemas de aprendizaje profundo requiere muchos datos que llevan tiempo y dinero preparar. Se necesita una mejor manera de recopilar y analizar esta información de manera eficiente.

#Objetivos del Estudio

Este estudio tenía como objetivo crear un método para observar cómo los dispositivos portátiles funcionan al monitorear alertas de FA. El primer objetivo era probar dos enfoques para crear un conjunto de entrenamiento para clasificar notas clínicas: uno que se basaba en códigos existentes y otro que utilizaba prompts para modelos de lenguaje grandes (LLMs). Se creó un modelo de etiquetado para identificar si una nota menciona si el dispositivo portátil de un paciente proporciona alertas de FA.

El segundo objetivo era usar este modelo de etiquetado para entrenar un clasificador que detectara menciones de FA en notas clínicas. Por último, el estudio buscaba resumir las características de los pacientes identificados por este clasificador y compararlos con aquellos que no recibieron alertas sobre FA.

#Métodos

#Identificación de Cohortes

Para encontrar datos de pacientes adecuados, los investigadores utilizaron el Repositorio de Datos de Investigación de Medicina de Stanford, que tiene registros electrónicos de varias visitas en Stanford Health Care. Buscaron notas que mencionaran dispositivos portátiles, lo que resultó en miles de notas de muchos pacientes. Para seguir las pautas de la FDA, excluyeron a los pacientes más jóvenes, reduciendo el número a poco más de cincuenta y seis mil notas de unos veintiún mil individuos.

#Etiquetado Manual

De estas notas, se etiquetaron seiscientas manualmente para probar el modelo de etiquetado y el clasificador. Los investigadores buscaban asegurar diversidad y cobertura seleccionando una nota de individuos elegidos al azar. Dos científicos de datos revisaron y etiquetaron estas notas de manera independiente, resolviendo cualquier diferencia con médicos. Una nota se marcó como positiva si indicaba claramente que el paciente recibió una alerta de FA de su dispositivo portátil o si realizó una medición que llevó a un diagnóstico.

Se etiquetaron otras seiscientas notas para desarrollar el modelo de etiquetado, siguiendo pautas específicas creadas durante la preparación del conjunto de prueba.

#Desarrollo del Modelo de Etiquetado

Los investigadores desarrollaron dos estrategias para crear el modelo de etiquetado para clasificar las notas.

1. Etiquetado Basado en Códigos: Este método usó programación para crear reglas basadas en el lenguaje de las notas. Las funciones de etiquetado, que describían diferentes maneras en que podrían mencionarse las notificaciones de FA, se desarrollaron durante unas semanas. La efectividad del modelo se evaluó en función de los resultados de ejecutarlo en el conjunto de datos.

2. Etiquetado Basado en Prompts: En este método, los investigadores utilizaron LLMs y presentaron notas en prompts de lenguaje natural. Este enfoque permitió que el modelo entendiera el contenido de una nota y asignara etiquetas en consecuencia. Aunque este modelo tomó solo un día en crearse, logró un rendimiento similar al del modelo basado en códigos.

Se probaron los modelos para asegurarse de que eran precisos, realizando ajustes basados en métricas de rendimiento.

#Desarrollo del Clasificador

Usando las notas etiquetadas por el modelo de etiquetado, los investigadores entrenaron un clasificador llamado Clinical-Longformer. Este clasificador se ajustó para identificar notas que mencionaban alertas de FA basándose en su contenido. Los investigadores evaluaron varios tamaños de conjunto de entrenamiento y encontraron que a medida que el conjunto de entrenamiento crecía, el rendimiento del clasificador mejoraba significativamente.

El clasificador con mejor rendimiento identificó un gran número de notas como conteniendo eventos de pre-diagnóstico de FA.

#Estudio de Cohorte Retrospectivo

Con los resultados del clasificador, los investigadores identificaron a pacientes que recibieron alertas de pre-diagnóstico de FA y realizaron un estudio comparando a estos pacientes con aquellos que no. Analizaron factores como edad, historial médico y datos demográficos. Se centraron en pacientes que no tenían un diagnóstico previo de FA.

Los investigadores establecieron las características de los pacientes en el momento de la nota índice. Entre los que recibieron alertas, un porcentaje notable tenía puntajes que indicaban la necesidad de terapia anticoagulante, sugiriendo que la detección temprana podría llevar a una mejor planificación del tratamiento.

#Resumen de Resultados

Los resultados revelaron que los pacientes que recibieron alertas de FA tendían a ser mayores y tenían más problemas de salud en comparación con aquellos que no recibieron alertas. También había diferencias en raza y género entre los pacientes que recibieron alertas de wearables.

Además, muchos pacientes que recibieron una alerta de wearable tenían más probabilidades de obtener un diagnóstico real de un médico poco después, indicando el impacto potencial de la tecnología wearable en las intervenciones en salud.

#Discusión

El estudio resalta el potencial de los dispositivos portátiles en mejorar el diagnóstico temprano de la FA. Al monitorear eficientemente cómo funcionan estos dispositivos, los proveedores de salud pueden entender mejor su influencia en los resultados de los pacientes. El uso de supervisión débil para desarrollar un sistema que monitorea dispositivos portátiles es un paso importante para mejorar la atención al paciente.

Las publicaciones actuales se centran principalmente en lo bien que estos dispositivos detectan problemas de salud antes de ser comercializados, mientras que esta investigación enfatiza la necesidad de una evaluación continua de su uso y efectividad en el mundo real.

Con el aumento del uso de dispositivos portátiles, un marco estructurado para monitorear su rendimiento es esencial. Las alertas tempranas de los wearables podrían llevar a intervenciones médicas más oportunas y mejores resultados de salud para los pacientes.

#Conclusión

En conclusión, este estudio demostró con éxito cómo se puede utilizar un nuevo método para monitorear el rendimiento de los dispositivos portátiles que brindan alertas tempranas para la fibrilación auricular. El enfoque de combinar estrategias basadas en códigos y prompts muestra promesa para mejorar la atención al paciente al permitir una identificación y análisis más fácil de notas clínicas relevantes. La investigación continua y la implementación de tales sistemas pueden potencialmente transformar cómo se monitorean y utilizan los datos de salud en la práctica médica diaria.