La lesión renal aguda (IRA), una afección en la que los riñones de repente no filtran los desechos de la sangre, puede devastar el sistema renal de pacientes en estado crítico. La tasa de mortalidad puede acercarse al 89 por ciento si progresa más allá de la etapa 2 (AKI se clasifica en tres etapas). Y si el AKI se desarrolla después de una cirugía abdominal mayor, el riesgo de muerte aumenta 12 veces.

Afortunadamente, se ha hecho rogress hacia técnicas que ayudan en la detección temprana. Un documento publicado por investigadores de la Universidad Northwestern y el Centro de Ciencias de la Salud de la Universidad de Texas (“Predicción temprana de la lesión renal aguda en entornos de cuidados críticos utilizando notas clínicas”) describe un sistema artificialmente inteligente (AI) que puede recopilar y extraer factores de riesgo de la electrónica. registros de salud (EHR) y predice la probabilidad de AKI dentro de las primeras 24 horas posteriores a la unidad de cuidados intensivos (UCI).

“Desarrollamos modelos de predicción basados ​​en datos para estimar el riesgo de un nuevo inicio de AKI”, escribieron los investigadores. “Desde un punto de vista práctico, nuestro modelo de predicción podría usarse para alertar a los médicos de pacientes en estado crítico con alto riesgo de desarrollar IRA poco después del ingreso en la UCI”.

Para entrenar el sistema de inteligencia artificial, el equipo obtuvo registros de Medical Information Mart para Cuidados Intensivos III (MIMIC-III), una base de datos de cuidados críticos de acceso gratuito que contiene la información médica anonimizada de más de 40,000 pacientes que se quedaron en las UCI del Centro Médico Beth Israel Deaconess . Desarrollaron un guión que raspaba la edad, el sexo, la raza y la etnia, y las notas clínicas durante el primer día de ingreso en la UCI y los niveles de creatinina sérica de 72 horas (una medida común de toxicidad en la orina) después del ingreso, y que excluía a los pacientes sin notas médicas y signos de disfunción renal

En total, compilaron 77,160 notas clínicas de las 14,560 estancias en UCI de 14,1470 pacientes, que se dividieron en dos grupos: uno para entrenamiento y otro para pruebas. Luego, se dispusieron a construir un modelo de aprendizaje automático.

Se requirió algo de preprocesamiento de los datos para llegar a las características estructuradas, algunas de las cuales implicaban utilizar el conjunto de herramientas MetaMap de la Biblioteca Nacional de Medicina para identificar conceptos médicos de las notas clínicas de texto libre. Las características extraídas llegaron en forma de Identificadores Únicos de Concepto (CUI), conceptos asociados con palabras y términos, de Unified Medical Language System (UMLS), un compendio completo de términos y clasificaciones biomédicas.

Se utilizaron cinco algoritmos para clasificar las estancias en la UCI y estimar el riesgo AKI de scikit-learn, una biblioteca de aprendizaje de código abierto para el lenguaje de programación Python. En las pruebas, el clasificador de aprendizaje supervisado de los investigadores logró un área de 0.779 bajo la característica operativa del receptor (AUC), lo que significa que fue capaz de identificar a los pacientes con riesgo de desarrollar AKI más del 50 por ciento del tiempo y con una precisión “competitiva” con los métodos anteriores.

Aún así, no fue perfecto. Indicó incorrectamente el inicio de AKI en un paciente cuyo gráfico contenía palabras altamente asociativas como “tubo torácico” y “lábil”. Y en otro caso, no pudo predecir el AKI en un paciente que más tarde lo desarrolló. (En el último caso, señalaron que no había suficientes pacientes en el conjunto de datos con condiciones similares).

Los investigadores dejan la investigación del trabajo futuro de sistemas de fenotipado alternativo, bases de datos de notas clínicas y validación de conjuntos de datos adicionales de pacientes.

Otra parte destacada que aplica la detección de AI a AKI es la filial de Google DeepMind, que anunció en febrero una asociación con el Departamento de Asuntos de Veteranos de EE. UU. Que le permitió acceder a más de 700,000 registros médicos.