Se trata de una oportunidad inocua para ayudar a pacientes próximos a morir.
Usar inteligencia artificial para predecir cuándo morirán los pacientes suena a argumento de película de ciencia ficción, pero los investigadores de la Universidad de Stanford (EE. UU.) ven este uso de la IA como una oportunidad benigna para ayudar a los médicos y pacientes en esta última etapa.
Y es que muchos médicos a menudo ofrecen estimaciones excesivamente optimistas sobre cuándo morirán sus pacientes y demoran las conversaciones más duras o difíciles. Esa tendencia humana, comprensible por otra parte, puede llevar a que los pacientes reciban tratamientos no deseados, costosos y agresivos en un hospital, en lugar de que se les permita morir pacíficamente con relativa comodidad. La alternativa, que está siendo probada por un equipo de la Universidad de Stanford, usaría la Inteligencia Artificial para ayudar a los médicos a detectar pacientes recién ingresados que podrían beneficiarse de las opciones de cuidados paliativos.
Estudios anteriores han demostrado que la mayoría de las personas preferirían pasar sus últimos días en su casa si fuera posible pero lo cierto es que más de la mitad termina muriendo en un hospital mientras recibe tratamiento médico agresivo, según una investigación citada por los expertos.
Los expertos en cuidados paliativos normalmente esperan que el equipo médico a cargo de un paciente determinado solicite sus servicios pero Stephanie Harman, directora médica fundadora de los Servicios de Cuidados Paliativos de Stanford Health Care, vio la oportunidad de darle la vuelta a esta rutina dando a los médicos de cuidados paliativos la capacidad de identificar y comunicarse proactivamente con los pacientes.
Los algoritmos de la IA del equipo de Stanford se basan en el aprendizaje profundo, la popular técnica de aprendizaje automático que utiliza redes neuronales para filtrar y aprender a partir de grandes cantidades de datos.
Los investigadores entrenaron un algoritmo de aprendizaje profundo en Electronic Health Records de aproximadamente 2 millones de pacientes adultos y niños admitidos en el Hospital de Stanford o en el Hospital de niños Lucile Packard para predecir la mortalidad de un paciente determinado en los siguientes 3-12 meses (menos proporcionaría muy poco tiempo para las preparaciones necesarias en cuidados paliativos).
"Podríamos construir un modelo predictivo utilizando datos operativos recopilados rutinariamente en el entorno de la atención médica, en oposición a un estudio experimental cuidadosamente diseñado. La escala de datos disponibles nos permitió construir un modelo de predicción de mortalidad por todas las causas, en lugar de ser una enfermedad o un factor demográfico específico", explica Anand Avati, coautor del trabajo.
El uso del estudio piloto de un algoritmo para predecir la mortalidad del paciente, que fue aprobado por una junta de revisión institucional, resulta ser menos temerario de lo que uno podría pensar. Desde el punto de vista de la ética y la atención médica, la asistencia del modelo de aprendizaje profundo para ayudar a los médicos humanos a evaluar a los pacientes para recibir cuidados paliativos generalmente brinda grandes beneficios y pocas desventajas.
"Creemos que mantener a un médico al tanto y pensar en esto como 'aprendizaje automático + el médico' es el camino a seguir en lugar de hacer intervenciones médicas a ciegas basadas en algoritmos, que nos pone en un terreno más firme tanto éticamente como a nivel de seguridad ", aclara Kenneth Jung, investigador de la Universidad de Stanford.
El equipo de cuidados paliativos se ocupa principalmente de identificar con precisión a los pacientes que podrían beneficiarse de su atención, en lugar de tener que saber exactamente por qué el algoritmo predice que un paciente determinado podría morir dentro de un año.
"Es por eso que en este caso particular nos sentimos más cómodos con tener un modelo de caja negra. La intervención de cuidados paliativos no está ligada a por qué alguien está enfermando", aclara Jung. Aún así, puede ser útil saber por qué el modelo de aprendizaje profundo hizo sus predicciones con fines de investigación. En este caso, el grupo de Stanford utilizó una técnica común de análisis de errores, llamada análisis de ablación, para proporcionar una idea de la toma de decisiones del modelo de aprendizaje profundo. Su método implicó ajustar el modelo poco a poco a través del ajuste de parámetros individuales para determinar qué impacto tuvieron esos parámetros en las decisiones del modelo.
Al final, el enfoque del modelo de aprendizaje profundo para predecir la muerte está lejos de ser algo siniestro. La mortalidad simplemente resulta ser una medida útil para determinar el mejor momento para que los pacientes reciban una visita del equipo de cuidados paliativos.
"Queremos asegurarnos de que los pacientes más enfermos y sus familias tengan la oportunidad de hablar sobre lo que quieren que suceda antes de que se enfermen gravemente y terminen en la UCI", dice Jung.
No hay comentarios:
Publicar un comentario