La predicción de estado crítico después del diagnóstico de COVID-19, fue posible en Estados Unidos, gracias al desarrollo de modelos con datos de registros médicos electrónicos (ECE).
Fue publicada en la revista Nature la investigación con el título: “Predicción del estado crítico después del diagnóstico de COVID-19: desarrollo de modelos utilizando un gran conjunto de datos de registros médicos electrónicos de EE.UU.”. El artículo presenta un modelo de pronóstico del estado crítico de pacientes COVID, 28 días después del diagnóstico de la enfermedad.
La disponibilidad de datos actuales permitió que durante la pandemia se utilizaran técnicas como el aprendizaje automático, tal y como se ejemplifica en este estudio. Además, en combinación con los ECE y la gran red de hospitales en Estados Unidos, fue posible obtener resultados relevantes.
El modelo desarrollado para la investigación incluyó datos demográficos, comorbilidades, síntomas y hospitalización. Los datos incluyeron información de 15 mil 753 pacientes, de los cuales 2050 entraron en estado crítico o incluso perdieron la vida.
El análisis de interpretabilidad de los datos, confirmó los principales factores de riesgo eficientemente, los cuales fueron los siguientes: Edad avanzada, mayor índice de masa corporal, sexo masculino, diabetes y enfermedad cardiovascular.
“Los ECE pueden ser una fuente de datos poderosa para crear evidencia basada en datos del mundo real, especialmente cuando se combinan con una plataforma que facilita la extracción estructurada de datos”, explica el estudio.
“Los resultados de este trabajo demuestran que es posible desarrollar un modelo de aprendizaje automático explicable basado en datos de HCE a nivel de paciente para predecir en el momento del diagnóstico de COVID-19, si los pacientes individuales progresarán a un estado crítico en las siguientes 4 semanas”, explica el estudio sobre los resultados.
El estudio reconoce los sesgos que pueden encontrarse en este tipo de modelos, ya que considera principalmente áreas metropolitanas, por lo que, para ser considerado en la implementación clínica, debe validarse con otros conjuntos de datos.
Check the full study at the following link: https://www.nature.com/articles/s41746-021-00482-9
