Cómo el aprendizaje automático nos ayuda a predecir las enfermedades cardíacas y la diabetes

Foto de Matthew Payne

Mientras se prolonga el debate sobre la legislación, los reglamentos y otras medidas para mejorar el sistema de salud de los EE. UU., una nueva ola de análisis y tecnología podría ayudar a reducir drásticamente las costosas e innecesarias hospitalizaciones y, al mismo tiempo, mejorar los resultados de los pacientes. Por ejemplo, si se previenen las hospitalizaciones en casos de solo dos enfermedades crónicas generalizadas, las enfermedades cardíacas y la diabetes, los Estados Unidos podrían ahorrar miles de millones de dólares al año.

Con este fin, mis colegas y yo del Centro de Ingeniería de Información y Sistemas de la Universidad de Boston nos hemos esforzado por llevar la potencia de los algoritmos de aprendizaje automático a este problema crítico. En un esfuerzo continuo con los hospitales del área de Boston, incluidos el Centro Médico de Boston y el Brigham and Women’s Hospital, nosotros encontrado que podríamos predecir las hospitalizaciones por estas dos enfermedades crónicas con aproximadamente un año de antelación con una tasa de precisión de hasta el 82%. Esto dará a los proveedores de atención la oportunidad de intervenir mucho antes y evitar las hospitalizaciones. Nuestro equipo también trabaja con el Departamento de Cirugía del Centro Médico de Boston y puede predecir los reingresos a los 30 días de la cirugía general; la esperanza es guiar los cuidados posoperatorios para prevenirlos.

Los hospitales proporcionan los historiales médicos electrónicos (EHR) anónimos de los pacientes que contienen toda la información que el hospital tiene sobre cada paciente, incluidos los datos demográficos, los diagnósticos, los ingresos, los procedimientos, los signos vitales observados en las visitas al médico, los medicamentos recetados y los resultados de laboratorio. Luego utilizamos nuestros algoritmos para predecir quién podría tener que ser hospitalizado. Esto da al hospital la oportunidad de intervenir, tratar la enfermedad de forma más agresiva de forma ambulatoria y evitar una costosa hospitalización, al tiempo que mejora el estado del paciente.

Centro Insight

• La vanguardia de la atención médica

  Patrocinado por Optum

  Cómo los proveedores más innovadores crean valor.

Los índices de precisión de estas predicciones superan lo que es posible con sistemas de puntuación de riesgo bien aceptados, como el que surgió del famoso Estudio cardíaco de Framingham, el estudio de cohorte cardiovascular a largo plazo en curso que ahora forma parte de su tercera generación de participantes. Mediante ese sistema, el médico evalúa la edad, el colesterol, el peso, la presión arterial y varios otros factores del paciente para determinar las probabilidades de que la persona desarrolle una enfermedad cardiovascular en los próximos 10 años. Con la puntuación de riesgo cardiovascular a 10 años del estudio de Framingham, se pueden predecir las hospitalizaciones con una precisión de alrededor del 56%, una tasa sustancialmente inferior a la tasa del 82% que alcanzamos.

De hecho, descubrimos que incluir los factores utilizados en la puntuación de riesgo a 10 años de Framingham en métodos de aprendizaje automático más sofisticados todavía arroja resultados inferiores a los nuestros (una tasa de precisión de alrededor del 69%). Esto sugiere que utilizar la totalidad del EHR del paciente (que puede contener hasta 200 factores) en lugar de solo unos pocos factores clave conduce a resultados de predicción superiores. Es más, un enfoque algorítmico se puede escalar fácilmente para que se pueda aplicar a un número muy grande de pacientes, algo que solo es imposible con los monitores humanos.

Los posibles beneficios de la aplicación de la analítica del aprendizaje automático en el cuidado de la salud son enormes. Basado en un estudio sobre un año de ingresos hospitalarios, el Agencia de los Estados Unidos para la Investigación y la Calidad de la Salud (AHRQ) estimado que 4,4 millones de esas entradas en los Estados Unidos, con un coste total de 30 800 millones de dólares, podrían haberse evitado. De esos 30 800 millones de dólares, 9 000 millones se destinaron a pacientes con enfermedades cardíacas y 5 800 millones a pacientes con complicaciones a causa de la diabetes. Esa es la mitad de todas las hospitalizaciones innecesarias.

Solo el 5% de los 70 millones de beneficiarios de Medicaid representan el 54% de los gastos anuales de Medicaid, es decir, más de 500 000 millones de dólares, y el 1% representa el 25% del total. De este 1%, el 83% tiene al menos tres enfermedades crónicas. Los enfoques como el nuestro podrían reducir su uso de los servicios hospitalarios y ahorrar a Medicaid una gran cantidad de dinero.

Las reformas estadounidenses en curso en la atención médica que vinculan los pagos con los resultados están obligando a los hospitales a asumir más riesgos financieros. En respuesta, los hospitales convierten cada vez más la analítica y las nuevas tecnologías en una parte integral de las operaciones hospitalarias. Los análisis empresariales, muy utilizados en la industria del transporte por las compañías aéreas y las compañías navieras, están empezando a emplearse para programar los quirófanos y la dotación de personal. Se están desarrollando otros algoritmos para ayudar a los médicos a hacer los diagnósticos. Mi equipo ha desarrollado métodos para ajustar automáticamente la dosis de los medicamentos en las unidades de cuidados intensivos en respuesta al estado del paciente.

Estos avances son solo la punta del iceberg. Estamos a punto de introducir cambios importantes en la supervisión y la atención de la salud. Google y otras empresas con mucha experiencia en la recopilación de datos y el aprendizaje de ellos parecen dispuestas a entrar en esto dominio. Un sinfín de tecnologías, desde dispositivos médicos implantables (como desfibriladores y marcapasos) hasta rastreadores de ajustes, relojes inteligentes y teléfonos inteligentes, ya capturan nuestros datos de salud y nuestras elecciones de estilo de vida. Nuestras tarjetas de crédito y sistemas de pago electrónico conocen nuestro historial de compras y el tipo de alimentos que consumimos. El resultado es la aparición de un rico historial médico personal que llevamos en los bolsillos.

Si ahora podemos predecir las hospitalizaciones futuras con una precisión superior al 80% utilizando únicamente el historial médico, imagine lo que es posible si podemos aprovechar este tesoro de datos personales. Los sistemas de recomendación podrían utilizarse para empujarnos a adoptar hábitos y comportamientos alimenticios más saludables. Podría hacerse realidad el santo grial de evitar la aparición de condiciones manteniendo a las personas sanas.

Sí, la analítica y la monitorización personalizada de la medicina y la salud basada en datos presentan riesgos. ¿Queremos que nuestros empleadores y las aseguradoras de salud conozcan el estado de nuestra salud y los riesgos a los que nos enfrentamos? La privacidad, la seguridad y la fiabilidad de los nuevos sistemas y métodos también son preocupaciones fundamentales. Pero en lugar de retirarnos de esta nueva era, deberíamos trabajar en cómo reforzar nuestros métodos, instituciones, leyes y marco regulador para evitar esas consecuencias no deseadas. Los algoritmos (la base de los métodos de cifrado, el procesamiento de datos que preserva la privacidad y los sistemas de detección de intrusiones y fraudes) podrían ayudar.