Un nou model matemàtic avalua el risc de morir dels pacients de les UCIs
UCI 23.07.2021  - 

Un equip de recerca liderat per la Dra. Rosario Delgado, del Departament de Matemàtiques de la UAB, en col·laboració amb l’Hospital de Mataró, ha desenvolupat un nou model predictiu d’aprenentatge automàtic per a l’avaluació del risc de morir dels pacients ingressats a la UCI a partir de les seves característiques. La recerca ha estat publicada al darrer número de la revista Artificial Intelligence in Medicine, amb la menció especial de "Position paper".


En el marc de la Intel·ligència Artificial, l'aprenentatge automàtic permet que un model aprengui de manera autònoma a partir de la informació proporcionada per les dades històriques disponibles, i es vagi auto-modificant a mesura que les dades s'actualitzen. Un dels reptes actuals és la construcció de models predictius per fer pronòstics mèdics personalitzats, i un dels àmbits on poden ser de gran ajuda és en el de la presa de decisions sobre els pacients ingressats a les Unitats de Cures Intensives (UCIs). Aquest procés és complex i costós, està sotmès a la variabilitat inherent a les opinions dels diferents especialistes, i basat en la seva experiència i instint. Per tant, per millorar la qualitat de l'atenció a les UCIs és important establir protocols fonamentats en dades objectives i en una predicció acurada del risc de mortalitat dels pacients en funció de les seves característiques. En aquesta tasca les eines de l'aprenentatge automàtic poden ser de gran ajuda per als experts mèdics.

Un equip d’investigadors liderat per la Dra. Rosario Delgado, del Departament de Matemàtiques de la UAB, en col·laboració amb el cap de la UCI de l’Hospital de Mataró, el Dr. Juan Carlos Yébenes, professor associat de la UAB, el Sr. Àngel Lavado, de la Unitat de Gestió de la Informació del Consorci Sanitari del Maresme, i el Sr. José David Núñez-González, doctorand del Departament de Matemàtiques de la UAB, ha aplicat eines d'aprenentatge automàtic per a la construcció d'un model predictiu de pronòstic que permet avaluar el risc de mortalitat dels pacients ingressats a la UCI, basat en una base de dades real a partir de la qual s’ha fet la seva validació. El model pot ajudar en el procés de presa de decisions del personal sanitari de les UCIs millorant la predicció de mortalitat prematura, fent més eficients les decisions mèdiques sobre pacients d’alt risc, avaluant l’eficàcia de nous tractaments i detectant canvis en la pràctica clínica.

L'ús d'aquest model representa una clara millora respecte de l'aproximació tradicional, consistent en predir el risc de mortalitat a partir de la puntuació APACHE (Acute Physiology And Chronic Health Evaluation) -un qüestionari àmpliament utilitzat per avaluar l’estat de salut d’una persona en funció de diferents indicadors-, mitjançant un model de regressió logística estimat i validat en grups previs de pacients. Els investigadors han demostrat experimentalment que el nou model que han construït evita els punts febles d'aquest enfocament tradicional, proporciona bons resultats i esdevé una alternativa millor.

El model predictiu de pronòstic d'aprenentatge automàtic construït pels investigadors consisteix en un conjunt de classificadors Bayesians que es fan servir tot assignant una etiqueta del pronòstic de vida (viu o mort) a cada individu, en funció de les seves característiques demogràfiques, com el sexe i l’edat; l’índex de comorbiditat de Charlson; el seu origen; la causa de l'ingrés; la presència o no de sèpsia; la severitat dintre de les 24 hores de l'ingrés; i també la puntuació del qüestionari APACHE II.

Els investigadors han millorat la predicció del model mitjançant una combinació de les prediccions individuals de cada classificador dissenyada de manera que els errors d’unes prediccions siguin compensats pels encerts d’altres, i tenint en compte el desequilibri que suposa la baixa proporció de pacients que moren a les UCI. El model prediu la causa de la mort d’un pacient amb un risc de mortalitat elevat, així com el destí del pacient si el risc és baix. A aquest tipus de model se l’anomena model predictiu jeràrquic, perquè hi ha dos nivells de predicció.

“El model jeràrquic predictiu de pronòstic que hem introduït té un bon comportament predictiu, i a més permet estudiar quines de les característiques del pacient són més decisives, quines esdevenen factors de risc, per a l'avaluació del seu risc de mortalitat. També es pot extrapolar per comparar diferents UCIs, o per dur a terme un estudi longitudinal per analitzar la millora amb el temps dels protocols d'una determinada UCI” explica Rosario Delgado. “Aquesta metodologia és útil i prometedora, i té una important aplicabilitat clínica des del moment en que pot ajudar els experts a prendre decisions mèdiques sobre els pacients de manera personalitzada, i també les autoritats sanitàries en la gestió del recursos”, conclou.

La recerca ha estat publicada al darrer número de la revista Artificial Intelligence in Medicine amb la menció especial de "Position paper", i s’ha dut a terme en col·laboració amb l’Hospital de Mataró.

Article científic:
Rosario Delgado, J. David Núñez-González, J. Carlos Yébenes, Ángel Lavado, Survival in the Intensive Care Unit: A prognosis model based on Bayesian classifiers, Artificial Intelligence in Medicine, Volume 115, 2021, 102054, ISSN 0933-3657, https://doi.org/10.1016/j.artmed.2021.102054

 
Anar a Notícies

Arxiu de notícies

Des de
Fins a
Paraula clau

Departament de Matemàtiques
Edifici C Facultat de Ciències
08193 Bellaterra (Barcelona)
TEL +34 93 581 13 04
FAX +34 93 581 27 90

d.matematiques@uab.cat
 

 

 

2021 Universitat Autònoma de Barcelona