COMPARTIR:Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedIn

El infarto agudo de miocardio (IAM), o enfermedad coronaria del corazón, es la principal causa de muerte en los EE. UU., y para 2035, se estima que casi la mitad de los adultos la sufrirán de alguna forma. Es preocupante que la mayoría de las incidencias de IAM ocurren sin síntomas obvios como dolor en el pecho o dificultad para respirar. Pero los investigadores de la Universidad Estatal de Florida y la Universidad Gainesville de Florida, están usando inteligencia artificial (AI) para ayudar a predecir la mortalidad en un año en pacientes de unidades de cuidados intensivos que han experimentado un episodio.

Se seleccionó la mortalidad a un año como la ventana de predicción porque permitiría la comparación con otros estudios, escribieron los investigadores, y porque tendría en cuenta a los pacientes que tenían múltiples ingresos en UCI (Unidad de Cuidados Intensivos) relacionados con IAM en un período de dos años.

“En comparación con las pautas de evaluación de riesgos que requieren el cálculo manual de las puntuaciones, la predicción basada en el aprendizaje automático para los resultados de la enfermedad, como la mortalidad, se puede utilizar para ahorrar tiempo y mejorar la precisión de la predicción”, escribieron en un documento (“Construyendo modelos computacionales para predecir un año Mortalidad en pacientes de la UCI con infarto agudo de miocardio y síndrome post infarto de miocardio “) publicado en el servidor de preprint Arxiv.org. “Este estudio construyó y evaluó varios modelos de aprendizaje automático para predecir la mortalidad a un año en pacientes diagnosticados con infarto agudo de miocardio o síndrome de infarto post-miocárdico”.

Para reunir un conjunto de datos, los autores del artículo obtuvieron MIMIC-III, una base de datos de cuidados críticos de libre acceso mantenida por el Laboratorio de Fisiología Computacional del MIT que contiene 58,000 ingresos hospitalarios de 40,000 pacientes. Ellos redujeron la lista a 5,037 sujetos (que representan 7,590 admisiones) al seleccionar las características “probadas para predecir la mortalidad”, como la función renal y hepática, el ingreso, la demografía, el tratamiento y los valores de laboratorio que evalúan la salud general a corto y largo plazo, y varios marcadores cardíacos.

Los investigadores preprocesaron los registros para eliminar duplicados, tratamientos múltiples para la misma admisión, errores de entrada de datos y valores atípicos. Para comparar el rendimiento a través de varios modelos diferentes de aprendizaje automático, seleccionaron Waikato Environment for Knowledge Analysis (WEKA), un software basado en Java desarrollado en la Universidad de Waikato, Nueva Zelanda.

Utilizando el marco de código abierto TensorFlow de Google en una PC con un procesador Intel Core i7 de 2.2GHz, el equipo entrenó a más de una docena de algoritmos de clasificación en el corpus, incluyendo AdaBoost, clasificador seleccionado de atributos, Bayes Net, como clasificador mediante regresión, además de otros.

En las pruebas, dos modelos de IA, los árboles de modelo logístico (LMT) y los algoritmos logísticos simples, se comportaron mejor que el resto, logrando una precisión del 85,12 por ciento en la identificación del 30 por ciento de los pacientes del conjunto de datos (1,629) que murieron dentro del año de ingreso. (Un tercer algoritmo, J48, siguió de cerca con un 84,88 por ciento de precisión). Curiosamente, un modelo de red neuronal profunda, un modelo con capas de funciones matemáticas que imitan ligeramente el comportamiento de las neuronas en el cerebro humano, superó a todos los algoritmos de aprendizaje automático estudiados en su capacidad para identificar a los pacientes que murieron dentro de un año.

“Esto refleja un entendimiento común en la ciencia de datos de que no existe un algoritmo de aplicación universal que supere a todos los demás algoritmos todo el tiempo”, escribieron los investigadores. “Hay muchos factores que pueden afectar las tasas de mortalidad después de un infarto de miocardio. Descubrir una forma de utilizar la información con respecto a estos factores ayudará a predecir con precisión los posibles resultados “.

Los autores del artículo señalan que el conjunto de datos desequilibrado (30 por ciento de los casos de mortalidad a un año) fue un factor limitante para el estudio, al igual que las brechas en los datos, como los valores faltantes de laboratorio y gráficos. Pero sostienen que los resultados muestran que el diagnóstico y el tratamiento correctos de la IAM tienen un efecto demostrable en la mortalidad a un año.

“Como se ve en este conjunto de datos, no hay un factor específico que proporcione la información de previsibilidad necesaria, mientras que ser capaz de incluir todos los criterios relevantes conduce a mejores predicciones”, escribieron. “La mejor previsibilidad obtenida mediante el aprendizaje automático puede ayudar a los pacientes en riesgo a esforzarse por cumplir con los planes de tratamiento para mejorar el riesgo de mortalidad”.
Fuente. VentureBeat

COMPARTIR:Share on FacebookShare on Google+Tweet about this on TwitterShare on LinkedIn

NO COMMENTS

DEJAR UN COMENTARIO