Nivel técnico del artículo

Los reingresos hospitalarios no programados constituyen un problema para el sistema sanitario por su repercusión en la calidad asistencial y su impacto económico, y para los pacientes, que ven su estado de salud deteriorado. En Europa está previsto que este problema se agrave debido a la población cada vez más envejecida y, por lo tanto, más susceptible de desarrollar comorbilidades y enfermedades crónicas. Por esta y otras razones el número de reingresos hospitalarios se encuentra entre los indicadores de calidad de los cuidados de un hospital.

Está considerado que el 50% de los reingresos en los 30 días posteriores al alta hospitalaria podrían evitarse o preverse, por ejemplo, haciendo un seguimiento más frecuente del paciente con riesgo a reingresar de forma que su salud no se vea tan deteriorada. Pero para los equipos médicos puede ser complicado prever estas situaciones, debido a su elevada carga de trabajo y el alto número de factores a analizar. ¿Se podría ayudar al personal hospitalario en la predicción de estos episodios, alertándoles si un paciente es susceptible de reingresar?

Con este objetivo en mente, en el Instituto se está desarrollando una herramienta basada en Inteligencia Artificial (IA) para la predicción de reingresos no programados y ayudar así en el proceso de toma de decisiones durante el alta hospitalaria de un paciente. Los métodos basados en IA permiten analizar gran cantidad de datos de forma automática y sistemática, sacando conclusiones donde a veces las personas no podemos.

En primer lugar, se ha realizado un proceso de tratamiento y curación de datos para obtener información con la calidad suficiente para el entrenamiento de modelos. Para esta tarea se ha contado con la ayuda del IISLAFE, que ha suministrado los datos y ha ayudado en la comprensión de los mismos. Estos datos incluyen información de distintas fuentes: pruebas de laboratorio, medicación, uso de servicios (por ejemplo, visitas a urgencias o a atención primaria), enfermedades previas, entre otros. En total se ha tenido en cuenta la información de aproximadamente 35000 episodios hospitalarios, de los cuales el 10% aproximadamente representan reingresos durante los 30 días posteriores al alta hospitalaria.

A continuación, se ha entrenado y evaluado distintos modelos de aprendizaje automático (o ML, por sus siglas en inglés: machine learning) con el objetivo de obtener las mayores prestaciones posibles. Aquí se pueden plantear dos preguntas: ¿un paciente va a reingresar? (conocido como clasificación), o también ¿en cuántos días va a reingresar un paciente? (regresión). En esta tarea se han entrenado y evaluado modelos basados en algoritmos de regresión logística, gradient boosted trees, Cox proportional hazards o aditivo de Aalen, por nombrar algunos ejemplos.

Además, se está desarrollando una aplicación web demostrativa para realizar consultas a este modelo. De esta manera se pueden realizar consultas de forma amigable para un usuario sin conocimientos de ML, introduciendo los datos de un paciente y obteniendo una respuesta. Esta herramienta también permite validar la utilidad del modelo y su validez práctica.

En esta herramienta se ha tratado de mostrar información adicional con el objetivo de presentar información de las prestaciones del modelo, ya que en muchos casos los modelos de ML se ven como una “caja negra” en la que no se sabe muy bien por qué está realizando ciertas predicciones o hasta qué punto es fiable. Con ello se favorece la explicabilidad del modelo basado en técnicas de Inteligencia Artificial, lo que hoy en día es uno de los aspectos en los que más se está prestando atención a nivel global.

Con estos modelos se han conseguido unas prestaciones de 0.69 en área bajo la curva ROC en tareas de clasificación y 0.75 en el caso de regresión. La curva ROC es una forma gráfica de analizar los resultados de un modelo de clasificación según variamos un umbral de decisión, lo que genera una relación entre verdaderos positivos (en la tarea que nos ocupa, reingresos predichos correctamente) y falsos positivos (no reingresos predichos como reingreso). Este umbral además permite fijar la zona de funcionamiento que más interese a la tarea concreta. Por ejemplo, en la tarea de reingreso queremos un número alto de verdaderos positivos para detectar correctamente los episodios de reingreso, pero en una tarea de detección de correo basura podríamos elegir una tasa baja de falsos positivos para que no perdiéramos ningún correo legítimo. Con el área bajo la curva ROC resumimos el funcionamiento del modelo en todos los umbrales recorridos, siendo 0.5 un modelo que “lanzara una moneda” para hacer una predicción y 1 un modelo que siempre acierta sin cometer ningún fallo.

En definitiva, con este modelo se pretende ayudar al personal médico en el proceso de toma de decisiones, lo que les permite centrarse más en el cuidado de los pacientes, incrementando la calidad general de los cuidados sanitarios y optimizando recursos.

Este trabajo se ha desarrollado en el marco del proyecto BIGSALUD2, cuyo objetivo principal es el estudio de técnicas de análisis de datos en combinación con técnicas de IA para la mejora de los mecanismos de pronóstico y ayuda en los procesos de toma de decisión. Además de la predicción de reingreso a 30 días, en el marco del proyecto se han realizado otras tareas basadas en IA, como se ha podido leer en otras entradas anteriores de este blog.

Autor
Laura Arnal ITI
Laura Arnal | Técnica del departamento de I+D dentro de la línea de Percepción, Reconocimiento, Aprendizaje e Inteligencia Artificial (PRAIA)
Etiquetas

Posts relacionados