Ícono del sitio La Neta Neta

Google y USCF colaboran en una herramienta de aprendizaje automático para ayudar a prevenir errores de prescripción dañinos

Google y USCF colaboran en una herramienta de aprendizaje automático para ayudar a prevenir errores de prescripción dañinos

Los expertos en aprendizaje automático que trabajan en Google Health han publicó un nuevo estudio en conjunto con el departamento de ciencias de la salud computacional de la Universidad de California en San Francisco (UCSF) que describe un modelo de aprendizaje automático que construyeron los investigadores que puede anticipar los patrones normales de prescripción de medicamentos de los médicos, utilizando los registros de salud electrónicos (EHR) de un paciente como entrada. Eso es útil porque alrededor del 2% de los pacientes que terminan hospitalizados se ven afectados por errores prevenibles en la prescripción de medicamentos, algunos de los cuales pueden incluso causar la muerte.

Los investigadores describen que el sistema funciona de manera similar a las herramientas automatizadas de detección de fraudes basadas en el aprendizaje automático que suelen utilizar las compañías de tarjetas de crédito para alertar a los clientes de posibles transacciones fraudulentas: esencialmente construyen una línea de base de lo que es el comportamiento normal del consumidor en función del pasado. transacciones, y luego alertar al departamento de fraude de su banco o congelar el acceso cuando detectan un comportamiento que no está en línea con el comportamiento de referencia de un individuo.

De manera similar, el modelo entrenado por Google y UCSF funcionó al identificar cualquier receta que “pareciera anormal para el paciente y su situación actual”. Esa es una propuesta mucho más desafiante en el caso de los medicamentos recetados versus la actividad del consumidor, porque los cursos de medicación, sus interacciones entre sí y las necesidades, sensibilidades y condiciones específicas de cualquier paciente presentan una red increíblemente compleja para desenredar.

Para hacerlo posible, los investigadores utilizaron registros de salud electrónicos de pacientes no identificados que incluyen signos vitales, resultados de laboratorio, medicamentos y procedimientos médicos previos, así como diagnósticos y cambios a lo largo del tiempo. Combinaron estos datos históricos con la información del estado actual y propusieron varios modelos para intentar generar una predicción precisa de un curso de prescripción para un paciente determinado.

Su modelo de mejor rendimiento fue preciso “tres cuartas partes del tiempo”, dice Google, lo que significa que coincidió con lo que un médico realmente decidió recetar en la gran mayoría de los casos. También fue incluso más preciso (93 %) en cuanto a la predicción de al menos un medicamento que estaría dentro de una lista de los 10 principales de las opciones de medicamentos más probables de un médico para un paciente, incluso si su elección principal no coincidía con la del médico.

Los investigadores se apresuraron a señalar que, aunque el modelo hasta ahora ha sido bastante preciso en la predicción de un curso normal de prescripción, eso no significa que sea capaz de detectar con éxito las desviaciones con un alto grado de precisión. Aún así, es un buen primer paso sobre el cual construir ese tipo de sistema de alerta.


Source link
Salir de la versión móvil