Desarrollo de herramientas de Machine Learning para predecir el Fracaso Renal Agudo (Parte 1)

Adelantarse a los eventos adversos

La tecnología cada vez avanza más rápido y más extensa, incorporándose en distintas profesiones, especialidades y facetas de la vida humana. Uno de los campos de moda en esta época es la inteligencia artificial y el aprendizaje de máquinas (conocido como Machine Learning, en inglés), que cada día nos trae nuevas noticias e implementaciones de estas técnicas en varios entornos de la vida cotidiana, y la medicina no está fuera de su alcance.

Investigadores de DeepMind, compañía especializada en el desarrollo de Inteligencia Artificial perteneciente a Alphabet Inc. (casa matriz de Google), junto con el Departamento de Asuntos de Veteranos de Estado Unidos (DAV) han publicado recientemente en la revista Nature el desarrollo de una herramienta de aprendizaje de máquina que permite predecir, hasta con 48 horas de antelación, la aparición de Fracaso Renal Agudo (FRA) como complicación médica durante un ingreso hospitalario.

Este estudio retrospectivo fue realizado gracias a la base de datos del DAV, una de las mayores bases de datos médicos de Estados Unidos. Se recogieron en total datos de 703,782 pacientes que luego fueron aleatorizados en distintos grupos para el entrenamiento, calibración, validación y prueba del algoritmo. Según el artículo, el modelo computacional predijo el 55,8% de todos los episodios de FRA y el 90,2% de todos los episodios de FRA que requirieron la administración de diálisis, con una antelación de hasta 48 horas y una relación de 2 falsas alertas por cada alerta verdadera.

Este modelo, además, proveía la información clínica que había considerado como relevante para la generación de la alerta, y predecía los resultados futuros de distintas pruebas de laboratorio, lo que permitiría a los médicos entender la razón de la alerta y las posibles acciones a llevar a cabo para evitar el deterioro de los pacientes.

Todavía quedan cosas que mejorar

Los resultados globales son bastantes buenos; en general, mejores que los reportados con los algoritmos de trabajo estándar y otros protocolos de prevención de FRA. Sin embargo, debido a las características de la base de datos y a la población incluida en ella, es difícil estandarizar el uso de este modelo computacional en la población general. Por ejemplo, solo el 6,38% de los pacientes incluidos eran mujeres, lo que produce disminución del rendimiento del modelo computacional en este y otros grupos demográficos y étnicos subrepresentados.

Pr lo que el siguiente paso es el ajuste de este modelo, incorporando bases de datos con mayor representación de distintos grupos demográficos y étnicos y la posterior validación de estos resultados en estudios prospectivos, lo que permitiría obtener suficiente evidencia para argumentar a favor de la introducción de estos modelos en la práctica clínica habitual.

Enlace al artículo aquí

Gustavo A. Useche Bonilla. Residente de 4º año.

Dra. Ana Oltra. Coordinadora del blog.

Servicio de Nefrología. CHGUV