Investigadores del MIT y de otras instituciones han desarrollado un modelo de aprendizaje automático que podría utilizarse para identificar tratamientos médicos con un riesgo mayor que otras opciones.
Su modelo también puede advertir a los médicos cuando un paciente con sepsis se acerca a un callejón sin salida médico: el punto en el que el paciente morirá con mayor probabilidad, independientemente del tratamiento que se utilice.
Los investigadores afirman que su modelo se adelanta casi ocho horas al reconocimiento que hace un médico del deterioro de un paciente.
La sepsis causa la muerte de casi 270.000 personas en Estados Unidos cada año. Esta afección médica impredecible puede progresar rápidamente y provocar una caída brusca de la presión arterial, daño tisular, fallo multiorgánico y la muerte.
Las intervenciones oportunas de los profesionales médicos salvan vidas, pero algunos tratamientos contra la sepsis también pueden contribuir al deterioro del paciente, por lo que elegir la terapia óptima puede ser una tarea difícil. Por ejemplo, en las primeras horas de una sepsis grave, administrar demasiado líquido por vía intravenosa puede aumentar el riesgo de muerte del paciente.
Para ayudar a los clínicos a evitar remedios que podrían contribuir a la muerte de un paciente, investigadores del MIT y de otras instituciones han desarrollado un modelo de aprendizaje automático que podría utilizarse para identificar tratamientos con un riesgo mayor que otras opciones. Su modelo también puede advertir a los médicos cuando un paciente con sepsis se acerca a un callejón sin salida médico - el punto en el que el paciente morirá con mayor probabilidad, independientemente del tratamiento que se utilice - para que puedan intervenir antes de que sea demasiado tarde.
Al aplicarlo a un conjunto de datos de pacientes con sepsis de una unidad de cuidados intensivos hospitalaria, el modelo de los investigadores indicó que alrededor del 12 % de los tratamientos administrados a pacientes que fallecieron fueron perjudiciales. El estudio también revela que alrededor del 3 % de los pacientes que no sobrevivieron entraron en un callejón sin salida médico hasta 48 horas antes de morir.
«Vemos que nuestro modelo se adelanta casi ocho horas al reconocimiento que hace un médico del deterioro de un paciente. Esto es importante porque en situaciones tan delicadas cada minuto cuenta, y ser conscientes de cómo evoluciona el paciente y del riesgo que supone administrar determinado tratamiento en cada momento es realmente importante», afirma Taylor Killian, estudiante de posgrado del grupo Healthy ML del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL).
Acompañan a Killian en el artículo su asesora, la profesora adjunta Marzyeh Ghassemi, responsable del grupo Healthy ML y autora sénior; el autor principal Mehdi Fatemi, investigador sénior de Microsoft Research; y Jayakumar Subramanian, investigador científico sénior de Adobe India. La investigación se presentará en la Conferencia sobre Sistemas de Procesamiento de Información Neuronal de esta semana.
Escasez de datos
Este proyecto de investigación surgió a raíz de un artículo de 2019 de Fatemi en el que se analizaba el uso del aprendizaje por refuerzo en situaciones en las que resulta demasiado peligroso explorar acciones arbitrarias, lo que dificulta generar datos suficientes para entrenar eficazmente los algoritmos. Estas situaciones, en las que no es posible recopilar más datos de forma proactiva, se conocen como entornos «offline».
En el aprendizaje por refuerzo, el algoritmo se entrena mediante ensayo y error y aprende a realizar acciones que maximizan su acumulación de recompensas. Pero en el ámbito sanitario es casi imposible generar datos suficientes para que estos modelos aprendan el tratamiento óptimo, ya que no es ético experimentar con posibles estrategias terapéuticas.
Así pues, los investigadores dieron la vuelta al aprendizaje por refuerzo. Utilizaron los datos limitados de una UCI hospitalaria para entrenar un modelo de aprendizaje por refuerzo que identifica los tratamientos que deben evitarse, con el objetivo de impedir que un paciente entre en un callejón sin salida médico.
Aprender qué evitar es un enfoque más eficiente desde el punto de vista estadístico, pues requiere menos datos, explica Killian.
«Cuando pensamos en callejones sin salida al conducir un coche, podríamos pensar que es el final de la carretera, pero probablemente se podría clasificar como callejón sin salida cada metro de esa carretera que conduce hacia él. En cuanto te desvías de otra ruta, estás en un callejón sin salida. Así es como definimos un callejón sin salida médico: una vez que has tomado un camino en el que, sea cual sea la decisión que tomes, el paciente avanzará hacia la muerte», afirma Killian.
«Una idea central aquí es reducir la probabilidad de seleccionar cada tratamiento en proporción a su probabilidad de llevar al paciente a un callejón sin salida médico, una propiedad que se denomina seguridad del tratamiento. Es un problema difícil de resolver, ya que los datos no nos proporcionan directamente esta información. Nuestros resultados teóricos nos permitieron replantear esta idea central como un problema de aprendizaje por refuerzo», afirma Fatemi.
Para desarrollar su enfoque, denominado Dead-end Discovery (DeD), crearon dos copias de una red neuronal. La primera red neuronal se centra únicamente en los resultados negativos (cuando un paciente muere), y la segunda solo en los resultados positivos (cuando un paciente sobrevive). El uso de dos redes neuronales por separado permitió a los investigadores detectar un tratamiento arriesgado con una y confirmarlo con la otra.
Introdujeron en cada red neuronal los datos de salud del paciente y un tratamiento propuesto. Las redes generan un valor estimado de ese tratamiento y, además, evalúan la probabilidad de que el paciente entre en un callejón sin salida médico. Los investigadores compararon esas estimaciones con umbrales establecidos para determinar si la situación activa alguna alerta.
Una alerta amarilla indica que un paciente está entrando en una zona de preocupación, mientras que una alerta roja identifica una situación en la que es muy probable que el paciente no se recupere.
El tratamiento importa
Los investigadores probaron su modelo con un conjunto de datos de pacientes presuntamente septicémicos de la unidad de cuidados intensivos del Centro Médico Beth Israel Deaconess. Este conjunto de datos contiene unos 19.300 ingresos, con observaciones tomadas durante un periodo de 72 horas centrado en el momento en que los pacientes manifiestan por primera vez los síntomas de sepsis. Sus resultados confirmaron que algunos pacientes del conjunto de datos llegaron a callejones sin salida médicos.
Los investigadores también comprobaron que entre el 20 y el 40 % de los pacientes que no sobrevivieron activaron al menos una alerta amarilla antes de morir, y muchos activaron dicha alerta al menos 48 horas antes de fallecer. Los resultados también mostraron que, al comparar las tendencias de los pacientes que sobrevivieron con las de los que murieron, una vez que un paciente activa su primera alerta, se produce una desviación muy marcada en el valor de los tratamientos administrados. El periodo de tiempo en torno a la primera alerta es un momento crítico para tomar decisiones sobre el tratamiento.
«Esto nos ayudó a confirmar que el tratamiento importa y que el tratamiento se desvía en función de si los pacientes sobreviven o no. Descubrimos que hasta un 11 % de los tratamientos subóptimos podrían haberse evitado, porque en esos momentos los médicos tenían mejores alternativas disponibles. Es una cifra bastante considerable si se tiene en cuenta el volumen mundial de pacientes con sepsis en el hospital en un momento dado», afirma Killian.
Ghassemi también se apresura a señalar que el modelo está pensado para ayudar a los médicos, no para sustituirlos.
«Queremos que sean los clínicos quienes tomen las decisiones sobre la atención, y los consejos sobre qué tratamiento evitar no van a cambiar eso», afirma. «Podemos reconocer riesgos y añadir barreras de protección pertinentes basándonos en los resultados de 19.000 tratamientos de pacientes; eso equivale a que un único cuidador atienda a más de 50 resultados de pacientes con sepsis cada día durante todo un año».
De cara al futuro, los investigadores también quieren estimar las relaciones causales entre las decisiones de tratamiento y la evolución de la salud de los pacientes. Planean seguir mejorando el modelo para que pueda generar estimaciones de incertidumbre en torno a los valores de los tratamientos, lo que ayudaría a los médicos a tomar decisiones más informadas. Otra forma de validar aún más el modelo sería aplicarlo a datos de otros hospitales, algo que esperan hacer en el futuro.
Esta investigación recibió apoyo parcial de Microsoft Research, de una Cátedra Azrieli de Investigadores Globales del Instituto Canadiense de Investigación Avanzada, de una Cátedra del Consejo de Investigación de Canadá y de una Beca Discovery del Consejo de Investigación en Ciencias Naturales e Ingeniería de Canadá.
