Al utilizar el aprendizaje de refuerzo, los investigadores entrenan a un agente virtual para determinar el mejor momento para administrar medicamentos en función de una variedad de factores específicos del paciente.
Un equipo de investigación multiinstitucional ha demostrado cómo la inteligencia artificial y el aprendizaje automático pueden optimizar la selección y la dosificación de la terapia para el shock séptico, una complicación potencialmente mortal que es la principal causa de muerte en los hospitales.
El equipo incluye a Suchi Saria , de la Universidad Johns Hopkins , quien previamente desarrolló un sistema de alerta temprana basado en IA que está reduciendo las tasas de mortalidad por sepsis en docenas de hospitales de Estados Unidos. Sus resultados aparecen en The Journal of the American Medical Association .
La sepsis suele causar presión arterial baja, lo que puede provocar una disfunción orgánica potencialmente mortal y es responsable de más de 270.000 muertes anuales en Estados Unidos. El tratamiento de emergencia incluye la administración de líquidos y diversos vasopresores (agentes que contraen los vasos sanguíneos) para normalizar la presión arterial del paciente y restablecer el flujo de sangre y oxígeno a los órganos.
«La mejor manera de individualizar el tratamiento de la presión arterial con diferentes terapias sigue siendo un desafío complejo y abierto», afirma el autor principal Romain Pirracchio, profesor de anestesia y cuidados perioperatorios en la Universidad de California en San Francisco.
«Con este tipo de infraestructura, en lugar de hacer tres experimentos a la vez, hacemos mil experimentos a la vez, pero ni siquiera estamos haciendo experimentos; estamos aprendiendo de los datos existentes».
Suchi Saria
Profesor de informática
Las guías internacionales recomiendan usar norepinefrina, un medicamento diseñado para elevar la presión arterial, antes de pasar a la vasopresina, una hormona que eleva la presión arterial, si la presión arterial del paciente permanece demasiado baja. Sin embargo, el shock séptico es una afección que cambia rápida y continuamente, lo que complica la decisión de iniciar el tratamiento con vasopresina y cuándo hacerlo. Además, la vasopresina es extremadamente potente, lo que significa que iniciarla demasiado pronto puede causar efectos secundarios graves.
«Para determinar el momento óptimo para comenzar a administrar vasopresina, tradicionalmente se planteaban criterios muy específicos y se realizaba un ensayo clínico —que costaba millones de dólares y duraba años— comparándolos con el estándar de atención. Pero esto solo nos permite evaluar un criterio a la vez», afirma Saria, profesora de informática en la Escuela de Ingeniería Whiting de la JHU y profesora de estadística y políticas sanitarias en la Escuela de Salud Pública Bloomberg de la misma universidad . «Resulta que hay una manera mucho mejor: usar el aprendizaje por refuerzo».
El aprendizaje por refuerzo es una rama del aprendizaje automático en la que un agente virtual aprende mediante ensayo y error para maximizar la probabilidad de un buen resultado. Utilizando historiales médicos electrónicos de más de 3500 pacientes de diversos hospitales y bases de datos públicas, el equipo de investigación entrenó un modelo de aprendizaje por refuerzo para considerar la presión arterial, las puntuaciones de disfunción orgánica y otros medicamentos que tomaban los pacientes, a fin de determinar cuándo iniciar el tratamiento con vasopresina.
Luego, los investigadores validaron su modelo con datos no vistos de casi 11.000 pacientes adicionales para confirmar la eficacia del algoritmo y verificar que su implementación habría reducido la mortalidad hospitalaria.
«Hubo un número considerable de pacientes que iniciaron el tratamiento con vasopresina justo cuando nuestro algoritmo la habría recomendado si hubiera sido en vivo», afirma Pirracchio. «Por lo tanto, mediante métodos estadísticos complejos para tener en cuenta el sesgo y las diferencias en los valores iniciales, pudimos demostrar que la coincidencia del tratamiento con lo que el algoritmo sugería exactamente —es decir, iniciar en el momento preciso— se asoció consistentemente con un mejor pronóstico en términos de mortalidad».
El modelo recomendó sistemáticamente iniciar el tratamiento con vasopresina antes de lo que lo hacían la mayoría de los médicos en la práctica, pero en los pocos casos en que el medicamento se administró incluso antes de lo recomendado por el algoritmo, los resultados para los pacientes fueron peores.
«Esto demuestra la ventaja de intentar individualizar la estrategia para cada paciente», afirma Pirracchio. «No existe una regla universal: en el shock séptico, existe una variabilidad sustancial en las prácticas de reanimación entre hospitales y países, especialmente en lo que respecta al soporte vasopresor. Dada la diversidad de la población incluida en este estudio, los resultados muestran que una pauta individualizada de inicio de vasopresina puede mejorar el pronóstico de los pacientes con shock séptico».
El siguiente paso será implementar el modelo en la práctica, pasando “de la promesa a la realidad”, como dice Saria.
Pirracchio y su equipo harán precisamente eso en el Centro Médico de la UCSF antes de expandirse a centros de todo el país en colaboración con Bayesian Health , una plataforma de IA clínica derivada de la investigación de Saria. Pero las aplicaciones del aprendizaje de refuerzo en la atención médica no se limitan a la administración de vasopresores.
«Con este tipo de infraestructura, en lugar de realizar tres experimentos a la vez, realizamos mil experimentos a la vez, pero ni siquiera estamos haciendo experimentos; estamos aprendiendo de los datos existentes», dice Saria. «Es casi como si el experimento ya se hubiera realizado, gratis, y simplemente podemos aprender de él y descubrir inteligentemente los contextos precisos en los que se deben implementar diferentes estrategias para mejorar los resultados de los pacientes y salvar vidas».
«Aquí hay muchas oportunidades para el aprendizaje por refuerzo; esto es sólo el comienzo».
Jaimie Patterson. Universidad Johns Hopkins.
Traducido al español.
