Si bien ningún médico, enfermera o farmacéutico quiere cometer un error que perjudique a un paciente, la investigación muestra que el 2% de los pacientes hospitalizados experimentan graves incidentes prevenibles relacionados con medicamentos que pueden poner en peligro la vida, causar daños permanentes o provocar la muerte. Hay muchos factores que contribuyen a los errores médicos, a menudo enraizados en sistemas, herramientas, procesos o condiciones de trabajo deficientes, en lugar de las fallas de los médicos individuales ( informe de la OIM ). Para mitigar estos desafíos, uno puede imaginar un sistema más sofisticado que las alertas de error basadas en reglas actuales proporcionadas en el software estándar de registro electrónico de salud. El sistema identificaría recetas que parecían anormales para el paciente y su situación actual, similar a un sistema que produce advertencias para compras de tarjetas de crédito atípicas en tarjetas robadas. Sin embargo, determinar qué medicamentos son apropiados para un paciente determinado en un momento dado es complejo: los médicos y farmacéuticos entrenan durante años antes de adquirir la habilidad. Con el uso generalizado de registros de salud electrónicos, ahora puede ser factible utilizar estos datos para identificar patrones normales y anormales de recetas.
En un esfuerzo inicial por explorar soluciones a este problema, nos asociamos con el Instituto de Ciencias de la Salud Computacional Bakar de la UCSF para publicar " Predicción de órdenes de medicación para pacientes hospitalizados en datos de registros de salud electrónicos " en Farmacología Clínica y Terapéutica , que evalúa la medida en que el aprendizaje automático podría anticipar la normalidad patrones de prescripción por parte de los médicos, basados en registros médicos electrónicos. De manera similar a nuestro trabajo anterior , utilizamos datos clínicos completos de registros de pacientes no identificados, incluida la secuencia de signos vitales, resultados de laboratorio, medicamentos anteriores, procedimientos, diagnósticos y más. Con base en el estado clínico actual y el historial médico del paciente, nuestro mejor modelo fue capaz de anticipar las decisiones de prescripción reales del médico tres cuartos de las veces.
Entrenamiento modelo
El conjunto de datos utilizado para la capacitación modelo incluyó aproximadamente tres millones de pedidos de medicamentos de más de 100,000 hospitalizaciones. Se utilizaron los datos de historiales médicos electrónicos retrospectivos, que fue desidentificada desplazando al azar fechas y la eliminación de la identificación de partes del expediente, de conformidad con HIPAA, incluyendo nombres, direcciones, datos de contacto, números de registro, nombres de médicos, notas de texto libre, imágenes, y más. Los datos no se unieron ni se combinaron con ningún otro dato. Toda la investigación se realizó utilizando el formato de recursos de interoperabilidad de atención médica rápida (FHIR) de código abierto, que hemos utilizado anteriormente para hacer que los datos de atención médica sean más eficaces para el aprendizaje automático . El conjunto de datos no se limitó a una enfermedad o área terapéutica en particular, lo que hizo que la tarea de aprendizaje automático fuera más desafiante, sino que también ayudó a garantizar que el modelo pudiera identificar una mayor variedad de afecciones; Por ejemplo, los pacientes que sufren de deshidratación requieren medicamentos diferentes que aquellos con lesiones traumáticas.
Evaluamos dos modelos de aprendizaje automático: una red neuronal recurrente de memoria a corto plazo (LSTM) a largo plazo y un modelo logístico regularizado y de tiempo , que se utilizan comúnmente en la investigación clínica. Ambos se compararon con una línea de base simple que clasificó los medicamentos ordenados con mayor frecuencia según el servicio hospitalario de un paciente (por ejemplo, medicina general, cirugía general, obstetricia, cardiología, etc.) y el tiempo transcurrido desde el ingreso. Cada vez que se ordenó un medicamento en los datos retrospectivos, los modelos clasificaron una lista de 990 medicamentos posibles, y evaluamos si los modelos asignaban altas probabilidades a los medicamentos realmente ordenados por los médicos en cada caso.
Como ejemplo de cómo se evaluó el modelo, imagine un paciente que llegó al hospital con signos de infección. El modelo revisó la información registrada en el registro electrónico de salud del paciente (temperatura alta, recuento elevado de glóbulos blancos, frecuencia respiratoria rápida) y calculó la probabilidad de que se receten diferentes medicamentos en esa situación. El rendimiento del modelo se evaluó comparando sus opciones clasificadas con los medicamentos que el médico realmente recetó (en este ejemplo, la solución de antibiótico vancomicina y cloruro de sodio para la rehidratación).
 |
| Según el historial médico de un paciente y las características clínicas actuales, el modelo clasifica los medicamentos que es más probable que recete un médico. |
Nuestro modelo de mejor desempeño fue el modelo LSTM, una clase de modelos particularmente efectivos para manejar datos secuenciales, incluyendo texto e idioma. Estos modelos son capaces de capturar el orden y la antigüedad de los eventos en los datos, lo que los convierte en una buena opción para este problema.
Casi todas (93%) las listas de los 10 principales contenían al menos un medicamento que los médicos ordenarían para el paciente dado al día siguiente. El cincuenta y cinco por ciento de las veces, el modelo colocó correctamente los medicamentos recetados por el médico como uno de los 10 medicamentos más probables, y el 75% de los medicamentos ordenados se clasificaron entre los primeros 25. Incluso para los 'falsos negativos', casos en los que el medicamento ordenado por los médicos no apareció entre los 25 resultados principales, el modelo clasificó altamente un medicamento en la misma clase el 42% del tiempo. Este desempeño no fue explicado por el modelo que simplemente predijo los medicamentos recetados previamente. Incluso cuando cegamos el modelo a las órdenes de medicamentos anteriores, mantuvo un alto rendimiento.
¿Qué significa esto para pacientes y médicos?
Es importante recordar que los modelos entrenados de esta manera reproducen el comportamiento del médico tal como aparece en los datos históricos, y no han aprendido patrones de prescripción óptimos, cómo podrían funcionar estos medicamentos o qué efectos secundarios podrían ocurrir. Sin embargo, aprender "normal" es un punto de partida para detectar órdenes anormales y potencialmente peligrosas. En nuestra próxima fase de investigación, examinaremos en qué circunstancias estos modelos son útiles para encontrar errores de medicación que podrían dañar a los pacientes.
Los resultados de este trabajo exploratorio son los primeros primeros pasos para probar la hipótesis de que el aprendizaje automático se puede aplicar para construir sistemas que eviten errores y ayuden a mantener a los pacientes seguros. Esperamos colaborar con médicos, farmacéuticos, otros médicos y pacientes a medida que continuamos investigando para cuantificar si modelos como este son capaces de detectar errores, manteniendo a los pacientes seguros en el hospital.
Agradecimientos
Nos gustaría agradecer a Atul Butte (UCSF), Claire Cui, Andrew Dai, Michael Howell, Laura Vardoulakis, Yuan (Emily) Xue y Kun Zhang por sus contribuciones al trabajo de investigación descrito en esta publicación. También queremos agradecer a los miembros de nuestro equipo de investigación más amplio que han ayudado en el desarrollo de herramientas analíticas, recopilación de datos, mantenimiento de la infraestructura de investigación, garantía de la calidad de los datos y gestión de proyectos: Gabby Espinosa, Gerardo Flores, Michaela Hardt, Sharat Israni (UCSF), Jeff Love (UCSF), Dana Ludwig (UCSF), Hong Ji, Svetlana Kelman, I-Ching Lee, Mimi Sun, Patrik Sundberg, Chunfeng Wen y Doris Wong.
