Detección temprana de infecciones adquiridas en hospitales usando aprendizaje automático

Las infecciones hospitalarias, también conocidas como infecciones asociadas a la atención médica (IAAM), son una gran preocupación para los pacientes en los hospitales y los sistemas de salud. Se informa que aproximadamente 1 de cada 31 pacientes hospitalizados contrae una IAAM cada día, y casi 99,000 personas en EE. UU. mueren cada año a causa de estas infecciones. La pandemia de COVID-19 llevó a un aumento en las IAAM, mostrando que los métodos utilizados para prevenirlas no son infalibles. Para abordar esto, los Centros para el Control y la Prevención de Enfermedades (CDC) han creado pautas en los últimos diez años. Estas pautas tienen como objetivo mejorar las prácticas clínicas y gestionar mejor los antibióticos. Aunque se ha hecho cierto progreso en la reducción de IAAM, mejorar la situación para aquellos que se infectan, especialmente los pacientes críticamente enfermos, sigue siendo difícil.

La detección temprana de infecciones es crucial para mejorar los resultados de los pacientes e implementar medidas para prevenir la propagación de infecciones. También puede ayudar a ahorrar en costos de atención médica. Por ejemplo, los pacientes hospitalizados con influenza, un porcentaje significativo de los cuales contraen infecciones en el hospital, tienen mejores resultados cuando son tratados con medicamentos antivirales tan pronto como aparecen los síntomas. De manera similar, administrar antibióticos temprano a pacientes con sepsis puede llevar a mejores resultados, especialmente para aquellos en ventilación mecánica.

#Herramientas de Apoyo a la Decisión Clínica

En la última década, las herramientas que apoyan las decisiones clínicas han ganado atención, particularmente aquellas destinadas a detectar infecciones. Muchas de estas herramientas se basan en reglas creadas por médicos. Algunos ejemplos incluyen el sistema de alerta de Lesión Renal Aguda (LRA) utilizado en hospitales de Gales y la Puntuación Nacional de Advertencia Temprana (NEWS) utilizada en el Reino Unido para detectar problemas clínicos generales. Si bien estas herramientas se benefician de la experiencia de los clínicos, a menudo carecen de la capacidad para adaptarse a las necesidades específicas de los pacientes y pueden no captar bien los casos complejos. Recientemente, se han realizado estudios para investigar el uso de datos para crear herramientas de predicción para evaluar el riesgo de infecciones y sepsis.

#Descripción del Estudio

Este estudio se centra en usar aprendizaje automático con grandes cantidades de datos de hospitales para crear una herramienta para la detección temprana de infecciones en pacientes. Al combinar datos sobre la demografía de los pacientes y una amplia gama de signos vitales y resultados de pruebas de laboratorio, los investigadores buscan desarrollar un modelo que pueda predecir infecciones antes de que sean clínicamente sospechadas. El modelo con mejor rendimiento puede lograr un alto nivel de precisión solo una hora antes de cualquier signo clínico de infección, y sigue funcionando bien durante un período de 48 horas antes de la sospecha clínica. Este modelo también demuestra que incluso con un número menor de los signos vitales y resultados de laboratorio más comúnmente medidos, mantiene un buen nivel de precisión.

#Recopilación de Datos

El estudio utilizó datos clínicos de tres grandes bases de datos hospitalarias: MIMIC-III, eICU y Banner Health. Juntas, estas bases de datos contienen más de 6.5 millones de visitas de pacientes de más de 450 hospitales. Se obtuvo la aprobación ética para usar estos datos de los comités de revisión institucional correspondientes, y no se necesitó el consentimiento del paciente ya que el proyecto presentaba un riesgo mínimo y había eliminado completamente la información de salud protegida.

#Grupos de Infección y Control

En este estudio, los pacientes con infecciones confirmadas fueron identificados en función de códigos de diagnóstico específicos y pruebas de laboratorio. Aquellos pacientes que mostraron signos de infección al menos 48 horas después de ser admitidos fueron categorizados en un grupo de infección. Se creó un grupo de control a partir de pacientes que no tenían ningún diagnóstico o pruebas de laboratorio relacionadas con infecciones. Para equilibrar los números entre los grupos de control e infección, se redujo el tamaño del grupo de control. Esto aseguró que los pacientes infectados representaran un porcentaje específico del conjunto de datos general.

Si algunos hospitales no tenían datos de laboratorio adecuados, esos pacientes se incluyeron en el grupo de infección si recibieron ciertos antibióticos. El momento en que se administraron los antibióticos ayudó a determinar la sospecha clínica de una infección.

Para asegurar una comparación justa al observar los datos del grupo de control, se creó un tiempo de evento sintético. Este método permitió una extracción de datos consistente que reflejaba los datos de infección.

#Características Usadas en el Estudio

Las características utilizadas en el estudio incluyeron tres tipos de datos: demografía de los pacientes (edad, género, altura, peso), signos vitales (frecuencia cardíaca, presión arterial, temperatura) y resultados de pruebas de laboratorio (pruebas de sangre, paneles metabólicos). Una vez que se recopilaron los datos, se sometieron a limpieza y preprocesamiento para crear un conjunto de datos consistente.

Para entrenar los modelos de aprendizaje automático, los investigadores definieron un marco de tiempo de una hora antes de la sospecha clínica de infección para recopilar los últimos valores medidos para cada paciente. Además, se incluyeron tendencias en los datos de signos vitales para ayudar con la predicción.

#Algoritmos Empleados

Se utilizaron dos tipos principales de algoritmos para el estudio: clasificadores lineales, que buscan patrones en los datos originales, y métodos de conjunto, que combinan múltiples modelos para mejorar la precisión. El enfoque se centró en mantener los modelos interpretables para uso clínico y minimizar el uso de recursos para aplicaciones prácticas. Los algoritmos específicos empleados incluyeron regresión logística para clasificación lineal y diferentes formas de métodos de potenciación, como el Potenciación Gradiente utilizando árboles de decisión.

Debido a que el conjunto de datos tenía un desequilibrio entre pacientes infectados y de control, los investigadores utilizaron técnicas especiales de validación cruzada para asegurar un entrenamiento y prueba justos de los modelos.

#Rendimiento del modelo

Los modelos de aprendizaje automático fueron evaluados en función de su capacidad para distinguir entre pacientes con infección y pacientes de control. Los resultados indicaron que el modelo de Potenciación Gradiente fue el que mejor rendimiento tuvo, logrando un alto nivel de precisión. Otros modelos, como la regresión logística, no funcionaron tan bien. Los investigadores también compararon los modelos de aprendizaje automático con herramientas de evaluación clínica establecidas. Por ejemplo, las lecturas de temperatura básicas por sí solas no fueron muy efectivas para predecir infecciones.

Los modelos mostraron que incluso al reducir el número de características utilizadas, como enfocarse solo en signos vitales y demografía, el rendimiento seguía siendo aceptable. La capacidad de predecir infecciones con anticipación ayuda en la intervención médica oportuna, lo que puede salvar vidas.

#Perspectivas e Importancia

El estudio también examinó cómo diferentes tipos de infecciones afectaron el rendimiento de detección de los modelos. Se encontró que los modelos funcionaron mejor para infecciones severas como sepsis e infecciones en el torrente sanguíneo. Además, la capacidad de los modelos para descartar infecciones fue mejor para pacientes sin condiciones crónicas en comparación con aquellos que las tenían.

A través de este trabajo, los investigadores descubrieron que la predicción temprana de infecciones adquiridas en hospitales usando aprendizaje automático podría proporcionar beneficios significativos. Los modelos, especialmente cuando se basan en un buen número de los puntos de datos correctos, podrían identificar infecciones hasta 48 horas antes de que sean sospechadas por los proveedores de atención médica.

#Conclusión

Este estudio ilustra que se puede usar efectivamente el aprendizaje automático para detectar infecciones en pacientes hospitalizados de manera temprana. Los modelos pueden proporcionar información útil, llevando a un tratamiento más rápido y mejores resultados para los pacientes. Al utilizar los sistemas de monitoreo existentes en los hospitales, estos modelos pueden ayudar a los profesionales de la salud a tomar decisiones informadas. Aún con un conjunto limitado de características frecuentemente medidas, los modelos siguen logrando un fuerte rendimiento, haciendo que la detección temprana de infecciones sea más factible en entornos hospitalarios del mundo real.