La parada cardiaca intrahospitalaria es un problema de importante gravedad en la salud pública, con implicaciones en la seguridad del paciente.
Aunque los sistemas tradicionales de búsqueda y disparo se utilizan para predecir la parada cardiaca de forma precoz, tienen baja sensibilidad y altas tasas de falsas alarmas. Este estudio propone un sistema de alarma precoz basado en deep learning, que muestra un mejor rendimiento que los sistemas actuales.
Este estudio retrospectivo de cohortes revisó a pacientes ingresados en dos hospitales desde junio de 2010 a julio de 2017. Un total de 52.131 pacientes fueron incluidos. Se entrenó una red neuronal recurrente utilizando los datos desde junio de 2010 a enero de 2017. El resultado fue probado utilizando los datos desde febrero a julio de 2017. El objetivo primario fue parada cardiaca, y el secundario, muerte sin intento de reanimación. Como medidas comparativas se utilizaron el área bajo la curva ROC (AUROC) y el área bajo la curva precision recall (AUPRC). Además de evaluó la sensibilidad según la variación en el número de alarmas. El sistema de deep learning de alerta temprana (AUROC 0,850; AUPRC 0,044) mejoró significativamente el score modificado de alerta temprana (AUROC 0,603; AUPRC: 0,003), al sistema de random forest (AUROC: 0,780; AUPRC: 0,014) y al de regresión logística (AUROC: 0,613; AUPRC: 0,007). Además el sistema de deep learning de alerta temprana redujo el número de alarmas en 82,2%, 13,5% y 42,1% comparado con el score modificado, random forest y la regresión logística, respectivamente y con la misma sensibilidad.
Los autores concluyen que un algoritmo basado en deep learning tiene una mayor sensibilidad y menor tasa de falsas alarmas para la detección de pacientes con parada cardiaca.
Comentario
La parada cardiorrespiratoria intrahospitalaria es un problema de salud pública importante, tanto por la incidencia que presenta, hasta un 80% en pacientes con shock hipovolémico o insuficiencia respiratoria, como por la alta mortalidad que puede llegar a un 20%. La identificación temprana de la parada cardiaca podría permitir estratificar mejor el riesgo y conducir a una mayor monitorización o a actuaciones tempranas para evitarla.
Actualmente se utilizan sistemas basados en varios signos vitales (tensión arterial, frecuencia cardiaca o respiratoria…) agregados para predecir la parada cardiaca y aunque presentan una adecuada sensibilidad aún tienen una alta tasa de falsas alarmas. Así, un sistema ideal de alerta temprana (como cualquier prueba diagnóstica) debería tener una alta sensibilidad junto a una baja tasa de falsas alarmas.
Los sistemas de deep learning permiten analizar grandes cantidades de datos sin realizar asunciones previas y establecer relaciones no obvias entre ellos mediante múltiples análisis en varias capas, jerarquizados, que permiten obtener datos con mayor nivel de abstracción en cada capa de análisis. Grosso modo, analizan cada uno de los datos de cada paciente de forma cruda y comparando cada uno con el resto múltiples veces para obtener algoritmos que vuelven a entrar en el análisis y a reforzarse de nuevo. Es decir, el sistema aprende reiteradamente de cada análisis que realiza y aprende de los fallos del sistema anterior en el que se basa para generar uno nuevo.
Los autores de este estudio utilizan una gran base de datos, con más de 51.000 pacientes hospitalizados durante 7 años, para generar, mediante deep learning un algoritmo de alarma temprana de la parada cardiaca intrahospitalaria. Comparan este nuevo algoritmo con técnicas de análisis tradicionales menos complejas como random-forest o la regresión logística.
Obtuvieron los siguientes resultados más importantes:
- El sistema de alerta temprana basado en deep learning (SADL) presentó una mejor predicción de la parada cardiaca que los otros modelos de predicción (score modificado, random forest y regresión logística).
- El SADL disminuyó significativamente las alertas tempranas comparado con los otros métodos, manteniendo la misma sensibilidad.
Así, este algoritmo permite una mejor atención a los pacientes hospitalizados, previniendo de forma más efectiva, confiable y precoz al personal sanitario de un mayor riesgo de parada cardiaca y poder atender al paciente de forma adecuada para evitarla.
La mejora derivada del deep learning se puede explicar de la siguiente manera. Un sistema tradicional solo tendría en cuenta el peso de una variable aislada, como por ejemplo la frecuencia cardiaca. Una frecuencia cardiaca por encima de los valores establecidos haría saltar la alarma. Sin embargo, este sistema permite analizar este aumento de frecuencia cardiaca en relación con el resto de signos clínicos (o parámetros de los que se disponga) de forma que, por ejemplo, una frecuencia cardiaca elevada coincidente con fiebre pesaría menos en el algoritmo de alerta.
El sistema presenta una gran limitación para su aplicación: ya que los análisis que se realizan hasta llegar al algoritmo definitivo no son conocidos, ni la forma en los que se determinan las relaciones entre parámetros, cuando una alarma suena no se conoce explícitamente la razón exacta de la alerta, impidiendo realizar actuaciones concretas.
Este estudio viene a ser uno de los que se están presentando en los últimos tiempos relacionados con el aprendizaje automático y la inteligencia artificial en medicina. Estas disciplinas revolucionarán nuestra forma de analizar los datos, de interpretarlos y aplicarlos a la práctica clínica. Junto con el big data permitirán un mejor diagnóstico, estratificación de riesgo, personalización de tratamientos y pronóstico, conduciéndonos a una medicina de precisión y personalizada. La evidencia cada vez está más cerca del ojo clínico.
Referencia
An Algorithm Based on Deep Learning for Predicting In‐Hospital Cardiac Arrest
- Joon‐myoung Kwon, Youngnam Lee, Yeha Lee, Seungwoo Lee and Jinsik Park.
- Journal of the American Heart Association. 2018;7:e008678, originally published June 26, 2018.
