Filter by input type
Select all
News
Pages
Events
Filter by category
Select all
AI ANALYTICS
Mobile Apps and Internet of Things
Advancement of science
big data
Connected communities
Coronavirus
Courses and training
DIAGNOSIS
Initial Editorial
Editorials
A world in the cloud
Events
Infographics
Artificial Intelligence and Science
IoT Apps
News
Digital platforms
Social networks
Review of scientific publications
Course Summary
Synopsis of essay
Overview of reference frames
Synopsis of recent publications
Use of Digital Platforms
Estudio utiliza IA para identificar pacientes en riesgo de abandonar tratamiento contra adicciones

Estudio de UF Health utiliza modelos de IA para identificar pacientes en riesgo de dejar tratamiento contra el trastorno por consumo de opiáceos.

Investigadores de la Universidad de Florida desarrollaron un sistema que permite identificar pacientes en alto riesgo de interrumpir su tratamiento contra trastornos por consumo de opiáceos. La buprenorfina es un medicamento de venta con receta aprobado en Estados Unidos por la Administración de Alimentos y Medicamentos (FDA, en inglés). Se trata de uno de los tres tratamientos disponibles para atender el trastorno por consumo de opiáceos en casos de adicción o de dolor.

En un estudio reciente publicado en Computer in Biology and Medicine liderado por el Dr. Mahmudul Hasan, mostró que aproximadamente el 15% de los pacientes no completaba el tratamiento con buprenorfina de un año de duración, mientras que cerca del 4% lo abandonaba en los primeros tres meses. EL estudio detalla cómo con la ayuda de inteligencia artificial (IA) el equipo de investigadores logró identificar a pacientes de alto riesgo y varios factores asociados con la interrupción de su tratamiento.

El estudio incluyó a personas aseguradas con edades de 18 a 64 años, a quienes se les recetó buprenorfina para tratar el trastorno por uso de opiáceos. De esta manera, el estudio midió los intervalos de 30 días o más en los que no se surtían las recetas de buprenorfina durante el primer año de tratamiento.

Mediante la creación de modelos predictivos de IA, centrados en distintas fases del tratamiento, inicio del tratamiento; un mes; y tres meses después del inicio del tratamiento, el equipo de Hasan descubrió que casi el 15% de los pacientes interrumpían el tratamiento prematuramente.

“Sabemos que seguir un plan de tratamiento con buprenorfina es beneficioso. La interrupción prematura podría aumentar el riesgo de hospitalización, sobredosis y, lo que es más importante, la mortalidad”, mencionó el Dr. Hasan. “Si podemos usar la IA para predecir qué pacientes tienen un mayor riesgo de este comportamiento, los profesionales clínicos pueden llegar a la causa raíz, tomar decisiones más informadas y diseñar intervenciones más específicas para esos pacientes”, agregó.

El marco de predicción utilizó machine learning y estratificación de riesgos para ayudar a identificar pacientes de alto riesgo y determinar qué factores contribuyen a la falta de cumplimiento del tratamiento. Los factores de riesgo identificados en este estudio incluyen edad, sexo, adherencia temprana al tratamiento, uso de estimulantes o antipsicóticos y número de días de suministro de acuerdo con la primera receta de buprenorfina que recibió el paciente. Por otro lado, el estudio también descubrió que vivir en zonas rurales y otras barreras de acceso al tratamiento contribuyen a un mayor riesgo de interrupción.

“Los pacientes más jóvenes corren un mayor riesgo de abandonar prematuramente el tratamiento, junto con los que tienen antecedentes de consumo de estimulantes, incluida la nicotina”, explicó el Dr. Hasan. Otro hallazgo del estudio fue que los pacientes con menor adherencia a la buprenorfina en la fase inicial del tratamiento corren más riesgo de interrumpirlo prematuramente.

Los autores del estudio señalaron que, si esta tecnología llega a generalizarse en centros médicos de todo Estados Unidos, permitirá ahorrar tempo a los médicos del primer nivel de atención y mejorará el acceso a este tratamiento para los pacientes.

“Los médicos de atención primaria ya están sobrecargados de trabajo y disponen de recursos limitados. Una herramienta como ésta, capaz de predecir con fiabilidad qué paciente será de alto riesgo, podría ser de gran ayuda. En poco tiempo y sin aumentar su carga de trabajo, los sanitarios pueden identificar las intervenciones necesarias para cada paciente, lo que les permite asignar mejor sus limitados recursos”, finalizó el Dr. Hasan.

Related Content

Secured By miniOrange