Advertencia: Esta página es una traducción de esta página originalmente en inglés. Tenga en cuenta ya que las traducciones son generadas por máquinas, no que todos traducción será perfecto. Este sitio Web y sus páginas están destinadas a leerse en inglés. Cualquier traducción de este sitio Web y su páginas Web puede ser imprecisa e inexacta en su totalidad o en parte. Esta traducción se proporciona como una conveniencia.

El algoritmo de la inteligencia artificial puede determinar a pacientes en de alto riesgo del uno mismo-daño intencional

Según el asiento americano para la prevención del suicidio, el suicidio es la 10ma causa de la muerte de cabeza en los E.E.U.U., con sobre 1,4 millones de tentativas del suicidio registradas en 2018.

Aunque los tratamientos efectivos estén disponibles para esos en peligro, los clínicos no tienen una manera segura de predecir qué pacientes son probables hacer una tentativa del suicidio.

Los investigadores en la universidad de Carolina del Sur médica y la universidad de la Florida del sur denuncian en informática médica de JMIR que han tomado medidas importantes hacia abordar el problema creando un algoritmo de la inteligencia artificial que puede determinar automáticamente a pacientes en de alto riesgo del uno mismo-daño intencional, sobre la base de la información en las notas clínicas en el historial médico electrónico.

El estudio fue llevado por el Jihad Obeid, M.D., codirector del centro biomédico de la informática de MUSC, y Brian Bunnell, Ph.D., antes en MUSC y actualmente un profesor adjunto en el departamento de la psiquiatría y de las neurologías del comportamiento en la universidad de la Florida del sur.

Las personas utilizaron las redes neuronales artificiales complejas, una forma de la inteligencia artificial también conocida como profundamente aprendiendo, analizar datos no estructurados, textuales en el historial médico electrónico. Los métodos de aprendizaje profundos utilizan progresivamente capas de redes artificiales para extraer una información más alta de datos de entrada sin procesar.

Las personas mostraron que estos modelos, una vez que estuvieron entrenados, podrían determinar a pacientes a riesgo de uno mismo-daño intencional.

Esta clase de trabajo es importante porque leverages las últimas tecnologías para abordar un problema importante como el suicidio y determina a pacientes a riesgo de modo que puedan ser administración apropiada referida.”

Jihad Obeid, Doctor en Medicina, codirector del centro biomédico de la informática de MUSC, y Brian Bunnell, profesor adjunto, departamento de la psiquiatría y neurologías del comportamiento, universidad de la Florida del sur

Hasta el momento, los investigadores han confiado sobre todo en datos estructurados en el historial médico electrónico para la identificación y la predicción de pacientes a riesgo. Los datos estructurados refieren a la información tabulada que se ha incorporado en campos señalados en el historial médico electrónico como parte de cuidado clínico.

Por ejemplo, cuando los médicos diagnostican a pacientes y destinan la clasificación internacional de las claves de la enfermedad (ICD), están creando datos estructurados. Esta clase de datos tabulados, estructurados es fácil para que los programas de computadora analicen.

Sin embargo, el 80% al 90% de la información pertinente en el historial médico electrónico se atrapa en formato de texto. Es decir las notas clínicas, los informes sobre la marcha de los trabajos, las notas del plan-de-cuidado y otros textos narrativos en el historial médico electrónico representan un recurso sin aprovechar enorme para la investigación.

El estudio de Obeid es único porque utiliza notas clínicas “leídas” profundas de las redes neuronales en el historial médico electrónico y determina y predice a pacientes en riesgo de uno mismo-daño.

Después de los éticas reguladores revise y la aprobación de la investigación propuesta del comité examinador institucional en MUSC, Obeid comenzó determinando los archivos pacientes asociados a las claves de ICD indicativas de uno mismo-daño intencional en el almacén de datos de la investigación de MUSC.

Ese almacén, que fue creado con el apoyo del instituto clínico y de translación de Carolina del Sur de investigación, ofrece a investigadores de MUSC llega hasta a los datos electrónicos pacientes del historial médico, con tal que hayan obtenido las autorizaciones necesarias.

Para simular un decorado del mundo real, Obeid y sus personas dividieron los archivos clínicos en dos categorías del tiempo: 2012 a 2017 archivos que fueron utilizados para entrenar a los modelos y 2018-2019 archivos que fueron utilizados para probar los modelos entrenados. Primero, observaban las notas clínicas tomadas durante la visita del hospital en la cual la clave de ICD fue destinada.

Usando ese como el conjunto de datos del entrenamiento, los modelos “aprendieron” que las configuraciones del lenguaje en las notas clínicas de los informes médicos electrónicos de los pacientes fueron asociadas a la asignación de una clave de ICD del uno mismo-daño intencional. Una vez que los modelos fueron entrenados, podrían determinar a esos pacientes basados solamente en su análisis del texto en las notas clínicas, con una exactitud de 98,5%. Los expertos revisaron manualmente un subconjunto de archivos para confirmar la exactitud del modelo.

Después, las personas probaron si el más exacto de los modelos podría utilizar notas clínicas en el historial médico electrónico para predecir el uno mismo-daño futuro.

Con este fin, las personas de Obeid determinaron los archivos de los pacientes que habían presentado con uno mismo-daño intencional y habían entrenado al modelo usando sus notas clínicas entre seis meses a un mes antes de la visita intencional del hospital del uno mismo-daño.

Entonces probaron si los modelos entrenados podrían predecir correctamente si estos pacientes presentarían más adelante con uno mismo-daño intencional.

El uno mismo-daño futuro que predecía basado solamente en notas clínicas demostró ser más desafiador que determinando a los pacientes en peligro actuales debido al “ruido extra” se introduce que cuando las granes cantidades de historia paciente se incluyen en el modelo.

Las notas clínicas históricas tienden a ser variadas y no siempre relevante. Por ejemplo, si vieron a un paciente para la depresión u otros problemas de salud mentales seis meses antes de su visita del hospital para el uno mismo-daño intencional, después las notas clínicas eran probable incluir la información relevante.

Sin embargo, si el paciente entró para una condición sin relación a la salud mental, después las notas eran menos probable incluir la información relevante.

Mientras que la partícula extraña de la información inútil introduce mucho ruido en el análisis de datos, toda esta información debe ser incluida a través de pacientes en los modelos predecir resultados. Como consecuencia, el modelo era menos exacto en predecir qué pacientes presentarían más adelante para el uno mismo-daño intencional que simple clasificando a los pacientes actuales para el riesgo del suicidio.

No obstante, la exactitud profética de este modelo era muy competitiva con ésa denunciada previamente para los modelos que confiaron en los datos estructurados, alcanzando una exactitud del casi 80% con sensibilidad y la precisión relativamente altas.

Las personas de Obeid han mostrado la viabilidad de usar modelos profundamente de aprendizaje para determinar a pacientes a riesgo del uno mismo-daño intencional basado en notas clínicas solamente. El estudio también mostró que los modelos se pueden utilizar para predecir, con fidelidad bastante buena, qué pacientes presentarán en el futuro para el uno mismo-daño intencional basado en notas clínicas en su historial médico electrónico.

Éstos los resultados tempranos son prometedores y podrían tener impactos grandes en el nivel clínico. Si los modelos de aprendizaje profundos se pueden utilizar para predecir qué pacientes están en de alto riesgo para el suicidio basado en notas clínicas, después los clínicos pueden remitir a pacientes de alto riesgo temprano para el tratamiento apropiado.

Usando estos modelos para clasificar a pacientes como en riesgo de uno mismo-daño podría también facilitar el alistamiento en estudios y juicios clínicos de los nuevos tratamientos potenciales relevantes al suicidio.

En los estudios futuros, Obeid apunta evaluar cambios en la ventana profética del tiempo para sus modelos, por ejemplo, observando archivos un año antes de la presentación de un paciente para el uno mismo-daño intencional en vez de seis meses.

Las personas también se preponen examinar otros resultados tales como suicidio o ideación suicida. Y mientras que los modelos trabajan bien en MUSC, Obeid debe ahora mostrar que pueden ser generalizados a otras instituciones.

“Se pueden los modelos entrenar en una situación y transferir a otra situación y todavía trabajar?” Obeid pedido. “Si la respuesta está sí, después ésta salva recursos críticos porque otras instituciones no tendrán que realizar las revistas manuales costosas y que toma tiempo de la carta para confirmar que los modelos están consiguiendo derecho durante los períodos de entrenamiento.”

Source:
Journal reference:

Obeid, J. S., et al. (2020) Identifying and Predicting Intentional Self-Harm in Electronic Health Record Clinical Notes: Deep Learning Approach. JMIR Medical Informatics.
doi.org/10.2196/17784.