Investigadores de la Universidad Carnegie Mellon (CMU), de la Universidad Internacional de Florida (FIU) y la Universidad de Santa Clara (SCU) han diseñado un modelo de detección automatizada que diagnostica y predice problemas cerebrovasculares. Según informa el ‘Journal of Medical Internet Research’, este sistema podría emplearse en los hospitales, alcanzando un nivel de precisión mayor al que ofrecen los métodos actuales.
El equipo de científicos ha recurrido a los datos disponibles de los pacientes (clínicos, sociológicos y económicos), pero también a la inteligencia artificial y al enriquecimiento de los algoritmos para analizar en detalle un gran volumen de datos. Con ellos, genera las predicciones sobre problemas cerebrovasculares, cada vez más precisas en nuevos pacientes. Esas predicciones se producen antes de obtener el resultado de pruebas de laboratorio o de técnicas por imagen.
"En hospitales con escasez de recursos médicos y personal clínico, nuestro algoritmo puede complementar los modelos actuales"
Rema Padman, profesora de Ciencias de la Administración e Informática de la Salud en la CMU y una de las autoras de la investigación, explica que este modelo de aprendizaje automático es capaz de detectar accidentes cerebrovasculares interpretando la información del paciente, como notas clínicas y resultados de pruebas por imagen. Pero Padman y su equipo también han incorporado los conocidos como los ‘determinantes sociales de la salud’ (SDoH), es decir, variables sociológicas que tienen una influencia en el estado de salud de la sociedad.
Los SDoH han sido facilitados por los proveedores de atención médica en Estados Unidos, respetando el derecho a la privacidad de todos los pacientes. Se trata de los datos rutinarios que suelen recopilar en cualquier ingreso a un hospital, como información demográfica básica (edad, sexo, raza, etnia), cantidad de afecciones crónicas y el seguro médico principal. Es el cómputo de toda esta información lo que permite enriquecer el algoritmo y optimizar sus resoluciones.
ALTO NIVEL DE SENSIBILIDAD
En concreto, el estudio ha evaluado a más de 143.000 ingresos de pacientes en hospitales de Florida dedicados a los cuidados intensivos entre los años 2012 y 2014. Los resultados han arrojado un nivel de precisión del 84% en cuanto a la predicción de accidentes cerebrovasculares, mientras que los modelos actuales pierden hasta un 30% de sensibilidad.
Min Chen, profesor asociado de Sistemas de Información y Análisis Empresarial en la Facultad de Negocios de FIU y otro de los autores del estudio, señala que “en hospitales con escasez de recursos médicos y personal clínico, nuestro algoritmo puede complementar los modelos actuales para ayudar a priorizar rápidamente a los pacientes para una intervención adecuada”.
Los accidentes cardiovasculares a veces se diagnosticas demasiado tarde porque suelen confundirse sus síntomas
Por otro lado, este nuevo sistema ayudaría a satisfacer las necesidades de aquellos centros que no estén especializados en accidentes cerebrovasculares, en áreas rurales o donde haya poco personal especializado, tal y como sugiere Xuan Tan, profesor de Sistemas de Información y Análisis en la Escuela de Negocios Leavey de SCU. Además, añade que es un modelo eficaz para combatir los diagnósticos erróneos, atender a pacientes sin cita previa o con síntomas más leves o atípicos.
UN PROBLEMA DE SALUD PÚBLICA
Los diseñadores del nuevo modelo de detección automatizada destacan que su herramienta puede salvar miles de vidas. Y es que los problemas cerebrovasculares son difíciles de detectar y en muchas ocasiones, se diagnostican demasiado tarde porque pueden darse condiciones confusas, como por ejemplo, convulsiones, migrañas o intoxicación por alcohol.
Este tipo de accidentes están infradiagnosticados y a ellos son más vulnerables las mujeres y las personas mayores, así como las que tienen un bajo nivel socioeconómico. Los errores en el diagnóstico de problemas cerebrovasculares se producen 30 veces más que los infartos de miocardio, por lo que está considerado un problema de salud pública. Con pruebas diagnósticas de mayor sensibilidad y nivel de predicción, los diferentes sistemas de salud ahorrarían cientos de muertes anuales y gasto económico.