Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
Herramienta basada en IA mejora la gestión y la toma de decisiones de sepsis

Esta herramienta centrada en los pacientes y en los profesionales de la salud busca combinar el uso de IA con la experiencia de los médicos para mejorar la toma de decisiones de sepsis y predecir los pacientes en riesgo de presentar esta afección.

La sepsis es una afección que se produce cuando el sistema inmunitario responde de manera extrema a una infección, provocando lesiones en sus propios tejidos y órganos. El diagnóstico de sepsis se basa en síntomas y signos clínicos, así como en datos de laboratorio, por lo que puede ser difícil de diagnosticar debido a que sus síntomas (fiebre, presión arterial baja, aumento de la frecuencia cardíaca y problemas respiratorios), se parecen a los de otras enfermedades. En este sentido científicos de la Universidad Estatal de Ohio (OSU, en inglés), diseñaron SepsisLab, una herramienta para predecir el riesgo de sepsis de un paciente.

Este sistema basado en inteligencia artificial (IA) busca apoyar la toma de decisiones de los médicos acerca de pacientes hospitalarios en riesgo de sepsis. SepsisLab fue desarrollado a partir de comentarios de personal médico y de enfermería que tratan a paciente en departamentos de emergencia y unidades de cuidados intensivos (UCI), donde se encuentran con más frecuencia los casos de sepsis.

Esta herramienta se distingue de otras soluciones de IA que solo utilizan registros médicos electrónicos para la predicción de sepsis, sin tomar en cuenta datos de entrada de los profesionales. De esta manera, los científicos de la OSU diseñaron SepsisLab para la predicción del riesgo de sepsis en cuatro horas, sin embargo, mientras el tiempo avanza, el mismo sistema identifica información faltante del paciente, cuantifica su importancia y ofrece a los médicos una imagen visual sobre las afectaciones a la predicción final del riesgo.

Las primeras pruebas realizadas utilizaron una combinación de datos de pacientes disponibles públicamente y privados mostraron que agregar un 8% de los datos recomendados mejoró la precisión de predicción de sepsis del sistema en un 11%.“El modelo actual representa un paradigma de competencia entre humanos e IA más tradicional, que genera numerosas falsas alarmas molestas en las UCI y salas de emergencia sin escuchar a los médicos”, expresó Ping Zhang, profesor de ciencias de la computación en ingeniería e informática biomédica en OSU.

Zhang explicó que el objetivo de esta herramienta es involucrar a la IA en cada paso intermedio de la toma de decisiones, además, también contempla el reclutamiento de médicos. “Esta es una verdadera colaboración entre científicos informáticos y médicos para desarrollar un sistema centrado en el ser humano que pone al médico al mando”, detalló.

Esta herramienta se basa en un modelo de machine learning previo desarrollado por Zhang y sus colegas. SepsiLab genera una predicción de riesgo de manera rápida, pero produce una nueva predicción cada hora después de que se agregan nuevos datos de pacientes al sistema.

“Si el modelo de imputación no puede imputar con precisión el valor faltante y se trata de un valor muy importante, se debe observar la variable. Nuestro algoritmo de detección activa tiene como objetivo encontrar dichos valores faltantes e indicar a los médicos qué variables adicionales podrían necesitar observar, variables que pueden hacer que el modelo de predicción sea más preciso”, explicó el primer autor del estudio Changchang Yin.

De esta manera, las pruebas demostraron que agregar un 8% de nuevos datos de pruebas de laboratorio, signos vitales y otras variables de alto valor, redujo la incertidumbre propagada en el modelo en un 70%, que además contribuyó a una mejora del 11% en la precisión del riesgo de sepsis.

“El centro de la medicina es probar hipótesis y tomar decisiones minuto a minuto que no sean simplemente ‘sí’ o ‘no’. Imaginamos a una persona en el centro de la interacción usando IA para ayudar a que ese ser humano se sienta sobrehumano”, expresó Zhang.

Noticias destacadas

Noticias por país

Contenidos Relacionados

Secured By miniOrange