Los investigadores de Duke ayudan a crear un cuadro de mando de aprendizaje automático para las convulsiones que está salvando vidas
Fecha de publicación:DURHAM – Los investigadores de Duke han ayudado a crear un cuadro de mando simple para determinar qué pacientes necesitan más un seguimiento continuo mediante un EEG.
Científicos informáticos de la Universidad de Duke y la Universidad de Harvard se han unido a médicos del Hospital General de Massachusetts y la Universidad de Wisconsin para desarrollar un modelo de aprendizaje automático que puede predecir qué pacientes tienen mayor riesgo de sufrir convulsiones destructivas después de sufrir un derrame cerebral u otra lesión cerebral.
Un sistema de puntos que han desarrollado ayuda a determinar qué pacientes deben recibir una costosa monitorización continua por electroencefalografía (cEEG). Implementado en todo el país, los autores dicen que su modelo podría ayudar a los hospitales a monitorear casi tres veces más pacientes, salvando muchas vidas y $54 millones cada año.
Un artículo que detalla los métodos detrás del enfoque de aprendizaje automático interpretable apareció en línea el 19 de junio en el Journal of Machine Learning Research.
Cuando un aneurisma cerebral provoca una hemorragia cerebral, gran parte del daño no se produce sólo en las primeras horas, sino que se acumula con el tiempo a medida que el paciente experimenta convulsiones. Pero debido a que la condición del paciente no le permite mostrar ningún signo externo de angustia, la única forma de saber que está teniendo convulsiones es mediante un EEG. Sin embargo, monitorear continuamente a un paciente con esta tecnología es costoso y requiere médicos altamente capacitados para interpretar las lecturas.
Aaron Struck, profesor asistente de neurología en la Facultad de Medicina y Salud Pública de la Universidad de Wisconsin, y Brandon Westover, director del Servicio de Monitoreo EEG de Cuidados Críticos del Hospital General de Massachusetts, buscaron optimizar estos recursos limitados. Con la ayuda de colegas del Consorcio de Investigación de Monitoreo EEG de Cuidados Críticos, recopilaron datos sobre docenas de variables de casi 5,500 pacientes y se pusieron manos a la obra.
"Queríamos un sistema de puntos para decidir quién tiene mayor riesgo de sufrir convulsiones", dijo Struck. “Pero cuando probamos enfoques tradicionales para crear uno a partir de los datos, nos quedamos estancados. Fue entonces cuando empezamos a trabajar con el profesor Rudin y el Dr. Ustun”.
Cynthia Rudin, profesora de informática e ingeniería eléctrica e informática en Duke, y su ex estudiante de doctorado, Berk Ustun, que ahora es postdoctorado en Harvard, se especializan en aprendizaje automático interpretable. Si bien la mayoría de los modelos de aprendizaje automático son una “caja negra” demasiado complicada para que la entienda un ser humano, los modelos de aprendizaje automático interpretables se limitan a informar en un lenguaje sencillo.
Rudin y Ustun ya habían creado un algoritmo de aprendizaje automático que produce modelos simples llamados sistemas de puntuación para otras aplicaciones. Es posible que veas ejemplos de sistemas de puntuación en revistas para adolescentes destinados a determinar si la persona que te gusta te corresponde o no. (Un punto si te enviaron mensajes de texto la semana pasada, dos si se sentaron a tu lado en clase). Cualquier combinación que sume más de 10 puntos significa que estás destinado a los fuegos artificiales.
Excepto que los sistemas de puntuación de Rudin y Ustun se basan en una sofisticada combinación de técnicas de optimización llamadas "planos de corte" y "ramificación y unión".
Por ejemplo, supongamos que está buscando el punto inferior de un gráfico en forma de cuenco. Un método tradicional de plano de corte utiliza líneas tangenciales para elegir puntos que rápidamente se asientan en su parte inferior, como un snowboarder que pierde impulso en un half-pipe. Pero si se pide a este método que encuentre el punto más bajo que también sea un número entero (lo que probablemente no sea la respuesta sin restricciones), podría continuar indefinidamente su búsqueda entre el gran número de respuestas casi aceptables.
Para evitar este problema, Rudin y Ustun combinaron la optimización del plano de corte con otra llamada rama y límite, que recorta gran parte de la búsqueda. Luego, todo el proceso se repite hasta que se produce una respuesta óptima e interpretable.
Su método ya había demostrado ser exitoso al crear pruebas de detección para la apnea del sueño, la enfermedad de Alzheimer y el TDAH en adultos. Rudin y Ustun simplemente tuvieron que reajustarlo a los datos del cEEG.
"Esta herramienta de aprendizaje automático tomó datos de convulsiones de miles de pacientes y produjo un modelo llamado 2HELPS2B", dijo Rudin. “Y lo mejor de este modelo es que los médicos pueden memorizarlo con solo saber su nombre. Parece algo que a los médicos se les ocurriría por sí solos, pero es un modelo de aprendizaje automático completo basado en datos y estadísticas”.
Los médicos pueden memorizar el sistema 2HELPS2B que se muestra aquí para estimar la probabilidad de que un paciente sufra una convulsión.
El modelo hace que los médicos otorguen puntos a los pacientes según los patrones y picos encontrados en sus cEEG. Con un recuento máximo de siete, el resultado proporciona una estimación de la probabilidad de que el paciente sufra una convulsión en cada intervalo de puntos, que va desde menos del cinco por ciento hasta más del 95 por ciento.
Los investigadores probaron el modelo con un nuevo conjunto de 2.000 casos y descubrieron que funcionaba bien. Firmemente confiado en sus capacidades, el modelo 2HELPS2B se puso en servicio en la Universidad de Wisconsin y en el Hospital General de Massachusetts, permitiendo a los médicos utilizar cEEG sólo donde más era necesario.
Después de un año de uso, el modelo resultó en una reducción del 63,6 por ciento en la duración de la monitorización cEEG por paciente, lo que permitió monitorear casi tres veces más pacientes y generó un ahorro de costos combinado de $6,1 millones.
El modelo se utiliza ahora en cuatro hospitales más. Si todos los hospitales del país lo adoptaran, los investigadores calculan que podrían ahorrar en conjunto $54 millones cada año.
"Pero más que el ahorro de costos, el modelo 2HELPS2B nos ayuda a monitorear a las personas cuyas convulsiones pasarían desapercibidas y no serían tratadas", dijo Westover. "Y eso es salvar vidas y salvar cerebros".