Modelos de IA alcanzan un 98,33 % de precisión en UCI

Un equipo de UCI puede necesitar identificar a un paciente de alto riesgo mientras su estado sigue cambiando. En un estudio dirigido por la Universidad Católica Australiana (ACU) y la Universidad Charles Darwin (CDU), un modelo de aprendizaje automático extra trees predijo la mortalidad en UCI con una precisión del 98,33 %; gradient boosting alcanzó el 98,23 %.

Los médicos utilizan habitualmente APACHE, la Evaluación de Fisiología Aguda y Salud Crónica, y SAPS, la Puntuación Simplificada de Fisiología Aguda. El estudio señala que estas herramientas pueden tener dificultades para captar la evolución del estado de los pacientes, requieren tiempo para validarse y necesitan recalibraciones frecuentes. Los sistemas de aprendizaje automático han superado a estas puntuaciones tradicionales, pero su falta de explicabilidad ha ralentizado su adopción.

Los investigadores utilizaron los resultados de extra trees junto con modelos de explicación para identificar los factores que sustentaban las predicciones y compararlos con los conocimientos médicos. La hipertensión, los tumores, las enfermedades endocrinas, digestivas y cardiovasculares aparecieron como factores clave. La autora principal, Niusha Shafiabady, profesora de ACU y directora de su laboratorio Women in AI for Social Good, dirigió el trabajo junto con colegas de la Universidad Charles Darwin, la Universidad Tecnológica Amirkabir de Teherán y otras universidades australianas.

¿Qué cambia esto en la práctica? Si se integran en sistemas clínicos de apoyo a la toma de decisiones, las predicciones explicadas podrían ayudar a los médicos a centrar la atención urgente en los pacientes de alto riesgo, monitorizarlos de forma continua e intervenir antes. Shafiabady afirmó que estas herramientas deberían complementar, no complicar, la atención en primera línea.

El estudio utilizó el conjunto de datos MIMIC-III. Los investigadores señalan que los próximos ensayos deberán realizarse con conjuntos de datos más grandes y en distintos entornos sanitarios, por lo que la precisión comunicada sigue siendo un resultado de investigación basado en ese conjunto de datos.