Mejorar la predicción y reducir los falsos postivos son dos de las prioridades en la detección de sepsis, y precisamente los objetivos del proyecto Bisepro, que busca crear un sistema inteligente de alertas médicas para detectar precozmente una de las enfermedades con mayor tasa de mortalidad.
El Instituto de Ingeniería del Conocimiento (IIC) y el Hospital Universitario Son Llàtzer trabajan conjuntamente para conseguir avances en este campo, apoyados por la empresa farmacéutica MSD e IdISBa. Algunos de los resultados de este proyecto se ven reflejados en dos recientes publicaciones, que exponen las ventajas de los modelos predictivos basados en Machine Learning y Procesamiento del Lenguaje Natural (PLN) frente a los modelos tradicionales de detección de sepsis.
Marcio Borges, jefe de la Unidad de Sepsis del Hospital Universitario Son Llàtzer y director de Código Sepsis en España, fue el encargado de presentar estos avances en el 32º Congreso anual de la European Society of Intensive Care Medicine (ESICM), que tuvo lugar en Berlín.
Machine Learning y PLN para la detección de sepsis
Vistos los resultados de recientes estudios en cuanto a la mejora en la detección de sepsis con técnicas de Inteligencia Artificial, se trabajó en un modelo predictivo basado en esta tecnología en el Hospital Son Llàtzer de Palma de Mallorca.
La publicación “Detection of sepsis and sepsis shock in hospitalized adult patients using Artificial Intelligence (AI) and Machine Learning (ML) techniques” resume el proyecto en el que se crearon diferentes modelos de predicción a partir del histórico de casos clínicos del hospital.
Teniendo en cuenta más de 800.000 informes clínicos de pacientes con y sin sepsis, se extrajeron casi 4.000 variables que podían tener que ver con la enfermedad. Finalmente se seleccionaron 244 variables relevantes que componen el modelo Bisepro, el más preciso, tras evaluar diferentes combinaciones de modelos.
Comparativa de modelos predictivos de sepsis
La publicación “A comparison between predictive sepsis models: an automated algorithm in Electronic Health Report versus Artificial Intelligence (AI) and Machine Learning (ML) techniques” se centra en la reducción de falsos positivos de sepsis utilizando los modelos predictivos comentados.
En concreto, se comparó uno de los modelos automáticos utilizados tradicionalmente en el Hospital Universitario Son Llàtzer para detectar la enfermedad con los creados a partir de Machine Learning y PLN, entre ellos Bisepro.
Entre las alertas del modelo automático, se identificó un 62% de falsos positivos y un 12% de falsos negativos, mientras que entre los casos detectados por Bisepro, se identificó un 11,2% de falsos positivos y un 0,9% de falsos negativos.
Tras el estudio, se determinó que los modelos predictivos basados en Machine Learning eran significativamente mejores que los modelos automáticos tradicionales, reduciendo los falsos positivos en más de un 50%.
Ambas publicaciones están firmadas por los profesionales del Hospital Universitario Son Llàtzer implicados en el proyecto, además de Julia Díaz, directora del área de Health and Energy Predictive Analytics en el IIC, y Cristina Pruenza, data scientist en la misma área.
El Congreso de ESICM cuenta cada año con más de 6.000 profesionales médicos de 97 países diferentes y 300 ponentes internacionales de diferentes especialidades. El congreso ofrece debates y master classes en los que se abordan pruebas con las últimas tecnologías y avances científicos.
