Ledys Izquierdo. Miembro AIpocrates
El resultado clínico de los pacientes en estado crítico ha alcanzado mejoras significativas y sin precedentes a medida que han mejorado los estándares de atención. La medicina de cuidados críticos ha visto la llegada de sistemas de monitoreo avanzados y varias estrategias de tratamiento invasivas y no invasivas para brindar una intervención oportuna a los pacientes en estado crítico. Sin embargo, la práctica convencional de cuidados intensivos (UCI), todavía tiene limitaciones para comprender el grado de agudeza que se requiere para atender a los pacientes, manejar la heterogeneidad individual extrema, anticipar el deterioro y proporcionar estrategias de tratamiento temprano antes de la descompensación.
El crecimiento exponencial reciente de la potencia informática y la portabilidad, aumenta el poder de la inteligencia artificial (IA), haciéndola disponible para muchos campos, incluida la medicina de cuidados intensivos, donde los datos son vastos, abundantes y complejos [Yoon JH.,2018]. La idea de IA en UCI, consiste en permitir que las computadoras encuentren patrones en un entorno complejo de datos multidimensionales y de múltiples dominios, con el requisito previo de que dichos patrones no se reconocerían de otra manera.
Los modelos de IA brindan soluciones útiles en la detección, fenotipado, predicción y caracterizado de las condiciones que podrían alterar el curso de las enfermedades críticas. Al tiempo, pueden conducir a decidir con mayor certeza las estrategias de tratamiento óptimas e individualizadas, sobre todo cuando las opciones son múltiples.
Encontrar la causa raíz del deterioro clínico de la lista exhaustiva de diagnósticos diferenciales es un desafío, debido a la característica insidiosa de la progresión temprana de la enfermedad o la presencia de condiciones coexistentes que enmascaran el problema principal. En la figura 1, se puede ver el papel conceptual de la IA, ya que los algoritmos y modelos aplicados permiten la detección y la predicción anticipada, favoreciendo la atención oportuna, eficiente, efectiva y pertinente de los pacientes en estado crítico (punto indicado en línea verde), esto frente a los estadios tardíos de las estrategias convencionales (punto indicado en línea de puntos amarilla).
Figura 1. Papel conceptual del análisis predictivo en la progresión de las enfermedades basados en IA. Modificado Annual Update in Intensive Care and Emergency Medicine 2022
Los desafíos en el desarrollo e implementación de soluciones de IA son varios. En primer lugar, la generalización de la información es difícil sin una base de datos adecuada, que además incluya la desidentificación y la estandarización. En segundo lugar, los modelos de IA no son robustos; tienen un rendimiento subóptimo de los estándares de informes, tienen un alto riesgo de sesgo, falta de reproducibilidad, y en muchos casos, no tienen validación externa adecuada con datos abiertos y en su arquitectura de modelo transparente. En tercer lugar, con la naturaleza de la oscuridad y el enfoque probabilístico, los modelos de IA podrían conducir a dilemas éticos imprevistos. A pesar de la gran variedad de obstáculos y con un entendimiento ciertamente rudimentario de la IA, las investigaciones van en aumento y se construyen modelos que, aun cuando no son todavía un componente central de la práctica clínica diaria, se aprovechan profundizando la búsqueda de patrones de enfermedades ocultos entre conjuntos de datos clínicos extremadamente heterogéneos y propensos al ruido.
La implementación exitosa de la IA en la práctica clínica del futuro, requiere esfuerzos de investigación colaborativos con planes para la estandarización y el intercambio de datos, el desarrollo de modelos avanzados para determinar la seguridad de los datos, la aplicación en tiempo real y el control de calidad. Ver Figura 2.
En casos complejos como la sepsis, donde las soluciones únicas no funcionan bien, la investigación no ha logrado mejorar el resultado del shock séptico con diferentes pautas de tratamiento [Rivers E 2001, Rowan KM 2017]. La IA podría abordar, al menos parcialmente, la heterogeneidad extrema del shock séptico, las diversas afecciones subyacentes y las diferentes respuestas del huésped, para brindar soluciones individualizadas mediante el aprendizaje por refuerzo (reinforcement learning). El algoritmo en el aprendizaje por refuerzo está diseñado para detectar numerosas variables en un estado dado y construir un modelo de acción, que luego aprende de la recompensa o penalización de los resultados de dicha acción. Al aplicar esto a la población afectada, el aprendizaje por refuerzo podría proporcionar soluciones óptimas para toma de decisiones secuenciales en tratamientos de sepsis, mostrando el impacto potencial de la IA para generar respuestas personalizadas [Komorowski M., 2018].
Figura 2. Ecosisitema UCI. L. Pino-L. Izquierdo
Otro tópico de aplicación es el uso de señales de signos vitales con fines predictivos en contraposición a las señales que reconocen simplemente el estado clínico de un paciente. Las señales fisiológicas tienen limitaciones porque suelen ser confusas, con alta heterogeneidad, se pueden interpretar en número, frecuencias, características de las ondas, artefactos, poseen una amplitud entre lo que se observa y lo que se puede interpretar, son datos no etiquetados, su interpretación suele ser estadística. La IA y los modelos de aprendizaje de Máquinas, a través del análisis de series de tiempo, análisis supervisado y no supervisado, buscan datos ocultos en las señales fisiológicas de signos vitales, para lograr una transición en el análisis, ofreciendo un valor agregado, la predicción, que no es otra cosa que la búsqueda de un modelo que se pueda usar como guía de rutina diaria.
La mayor parte de los estudios que se encuentran en el ámbito de los pacientes confinados en las UCI, aún no muestran resultados satisfactorios que permitan predecir el deterioro clínico y que tomen en consideración factores como la heterogeneidad entre las diferentes patologías con que ingresan los pacientes y los signos vitales entre los diferentes grupos etarios [Seidel., 2019]. Además, los estudios realizados con señales de signos vitales en su gran mayoría no han podido ser llevados a la práctica clínica en tiempo real, sumado a que no todos los algoritmos que se encuentran en la literatura han sido suficientemente informados, no están disponibles como modelos para probarse o usarse como punto de partida y se encuentran solo como resultados de situaciones teóricas [Izquierdo.,2020].
Estos ejemplos demuestran el papel que la IA puede tener para guiar la toma de decisiones importantes para pacientes en estado crítico. El diseño futuro de la UCI debe adoptar las funcionalidades de las soluciones de IA para permitir que los médicos reaccionen antes frente a los deterioros potenciales, la investigación deberá ser profunda para que especialistas e investigadores construyan modelos que funcionen mejor utilizando datos más completos, disponibles, altamente precisos y confiables para los médicos de cabecera.
Referencias
Annual Update in Intensive Care and Emergency Medicine 2022, Springer Nature Switzerland AG 2022 353 J.-L. Vincent (ed.), https://doi.org/10.1007/978-3-030-93433-0_27
Yoon JH, Pinsky MR. Predicting adverse hemodynamic events in critically ill patients. Curr Opin Crit Care. 2018;24:196–203.
Rivers E, Nguyen B, Havstad S, et al. Early goal-directed therapy in the treatment of severe sepsis and septic shock. N Engl J Med. 2001;345:1368–77.
Rowan KM, Angus DC, Bailey M, et al. Early, goal-directed therapy for septic shock a patient-level meta-analysis. N Engl J Med. 2017;376:2223–34.
Komorowski M, Celi LA, Badawi O, Gordon AC, Faisal AA. The artificial intelligence clinician learns optimal treatment strategies for sepsis in intensive care. Nat Med. 2018; 24:1716–20.
Seidel, G., Murthy, S., Peters, C., Rostalski, P., Görges, M. (2019). Feasibility of Automated Vital Sign Instability Detection in Children Admitted to the Pediatric Intensive Care Unit. 2019 Computing in Cardiology Conference (CinC), 45, 2019–,2022. https://doi.org/10.22489/cinc.2019.111
Izquierdo, L. M., Nino, L. F., Prieto Rojas, J. (2020). Modeling the vital sign space to detect the deterioration of patients in a pediatric intensive care unit. November, 31.https://doi.org/10.1117/12.2579629
aipocrates.org 