Usando “datos grandes” acerqúese para tratar sepsia más efectivo

La sepsia es una dolencia seria causada por una reacción de forma aplastante a la infección que daña tejidos y órganos. Es imprevisible, progresa rápidamente, puede golpear cualquier persona, y es una causa de cabeza de muertes hospital-relacionadas. En los E.E.U.U. solamente, casi 270.000 personas mueren cada año de sepsia. Los que sobreviven sepsia terminan a menudo hacia arriba en el hospital otra vez, y algunos tienen complicaciones a largo plazo de la salud. El tratamiento temprano es dominante para que muchos pacientes sobrevivan sepsia, con todo los doctores no pueden diagnosticarla fácilmente porque es tan compleja y cada paciente es diferente.

A pesar de décadas de investigación, la sepsia sigue siendo una condición mal entendida con las herramientas diagnósticas limitadas y el tratamiento. Para abordar estos obstáculos, los científicos Vincent Liu, Christopher Seymour, y el Prescott de Hallie han comenzado usando una aproximación de los “datos grandes”, que confía en programas de computadora complejos para tamizar con enormes cantidades de información. En este caso, las computadores analizan datos tales como información demográfica, signos vitales, y análisis de sangre rutinarios en los historiales médicos electrónicos de los pacientes de la sepsia. La meta es encontrar configuraciones en los datos que pudieron ayudar a doctores a entender, a predecir, y a tratar sepsia más efectivo.

Aprendizaje de máquina

Vincent Liu, M.D., de la división de Kaiser Permanente de investigación en Oakland, California, aplicaciones recompensa de la investigación de sus investigadores de maximización (MIRA) de buscar los signos que pudieron determinar a pacientes a riesgo de sepsia que se convertía incluso antes de que verifican en departamentos de emergencia. Resulta, él dice, que tanto mientras que la mitad de la gente que desarrolla sepsia había visitado a un doctor dentro de una semana antes de su admisión de hospital. Esto sugiere que ciertos signos de la enfermedad registrados en historiales médicos electrónicos podrían ofrecer una pista sobre la cual los pacientes están en riesgo de sepsia. Para determinar estas señales “pre-sépticas”, el Dr. Liu utiliza el aprendizaje de máquina, en el cual las computadores analizan granes cantidades de datos pacientes para revelar nuevos discernimientos y para reconocer las configuraciones que serían imposibles para que los seres humanos descubran.

El Dr. Liu también utiliza el aprendizaje de máquina estimar apenas cómo temprano un tratamiento para la sepsia podría ser útil. Por ejemplo, porque la sepsia comienza típicamente con una infección simple, los antibióticos son una parte estándar del tratamiento. Pero no sería práctico o seguro que los doctores prescriban los antibióticos a cada paciente en riesgo de sepsia. Las bacterias están creciendo cada vez más resistentes a los antibióticos, y estos antibióticos tienen efectos secundarios, tales como matar a las bacterias beneficiosas de los pacientes y fabricación de ellas más susceptibles a las nuevas infecciones en el futuro. El aprendizaje de máquina puede ayudar a determinar qué pacientes beneficiarían la mayoría y tendrían el menos riesgo de la administración temprana de antibióticos. Las herramientas electrónicas podrían determinar rutinario los síntomas más de riesgo elevado de la infección así que los pacientes sabrán qué signos deben incitarlos para conseguir la atención médica anterior.

Tipos de sepsia

Christopher Seymour, M.D., de la universidad del centro médico de Pittsburgh y de sus personas está aprendiendo cómo los pacientes de la sepsia difieren a partir del uno otro. Su MIRA soporta la sepsia ENdotyping en proyecto del cuidado de emergencia (SENECA). En SENECA, el Dr. Seymour y sus colegas utilizaron las herramientas de cómputo para analizar los historiales médicos de más de 16.500 personas que fueron diagnosticadas con sepsia en el plazo de 6 horas de entrar en un hospital; la diagnosis en el plazo de 6 horas perfecciona sumamente tasas de supervivencia de la sepsia. Los investigadores centrados en 29 diversos factores, tales como edad, sexo, los signos vitales, los análisis y los recuentos celulares rutinarios de sangre, las enfermedades simultáneas, y las dimensiones del órgano funcionan. También utilizaron a un grupo de más de 43.000 pacientes con una edad media similar, la proporción por sexo, resultados del laboratorio, y otros datos clínicos.

El análisis reveló cuatro tipos distintos, o fenotipos, de la sepsia: alfa (α), beta (β), gamma (γ), y delta (δ), que difirió en sus características clínicas, la reacción del ordenador principal a la infección, resultados a corto y largo plazo, y la reacción IV a los líquidos. Las personas del Dr. Seymour continúan fregar de cómputo a través de historiales médicos electrónicos para entender cómo los tratamientos actuales y futuros pueden aplicarse a estos fenotipos. Al mismo tiempo, las personas están alistando a pacientes de la sepsia en un nuevo estudio diseñado para investigar los mecanismos biológicos que son la base de los cuatro tipos. Algún día, estos fenotipos pueden ayudar a investigadores a diseñar juicios clínicas más efectivas para la sepsia, doctores de la ayuda en el diagnóstico de la condición anterior, y optimizan procedimientos del tratamiento.

Consecuencias para la salud de la sepsia

El Prescott de Hallie, M.D., de la Universidad de Michigan se centra en qué suceso a los pacientes de la sepsia que sobreviven la hospitalización inicial. Ella dice que mucha gente experimenta nuevas enfermedades físicas o síntomas mentales, y es común para que los pacientes entren en el hospital otra vez en el plazo de 3 meses. El Dr. Prescott quiere entender si estas consecuencias negativas vienen directamente de sepsia o de otras enfermedades el paciente pudo ya tener. Los doctores saben ya que ciertas condiciones preexistentes tales como enfermedades autoinmunes hacen a algunos pacientes más probablemente para desarrollar sepsia en el primer lugar.

El Dr. Prescott co-presidió recientemente el coloquio internacional sobre la comprensión y el aumento de supervivencia de la sepsia. El grupo concluyó que los estudios de la sepsia se centran generalmente en supervivencia a corto plazo, tan allí es poca información sobre qué suceso a los sobrevivientes en los meses y los años después de la sepsia. El grupo hizo varias recomendaciones de avance la investigación sobre supervivencia de la sepsia. A corto plazo, recomendó que los hospitales armonizan y comparten grupos de datos existentes para facilitar la investigación. A más largo plazo, los programas dedicados para estudiar a sobrevivientes de la sepsia son necesarios. Este trabajo ayudará a doctores a encontrar y a ayudar a los pacientes que son más probables tener un pronóstico peor después de sepsia.