Con algoritmo de 2 universidades mexicanas, identifican a pacientes vulnerables

Colaboración interinstitucional en la que intervienen investigadores de la UNAM; permite evitar un colapso en el sistema hospitalario

nvestigadores de la UNAM, la Universidad Autónoma Metropolitana (UAM) y el Centro Médico ABC desarrollaron una herramienta de cómputo que ayudará a los profesionales médicos a identificar aquellos pacientes prioritarios para atención médica debido a la COVID-19, y evitar un colapso en el sistema hospitalario, mejorando así la atención de los afectados por la pandemia actual.

Alfred Barry U’Ren Cortés y Roberto de J. León-Montiel, del Instituto de Ciencias Nucleares (ICN) de la UNAM; Mario Alan Quiroz Juárez, de la UAM, colaboran en este trabajo con Armando Torres Gómez e Irma Hoyo Ulloa, del Centro Médico ABC, publicado recientemente en la revista PLOS One, donde precisan que dicha herramienta se trata de un algoritmo inteligente que ha mostrado hasta 93.5 por ciento de eficiencia.

Oportunidad de ayudar

U’Ren Cortés narró que él, como físico, se ha dedicado al estudio de las fuentes de luz no clásica, pero con la pandemia su laboratorio fue cerrado como muchas instalaciones universitarias y, desde casa, con un equipo de colegas vieron en el llamado machine learning (aprendizaje automático) una oportunidad para ayudar a los médicos que enfrentan la COVID-19 en México en tiempo real.

Para el estudio, financiado por el Consejo Nacional de Ciencia y Tecnología, los investigadores usaron la información en línea disponible en los Anuarios Estadísticos de Morbilidad, publicados por la Dirección General de Epidemiología de la Secretaría de Salud, que de marzo de 2020 a enero de 2021 contaba con registros de más de cuatro millones 700 mil pacientes que recibieron atención médica en instituciones públicas y privadas en los 32 estados de la República Mexicana, de los cuales 215 mil 301 correspondían a las muertes y el resto a pacientes recuperados.

La información es colectada por medio de una forma llenada por cada paciente durante el proceso de admisión en la sala de emergencias, clínica, laboratorio u hospital.

U’Ren Cortés explicó este proceso: “Cuando uno utiliza machine learning un ingrediente básico es tener datos de buena calidad y en suficiente volumen. Hay una fase de aprendizaje en la que uno provee conjuntos de características con un resultado asociado, en este caso, si el paciente sobrevivió o falleció. La información ingresa al algoritmo con los datos conocidos en lo que se llama entrenamiento y, después de eso, para un paciente nuevo reconoce los patrones de los casos anteriores y se puede producir una predicción instantánea”.

Para el trabajo, los investigadores incorporaron al algoritmo información de la historia médica, incluyendo si el paciente padece diabetes, enfermedad pulmonar obstructiva crónica o COPD, utiliza inmunosupresores, hipertensión, falla renal crónica, problemas cardiovasculares, obesidad y otros padecimientos crónicos. También se consideraron datos demográficos como el género, estado de nacimiento, lugar de residencia y edad.

A eso se suma la información médica relacionada con el episodio de COVID-19, la designación Unidades de Salud Motoras de Enfermedad Respiratoria (USMER) de algunos sectores médicos, si es atendido en el Instituto Mexicano del Seguro Social, Cruz Roja, etcétera, la entidad federativa donde recibe el tratamiento, los días que pasaron desde que reportó síntomas hasta que inició el tratamiento, si cuenta con una prueba PCR o de antígenos y de ahí se desencadena si presenta neumonía, si requiere intubación o está en una unidad de tratamientos intensivos, puntualizaron.

Al final, los expertos, se quedaron con 21 características que son las que tienen mayor poder predictivo, y ayudan a clasificar a los pacientes en dos categorías: los que tienen mayor posibilidad de vivir y los que tienen más probabilidad de fallecer, y se entrena una red neuronal diferente para cada una de las cuatro etapas clínicas.

La primera en la que el paciente con síntomas acude a una unidad médica; la segunda, cuando ya se tienen resultados de una prueba PCR o antígenos de la Covid-19 y/o se ha presentado neumonía por la COVID-19, la tercera implica la hospitalización del paciente y en la cuarta se ha procedido a intubar o se ha trasladado a una unidad de cuidados intensivos, destacó U’Ren Cortés.

Red pequeña y efectiva

Quiroz Juárez recalcó que ese tipo de algoritmos forman parte de lo que se conoce como machine learning, rama de la inteligencia artificial que dota a las máquinas con la capacidad de aprender para hacer predicciones. Típicamente, estos algoritmos aprenden de la información pasada disponible y, claro, dependiendo de la cantidad de datos que se tengan se alcanza una mayor o menor certeza.

“Es una red neuronal compuesta por nodos interconectados y, cuando hacemos pasar datos, estos nodos aprenden. Se dice que aprenden, pero en realidad ajustan sus parámetros de manera que la información que reciben se herede en ellos. Una vez que ha pasado la etapa que llamamos entrenamiento, ella pueda hacer predicciones en el futuro a partir de lo que aprendió”, expuso el especialista.

A lo largo de la pandemia, precisaron los investigadores, el machine learning ha sido aprovechado para buscar identificar, en un estado temprano, a pacientes infectados. Estas aproximaciones hacen predicciones básicas con los síntomas o el historial médico, algunas más identifican a pacientes de cuidados especializados, o los que se encuentran en un riesgo fatal de morir.

Ese tipo de redes, agregó Quiroz Juárez, se diferencian de los grandes sistemas porque implican el uso de pocos nodos, mientras que algunas redes de inteligencia artificial tienen múltiples nodos, y la complejidad va aumentando conforme más grande es el proyecto. “Uno de nuestros aportes es que nuestra red tiene muy pocos nodos y eso la hace altamente implementable en algún dispositivo portátil”.

Luego de realizar las pruebas del algoritmo, los expertos revisaron el grado de eficiencia en cada una de las etapas; fue de 84.3 por ciento en la primera etapa y de 93.5 por ciento en la cuarta.

Los investigadores prevén la utilización del algoritmo en dispositivos móviles en un hospital, pero ya incorporando datos en tiempo real, por lo que esperan próximamente poder probar su uso por los médicos que atienden los miles de personas que padecen este flagelo hasta el momento.

Adicionalmente, ambos especialistas reconocieron que en la medida en que se siga alimentando con datos más recientes el algoritmo, los médicos podrán realizar nuevos análisis que permitan ayudar a un mejor manejo de los pacientes que posibilita combatir mejor la enfermedad.

Fuente: gaceta.unam.mx