MADRID 8 Jun. (EUROPA PRESS) -
Un equipo de investigación del Mount Sinai, en Estados Unidos, ha desarrollado un modelo basado en el aprendizaje automático que permite a las instituciones médicas predecir el riesgo de mortalidad de cada paciente sometido a cirugía cardiaca, lo que supone una importante ventaja sobre los modelos actuales basados en la población, según publican en 'The Journal of Thoracic and Cardiovascular Surgery (JTCVS) Open'.
El nuevo algoritmo basado en datos y elaborado a partir de registros sanitarios electrónicos (HCE) es el primer modelo específico de una institución para evaluar el riesgo de un paciente cardiaco antes de la intervención, lo que permite a los profesionales de la salud adoptar las mejores medidas para cada paciente.
Ravi Iyengar, doctor y catedrático Dorothy H. y Lewis Rosenstiel de Ciencias Farmacológicas en la Facultad de Medicina Icahn de Mount Sinai, y director del Instituto de Biomedicina de Sistemas de Mount Sinai, explica que "los modelos de riesgo estándar utilizados hoy en día están limitados por su aplicabilidad a tipos específicos de intervenciones quirúrgicas, lo que deja fuera a un número significativo de pacientes sometidos a procedimientos complejos o combinados para los que no existen modelos".
"Nuestro equipo combinó rigurosamente datos de registros electrónicos de salud y métodos de aprendizaje automático para demostrar por primera vez cómo las instituciones individuales pueden construir sus propios modelos de riesgo para la mortalidad después de la cirugía cardíaca", añade.
Se han generado modelos de predicción basados en algoritmos de aprendizaje automático en diversos campos de la medicina, y algunos han mostrado mejores resultados que sus homólogos de atención estándar.
En cirugía cardíaca, las puntuaciones de riesgo de la Sociedad de Cirujanos Torácicos (STS) de Estados Unidos se consideran el patrón oro y se utilizan habitualmente para evaluar el riesgo de intervención de un paciente de cirugía cardíaca.
Aunque siguen siendo un punto de referencia importante para que los hospitales evalúen y mejoren su rendimiento, se derivan de datos a nivel poblacional y, por lo tanto, pueden no predecir con exactitud el riesgo de pacientes específicos con patologías complicadas que requieren evaluaciones preoperatorias personalizadas y cirugías complejas.
Los cirujanos cardiovasculares y especialistas en ciencia de datos del Hospital Mount Sinai, supervisados por el coautor principal Gaurav Pandey, Profesor Asociado de Genética y Ciencias Genómicas del Icahn Mount Sinai, plantearon la hipótesis de que los modelos basados en aprendizaje automático que utilizan datos de HCE de su propia institución podrían ofrecer una solución eficaz.
Así, crearon un riguroso marco de aprendizaje automático a partir de datos de HCE recopilados de forma rutinaria para desarrollar un modelo de predicción del riesgo de mortalidad posquirúrgica personalizado para el paciente y específico para el hospital, incorporando implícitamente información importante sobre la población de pacientes del Mount Sinai, como datos demográficos, factores socioeconómicos y características de salud.
Esto contrasta con los modelos derivados de la población como el STS, que se basan en datos de diversos sistemas sanitarios de distintas partes del país. Para mejorar el rendimiento de esta metodología se utilizó un algoritmo de predicción de código abierto muy eficaz conocido como XGBoost, que construye un conjunto de árboles de decisión centrándose progresivamente en subconjuntos de datos de entrenamiento más difíciles de predecir.
Los investigadores utilizaron XGBoost para modelar 6.392 cirugías cardíacas realizadas en el Hospital Mount Sinai entre 2011 y 2016, incluyendo procedimientos de válvulas cardíacas; injerto de bypass de arteria coronaria; resección, reemplazo o anastomosis aórtica; y cirugías cardíacas reoperatorias, que se ha demostrado que aumentan apreciablemente el riesgo de mortalidad. A continuación, el equipo comparó el rendimiento de su modelo con los modelos STS para los mismos conjuntos de pacientes.
El estudio demostró que el modelo XGBoost superaba a las puntuaciones de riesgo STS en cuanto a mortalidad en todas las categorías de cirugía cardiaca realizadas habitualmente para las que se diseñaron las puntuaciones STS. El rendimiento predictivo del modelo XGBoost en todos los tipos de cirugía también fue elevado, lo que demuestra el potencial del aprendizaje automático y los datos de HCE para crear modelos eficaces específicos de cada institución.
"La predicción precisa de la mortalidad posquirúrgica es fundamental para garantizar los mejores resultados para los pacientes de cirugía cardíaca, y nuestro estudio demuestra que los modelos específicos de la institución pueden ser preferibles al estándar clínico basado en datos poblacionales", subraya el doctor Pandey.
"Igual de importante es que hemos demostrado que es práctico que las instituciones sanitarias desarrollen sus propios modelos predictivos mediante sofisticados algoritmos de aprendizaje automático para sustituir o complementar el modelo establecido de la STS", concluye.
