Un nou model matemàtic desenvolupat a la UAB avalua el risc de morir dels pacients de les UCIs

Un equip de recerca del Departament de Matemàtiques de la UAB liderat per la Dra. Rosario Delgado, en col·laboració amb l’Hospital de Mataró, ha desenvolupat un nou model predictiu d’aprenentatge automàtic per a l’avaluació del risc de morir dels pacients ingressats a la UCI a partir de les seves característiques. La recerca ha estat publicada al darrer número de la revista Artificial Intelligence in Medicine.

Un dels reptes actuals en el marc de la Intel·ligència Artificial és la construcció de models predictius per fer pronòstics mèdics personalitzats, i un dels àmbits on poden ser de gran ajuda és en el de la presa de decisions sobre els pacients ingressats a les Unitats de Cures Intensives (UCIs). Aquest procés és complex i costós, està sotmès a la variabilitat inherent a les opinions dels diferents especialistes, i basat en la seva experiència i instint. Per tant, per millorar la qualitat de l'atenció a les UCIs és important establir protocols fonamentats en dades objectives i en una predicció acurada del risc de mortalitat dels pacients en funció de les seves característiques. En aquesta tasca les eines de l'aprenentatge automàtic poden ser de gran ajuda per als experts mèdics.

Un equip d’investigadors liderat per la Dra. Rosario Delgado, del Departament de Matemàtiques de la UAB, en col·laboració amb el cap de la UCI de l’Hospital de Mataró, el Dr. Juan Carlos Yébenes, professor associat de la UAB, el Sr. Àngel Lavado, de la Unitat de Gestió de la Informació del Consorci Sanitari del Maresme, i el Sr. José David Núñez-González, doctorand del Departament de Matemàtiques de la UAB, ha aplicat eines d'aprenentatge automàtic per a la construcció d'un model predictiu de pronòstic que permet avaluar el risc de mortalitat dels pacients ingressats a la UCI. El model pot ajudar en el procés de presa de decisions del personal sanitari de les UCIs millorant la predicció de mortalitat prematura, fent més eficients les decisions mèdiques sobre pacients d’alt risc.

L'ús d'aquest model representa una clara millora respecte de l'aproximació tradicional, consistent en predir el risc de mortalitat a partir de la puntuació APACHE (Acute Physiology And Chronic Health Evaluation) -un qüestionari àmpliament utilitzat per avaluar l’estat de salut d’una persona en funció de diferents indicadors-, mitjançant un model de regressió logística estimat i validat en grups previs de pacients.

El model predictiu de pronòstic d'aprenentatge automàtic construït pels investigadors consisteix en un conjunt de classificadors Bayesians que es fan servir tot assignant una etiqueta del pronòstic de vida (viu o mort) a cada individu, en funció de les seves característiques demogràfiques, com el sexe i l’edat; l’índex de comorbiditat de Charlson; el seu origen; la causa de l'ingrés; la presència o no de sèpsia; la severitat dintre de les 24 hores de l'ingrés; i també la puntuació del qüestionari APACHE II.

Els investigadors han millorat la predicció del model mitjançant una combinació de les prediccions individuals de cada classificador dissenyada de manera que els errors d’unes prediccions siguin compensats pels encerts d’altres, i tenint en compte el desequilibri que suposa la baixa proporció de pacients que moren a les UCI. El model prediu la causa de la mort d’un pacient amb un risc de mortalitat elevat, així com el destí del pacient si el risc és baix.

Segons la doctora Rosario Delgado, “aquesta metodologia és útil i prometedora, i té una important aplicabilitat clínica des del moment en que pot ajudar els experts a prendre decisions mèdiques sobre els pacients de manera personalitzada, i també les autoritats sanitàries en la gestió del recursos”.