El nuevo método podía ayudar a doctores a evitar tratamientos ineficaces o innecesariamente aventurados

En una fijación usual de la administración, después de que una persona haya tenido un ataque o un recorrido del corazón, los modelos de riesgo algorítmicos se utilizan para calcular el riesgo de muerte para el paciente. Estos algoritmos o modelos utilizan diversos factores tales como edad del paciente, del género, de la historia anterior, de los antecedentes familiares, de la pertenencia étnica etc.

El tratamiento del paciente es conducido a menudo por estos modelos. Un nuevo estudio ha mostrado que en muchos casos estos modelos no pueden predecir los riesgos exacto. Esto puede llevar a las opciones del tratamiento que son innecesarias o ineficaces e incluso aventuradas para los pacientes. El nuevo estudio fue publicado en el remedio de Digitaces. Se titula el estudio, determinando predicciones no fiables en modelos de riesgo clínicos”.

Haber de imagen: Fotos/Shutterstock del ci
Haber de imagen: Fotos/Shutterstock del ci

El autor importante Collin Stultz, un profesor de la ingeniería eléctrica y de informática en el MIT y un cardiólogo en el Hospital General de Massachusetts y profesor de las ciencias y tecnología de la salud, una pieza del instituto del MIT para la ingeniería médica y las ciencias y del laboratorio de investigación de la electrónica, y una pieza del socio del laboratorio de la inteligencia de informática y artificial, dijo, “cada modelo de riesgo se evalúa en un cierto grupo de datos de pacientes, e incluso si tiene alta exactitud, nunca es el 100 por ciento de exacto en la práctica. Habrá algunos pacientes para quienes el modelo conseguirá la respuesta incorrecta, y ése puede ser desastroso.” Él trabajó junto a otros investigadores del MIT, del laboratorio de MIT-IBM AI, y de la universidad de la Facultad de Medicina de Massachusetts. Uno de los autores era el estudiante de tercer ciclo Paul Myers del MIT que llevó el estudio. Observaban el éxito de la capacidad del modelo están prediciendo el riesgo. Dijeron que la validación de estos modelos puede ayudar a los médicos a elegir el tratamiento apropiado para estos pacientes.

Las personas explican que estos modelos de ordenador pueden ayudar a predecir el riesgo de acciones adversas en los pacientes del ataque del corazón y recorrido. Éstos máquina-están aprendiendo los algoritmos que observan los grupos de datos y los factores de cada uno de los pacientes para fijar los resultados de la salud. Stultz explicó que estos algoritmos son generalmente exactos, “pensamiento muy pequeño ha entrado determinar cuando un modelo es probable fallar.” “Estamos intentando crear un movimiento en la manera que la gente piensa en estos modelos de máquina-aprendizaje. El pensamiento en cuándo aplicar un modelo es realmente importante porque la consecuencia de ser incorrecta puede ser fatal,” él agregó. Él dijo que un paciente de alto riesgo puede no ser clasificado correctamente y puede no recibir así el tratamiento él o ella mereció y alguien que es poco arriesgado si está clasificada equivocadamente puede recibir el tratamiento innecesariamente aventurado.

Para este estudio utilizaron la muesca de uso general del riesgo de la TOLERANCIA (registro global de acciones coronarias agudas) las personas observadas los efectos del modelo sobre bases de datos grandes de pacientes para ver la exactitud del modelo en sus predicciones. Las ayudas modelo predicen el riesgo de muerte de seis meses pacientes después de una acción coronaria aguda. Este modelo utiliza factores tales como edad, presión arterial, ritmo cardíaco y otros signos y síntomas clínicos, explicaron a los investigadores. Para ver si el modelo era exacto los generaron una “muesca de la falta de fiabilidad” para el modelo. La muesca estaba entre 0 y 1. Si la muesca estaba cercana a 1, significó que la predicción era más no fiable. Dos modelos de la muesca del riesgo se podían comparar usando esta muesca de la falta de fiabilidad dijeron a los investigadores.
Stultz dijo que si ambos modelos de riesgo subieron con diversas predicciones, significó que la confiabilidad de cualquier muesca era inferior. Él agregó, “qué mostramos en este papel somos, si usted observa a los pacientes que tienen las muescas más altas de la falta de fiabilidad -- en el 1 por ciento superior -- la predicción del riesgo para ese paciente rinde la misma información que moviendo de un tirón una moneda. Para esos pacientes, la muesca de la TOLERANCIA no puede discriminar entre los que mueran y los que no lo hagan. Es totalmente inútil para esos pacientes.”

Las personas escribieron en conclusión, “usando datos de más de 40.000 pacientes en el registro global de las acciones coronarias agudas (TOLERANCIA), demostramos que los pacientes con alta falta de fiabilidad rayan la forma un subgrupo en quien el modelo profético tenga exactitud disminuida y capacidad discriminatoria disminuida.”

Las personas encontraron que varios factores en el grupo de datos podrían ser calculadores de la falta de fiabilidad de las muescas y éste incluyó la edad del paciente así como de otros factores de riesgo de la enfermedad cardíaca. Stultz dijo que este modelo de estudio ayudado para comparar dos modelos de riesgo sin crear un modelo nuevo para fijar el riesgo del paciente. Él explicó, “usted no necesita el acceso al grupo de datos del entrenamiento sí mismo para calcular esta medición de la falta de fiabilidad, y eso es importante porque hay las entregas de la aislamiento que evitan que estos grupos de datos clínicos sean extensamente accesibles a diversa gente.”

Como paso siguiente, las personas son ahora de diseño y que rectifican en el modelo de la muesca del riesgo de modo que sea más seguro y prediga el resultado paciente más exacto. Proyectan en incluir a más pacientes en la base de datos de modo que los modelos pudieran ser reciclados y utilizado de una manera más fructuosa diga a los investigadores. Stultz dijo, “si el modelo es bastante simple, después la enseñanza /aprendizaje de habilidades nuevas de un modelo puede ser rápida. Usted podría imaginarse un paquete entero de software integrado en el historial médico electrónico que le informaría automáticamente si una muesca determinada del riesgo es apropiada para un paciente dado, y después intentaría hacer cosas simultáneamente, como los modelos nuevos del reentrenamiento que pudieron ser más apropiados.”

Journal reference:

Myers, P.D., Ng, K., Severson, K. et al. Identifying unreliable predictions in clinical risk models. npj Digit. Med. 3, 8 (2020). https://doi.org/10.1038/s41746-019-0209-7, https://www.nature.com/articles/s41746-019-0209-7

Dr. Ananya Mandal

Written by

Dr. Ananya Mandal

Dr. Ananya Mandal is a doctor by profession, lecturer by vocation and a medical writer by passion. She specialized in Clinical Pharmacology after her bachelor's (MBBS). For her, health communication is not just writing complicated reviews for professionals but making medical knowledge understandable and available to the general public as well.

Citations

Please use one of the following formats to cite this article in your essay, paper or report:

  • APA

    Mandal, Ananya. (2020, January 23). El nuevo método podía ayudar a doctores a evitar tratamientos ineficaces o innecesariamente aventurados. News-Medical. Retrieved on April 02, 2020 from https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx.

  • MLA

    Mandal, Ananya. "El nuevo método podía ayudar a doctores a evitar tratamientos ineficaces o innecesariamente aventurados". News-Medical. 02 April 2020. <https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx>.

  • Chicago

    Mandal, Ananya. "El nuevo método podía ayudar a doctores a evitar tratamientos ineficaces o innecesariamente aventurados". News-Medical. https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx. (accessed April 02, 2020).

  • Harvard

    Mandal, Ananya. 2020. El nuevo método podía ayudar a doctores a evitar tratamientos ineficaces o innecesariamente aventurados. News-Medical, viewed 02 April 2020, https://www.news-medical.net/news/20200123/New-method-could-help-doctors-avoid-ineffective-or-unnecessarily-risky-treatments.aspx.