Predicción de Indicadores Clínicos con Enara MLP: Una experiencia real

Machine Learning o Aprendizaje Automático, es una rama de la Inteligencia Artificial cuyo objetivo es construir sistemas que aprendan automáticamente de los datos. Como se describe en este artículo publicado anteriormente, existen múltiples ejemplos de aplicaciones de estos sistemas.

En Sigesa hemos desarrollado una solución de análisis avanzado de datos denominada Enara MLP® (Machine Learning Predictors) con la que, mediante el uso de algoritmos predictivos basados en técnicas de Machine Learning, se puedan obtener, tanto en el momento del ingreso de un paciente como en la horas siguientes, una predicción del comportamiento de indicadores altamente relevantes para una gestión más eficiente del episodio.

Dichas predicciones, junto con los protocolos de actuación de la institución, resultan de considerable valor para los profesionales sanitarios en la toma de las decisiones clínicas más adecuadas en aspectos tales como:

  • Optimización de los circuitos de Urgencia y Hospitalización

  • Impacto directo en la calidad del diagnóstico y atención de los pacientes

  • Aumento de la efectividad de los tratamientos

  • Anticipación en la planificación y uso de los recursos disponibles

  • Mayor eficiencia en el gasto

Experiencia real de validación de resultados en HUIC

El Hospital Universitario Infanta Cristina de Madrid, HUIC, mostró su interés para llevar a cabo una validación de varios de los indicadores creados gracias a la solución de análisis avanzado de datos Enara MLP®.  El proyecto se planteó en dos fases:

  • Primera fase: Selección de los indicadores más interesantes para la institución, adaptación de los algoritmos correspondientes y validación de resultados.
  • Segunda fase: Integración de los algoritmos resultantes en el flujo de trabajo, puesta en producción y evaluación del resultado de las predicciones en tiempo real.

Durante la primera fase del proyecto, profesionales del equipo de Sigesa, en colaboración con personal clínico, administrativo y gerencial del hospital formaron un equipo de trabajo que definió los indicadores más interesantes a validar del conjunto de indicadores disponibles en la solución Enara MLP®, y trabajó en adaptar los algoritmos correspondientes a la realidad del hospital. Se concluyó testar la validez de los algoritmos para los siguientes indicadores:

Indicador Área Tiempo de predicción
Probabilidad de mortalidad precoz durante hospitalización tras ingreso en Urgencias Urgencias Primeras 12 horas desde urgencias
Probabilidad de hospitalización con ingreso en UCI desde urgencias Urgencias Primeras 12 horas desde urgencias
Probabilidad de reingreso en 30 días tras hospitalización por EPOC Hospitalización Al alta del paciente
Probabilidad de reingreso en 30 días tras hospitalización por insuficiencia cardíaca Hospitalización Al alta del paciente
Probabilidad de úlceras por presión durante el ingreso Hospitalización A los 3 días de ingreso
Probabilidad de delirium durante el ingreso Hospitalización Primeras 24h

El equipo de trabajo de Sigesa realizó los trabajos de depuración, pre-procesado, entrenamiento, validación y test de los modelos, utilizando datos relevantes para cada episodio asistencial, incluyendo entre otras fuentes, información de pruebas de laboratorio, prescripción, valoración al ingreso del paciente, notas de enfermería, así como datos administrativos, triaje y atención en urgencias y estancia en hospitalización del periodo 2016-2019.

Los resultados obtenidos en esta primera fase resultaron altamente satisfactorios. Como se puede observar en la tabla que se muestra a continuación, se obtuvo un AUC superior a 0.9 en todos los indicadores, demostrando la validez predictiva de Enara MLP® en el entorno del HUIC.

Indicador Métrica Resultados
Probabilidad de mortalidad precoz durante hospitalización tras ingreso en Urgencias AUC
0,97
Probabilidad de hospitalización con ingreso en UCI desde urgencias AUC
0,90
Probabilidad de reingreso en 30 días tras hospitalización por EPOC AUC
0,98
Probabilidad de reingreso en 30 días tras hospitalización por insuficiencia cardíaca AUC 0,91
Probabilidad de úlceras por presión durante el ingreso AUC 0,95
Probabilidad de delirium durante el ingreso AUC 0,91

Estas predicciones optimizan las que actualmente se encuentran a disposición de los profesionales sanitarios, elaboradas con métodos convencionales, y por tanto, aportan una información muy valiosa para la institución. Esta mejora viene dada, entre otras particularidades, porque los algoritmos de Enara MLP® incorporan multitud de variables y combinaciones que resultan imposibles de procesar de forma conjunta con los métodos convencionales. Además de ello, emplean modelos de Machine Learning que hacen uso de algoritmos significativamente más complejos a nivel matemático que los encontrados en estas técnicas convencionales.

Dados los buenos resultados obtenidos, el proyecto se encuentra en la actualidad en la segunda fase, desarrollándose las tareas de integración de nuestros algoritmos con los sistemas de información incluidos en el flujo de trabajo del hospital, con objeto de poder evaluar los resultados en tiempo real.

Para más información sobre la metodología empleada en este proyecto y los resultados obtenidos, póngase en contacto con nosotros en info@sigesa.com