Los investigadores combinan la IA con datos para mejorar la atención y los resultados del paciente

Los investigadores combinan la IA con datos para mejorar la atención y los resultados del paciente

Chenyang Lu, profesor Fullgraf de Ciencias de la Computación e Ingeniería en la Universidad de Washington en la Escuela de Ingeniería St. Louis McKelvey, combina inteligencia artificial con datos para mejorar la atención y los resultados del paciente.

Pero no sólo se preocupa por los pacientes, sino que también desarrolla tecnología para controlar la salud y el bienestar de los médicos.

El laboratorio de Lu presentó dos artículos en la conferencia ACM SIGKDD de este año sobre descubrimiento de conocimientos y minería de datos, los cuales describen métodos novedosos que su equipo ha desarrollado: con personal de la Facultad de Medicina de la Universidad de Washington -; mejorar los resultados de salud incorporando el aprendizaje profundo a la atención clínica.

Para los cuidadores, Lu abordó el agotamiento y cómo predecirlo incluso antes de que ocurra. Los registros de actividad sobre cómo los médicos interactúan con los registros médicos electrónicos proporcionaron a los investigadores grandes cantidades de datos. Introducieron estos datos en un marco de aprendizaje automático desarrollado por Lu y su equipo; Predicción jerárquica de agotamiento basada en registros de actividad (HiPAL) -; y fue capaz de extrapolar patrones significativos de carga de trabajo y predecir el agotamiento a partir de esos datos de una manera no intrusiva y automatizada.

Cuando se trata de atención al paciente, los médicos en el quirófano recopilan cantidades significativas de datos sobre sus pacientes, tanto durante la atención preoperatoria como durante la cirugía; Datos que Lu y sus colaboradores pensaron que podrían aprovechar con el enfoque de aprendizaje profundo de Lu: el codificador automático variacional clínico (cVAE).

Utilizando algoritmos novedosos desarrollados por el laboratorio de Lu, pudieron predecir quién tendría una cirugía más prolongada y quién tendría más probabilidades de desarrollar delirio después de la cirugía. El modelo pudo convertir cientos de variables clínicas en solo 10, que utilizó para hacer predicciones precisas e interpretables sobre resultados que eran superiores a los métodos actuales.

Obtenga más información sobre los hallazgos del equipo en el sitio web de ingeniería.

Lu y sus colaboradores interdisciplinarios seguirán validando ambos modelos con la esperanza de que ambos lleven el poder de la IA a los entornos hospitalarios.

Fuente:

Universidad de Washington en San Luis

Referencia:

Liu, H., et al. (2022) HiPAL: un marco profundo para la predicción del agotamiento de los médicos mediante registros de actividad en registros médicos electrónicos. KDD '22: Actas de la 28.ª Conferencia ACM SIGKDD sobre descubrimiento de conocimientos y minería de datos. doi.org/10.1145/3534678.3539056.

.