Un modelo de Inteligencia Artificial (IA), fue desarrollado por científicos en Estados Unidos, para predecir las hospitalizaciones no planeadas en pacientes que se encuentran en tratamientos de radiación contra el cáncer.
El 24 de octubre, durante la reunión anual de la Sociedad Estadounidense de Oncología Radioterápica (ASTRO), fue presentado un estudio que detalla un modelo de IA que podría predecir la posibilidad de que un paciente con cáncer en tratamiento con radioterapia, ingrese al hospital de manera no planeada. El estudio presenta un modelo de aprendizaje automático que cuenta los pasos realizados por los pacientes con cáncer antes y después de someterse a tratamiento.
La ASTRO, explica que entre el 10 y 20% de los pacientes que se someten a tratamientos de radioterapia yo quimio radiación, requieren atención en el departamento de emergencias o un ingreso al hospital durante su tratamiento. Estas hospitalizaciones no son planificadas, y son un desafió para los pacientes como para los especialistas, ya que provoca interrupciones en el tratamiento contra esta enfermedad y puede modificar los resultados clínicos del mismo.
“Si puede anticipar el riesgo de hospitalización no planificada de un paciente, puede cambiar la forma en que lo apoya durante sus tratamientos contra el cáncer y reducir la probabilidad de que termine en el servicio de urgencias o en el hospital”, dijo el Dr. Julian Hong, autor principal del estudio y profesor de oncología radioterápica en la Universidad de California, San Francisco.
Previo a este estudio, el equipo del Dr. Hong probó un algoritmo de aprendizaje automático que fue entrenado con datos de salud, como historial de cáncer y su tratamiento, el cual pudo identificar a pacientes con mayor riesgo de registrar una visita a urgencias durante su tratamiento.
De esta forma, el nuevo estudio recupera diversos enfoques de aprendizaje automático combinado con datos de dispositivos móviles como wearables, para monitorear la actividad física de los pacientes.
El estudio realizó tres ensayos clínicos con 214 pacientes, en cada ensayo los pacientes utilizaron wearables que monitorearon durante varias semanas su actividad física, mientras recibieron quimioradioterapia. Además, los pacientes incluyeron diversos tipos de cánceres, como de cabeza y cuello o de pulmón.
El estudio utilizó un modelo de aprendizaje automático que analiza grandes cantidades de información, su objetivo final fue predecir la probabilidad de que un paciente fuera hospitalizados durante la próxima semana a los datos registrados en las dos semanas previas.
Los predictores incluyeron características del paciente como su edad, estado funcional, así como la actividad física, como pasos diarios, todo esto antes y después del tratamiento. el primer modelo fue probado sin tomar en cuenta los pasos en 151 pacientes y el segundo integró el conteo de pasos fue probado en 63 pacientes, el cual finalmente superó significativamente al primero en la predicción de la hospitalización la semana siguiente.
“El conteo de pasos inmediatamente anterior a la ventana de predicción terminó siendo generalmente más predictivo que las variables clínicas. La naturaleza dinámica de los conteos de pasos, el hecho de que están cambiando todos los días, parece convertirlos en un indicador particularmente bueno del estado de salud de un paciente”, dijo el Dr. Hong.
Los datos de actividad física, en específico de los pasos, durante los últimos dos días, fueron una de las variables más importantes del modelo. “Una de las partes únicas de este modelo es que está diseñado para ser una predicción continua”, explicó la Dra. Isabel Friesner, también autora principal del estudio.
De esta manera, el estudio demostró que la recopilación de este tipo de datos es sumamente valiosa, sobre todo porque son recopilados por los mismos pacientes durante sus actividades cotidianas. A futuro, los investigadores y su equipo buscarán explorar estudios relacionados con la recopilación de otras métricas como la frecuencia cardiaca, también obtenidas través de wearables y dispositivos portátiles.
