Ir al contenido

Investigadores de la Universidad Emory usan Google Cloud para predecir la septicemia en pacientes de cuidados intensivos

Al combinar datos clínicos, aprendizaje automático y la infraestructura escalable de Google Cloud, el motor de predicción de septicemia de la Universidad Emory utiliza estadísticas en tiempo real en un esfuerzo por brindar una mejor atención a los pacientes en riesgo y, al mismo tiempo, controlar los costos médicos.

La septicemia, una respuesta autoinmune a la infección, es una de las afecciones más letales y costosas que se tratan en los hospitales de EE.UU., y afecta a aproximadamente 750,000 estadounidenses cada año. La detección temprana y la prevención podrían salvar innumerables vidas y permitir un impresionante ahorro de dinero y recursos. Sin embargo, no hay una forma confiable de diagnosticar la septicemia con rapidez. El Dr. Shamim Nemati y el Dr. Ashish Sharma del Departamento de Informática Biomédica de la Facultad de Medicina de la Universidad Emory adoptarán un enfoque innovador para este desafío: usar historias clínicas electrónicas anonimizadas que se recopilarán de 30,000 pacientes de las unidades de cuidados intensivos (UCI) de Emory. El Dr. Nemati creó un motor de IA para analizar 65 variables relevantes, que incluyen signos vitales, datos demográficos de pacientes y resultados de laboratorio. Al monitorear continuamente la secuencia de datos de un paciente a intervalos de cinco minutos, el motor de predicción de septicemia genera una puntuación compuesta en tiempo real, que predice la probabilidad de desarrollar septicemia y muestra sus resultados en un panel para que los evalúen los médicos. Como la detección temprana es clave, los médicos pueden ver la puntuación y su base teórica cuando el tratamiento con antibióticos es más efectivo.

"Al convertir nuestro algoritmo de predicción de septicemia basado en TensorFlow en una app y ejecutarla en Google App Engine, pudimos abstraernos por completo de los requisitos de infraestructura para ejecutar y escalar la implementación y, en su lugar, centrarnos exclusivamente en mejorar nuestro algoritmo".

Shamim Nemati, Profesor adjunto, Departamento de Informática Biomédica, Universidad Emory

Una solución para cuidados intensivos

El motor tiene tres componentes cruciales: los conjuntos de datos entrantes y almacenados, el algoritmo de IA que analiza los datos y una interfaz de usuario frontend para los médicos. La entrada de datos y el almacenamiento son particularmente complejos: decenas de megabytes de datos de alta resolución (como la presión arterial y la frecuencia respiratoria de cada paciente) deben tener marca de tiempo, mantenerse seguros y en privado, y procesarse instantáneamente para mostrar resultados oportunos en condiciones de alto riesgo. Luego, el motor genera una puntuación de riesgo de septicemia compuesta que se muestra en un panel diseñado para que los médicos lo lean fácilmente de un vistazo. Un sistema de alarma notifica a los médicos cuando algún paciente alcanza un umbral de probabilidad de septicemia, lo que facilita que los atareados cuidadores respondan rápidamente.

El Dr. Sharma diseñó el motor en Google Cloud mediante un conjunto integrado de herramientas de código abierto y Google Cloud, como TensorFlow y una serie de microservicios en contenedores, que se plasmaron en un procesamiento fluido y casi instantáneo de entrada de datos, análisis predictivo y resultados en la interfaz frontend (todo en tiempo real). Al crear una base de datos basada en Fast Healthcare Interoperability Resources (FHIR) en Google Cloud, Nemati y Sharma garantizan que el motor pueda escalarse y, además, interoperar entre instituciones en una plataforma confiable, segura y privada que también se integra con otros proyectos de tecnologías en la nube, como los dispositivos de monitoreo wearable que ya están en uso en los hospitales de Emory.

Escalamiento a través de Google Cloud

Hasta ahora, Nemati, Sharma y su equipo de Emory se asociaron con Emory eICU Center para validar el motor en datos alojados en servidores locales, probando diferentes períodos antes de lograr un impresionante 85% de exactitud en la predicción de septicemia de cuatro a seis horas antes del comienzo. Para implementar el programa en otros sitios, recurrieron a App Engine. "Al convertir nuestro algoritmo de predicción de septicemia basado en TensorFlow en una app y ejecutarla en Google App Engine, pudimos abstraernos por completo de los requisitos de infraestructura para ejecutar y escalar la implementación y, en su lugar, centrarnos exclusivamente en mejorar nuestro algoritmo", afirma Nemati.

Ahora que saben que el motor funciona, planean probarlo con más usuarios, tanto pacientes como médicos. También llevarán el algoritmo a Google Cloud Machine Learning Engine y TPU para aumentar el rendimiento y la escalabilidad, y para incorporar encriptación de extremo a extremo a fin de minimizar la posible exposición de datos de los pacientes. Mediante un amplio estudio distribuido en Google Cloud, pueden hacer una nueva serie de preguntas: ¿cuál es el período ideal para hacer predicciones exactas o para optimizar los tratamientos?, ¿el motor ayudará a los médicos a atender mejor a sus pacientes?, ¿cómo afecta una puntuación de riesgo al tratamiento en diferentes hospitales con sus propias culturas y flujos de trabajo?

A fin de cuentas, lo más importante es mejorar los resultados médicos en pacientes reales que están en la UCI, y Sharma es consciente de eso. "La razón por la que este algoritmo resulta tan fantástico es que proporciona datos dentro del margen de acción en que los médicos pueden hacer intervenciones significativas en un paciente. Además, el algoritmo abre una caja negra de aprendizaje profundo y le informa al médico por qué piensa que el paciente está en riesgo". Nemati está de acuerdo: "Un artículo del NEJM de 2017 demostró que por cada hora de retraso en el tratamiento de la septicemia, el riesgo de muerte de un paciente aumenta un 4 por ciento. Entonces, ¿qué porcentaje de vidas podríamos salvar si pudiéramos detectar la septicemia de este modo y administrarles antibióticos a los pacientes a tiempo? Aún no lo sabemos, pero es lo que estamos probando actualmente en Emory. Además, tenemos que demostrar que esto se puede generalizar a otros ámbitos".

“La razón por la que este algoritmo resulta tan fantástico es que proporciona datos dentro del margen de acción en que los médicos pueden tomar medidas significativas para el paciente".

Ashish Sharma, Profesor adjunto, Departamento de Informática Biomédica, Universidad Emory

Regístrate aquí para recibir novedades, información importante, recursos y mucho más.