Aprendizaje profundo para escalas pronósticas en la prescripción a pacientes con riesgo de sangrado gastrointestinal

Deep Learning for Forecast Scales to Prescribe Patients at Risk of Gastrointestinal Bleeding

La evolución de la medicina en los tiempos actuales ha ido de la mano dela tecnología donde cada vez más se implementan soluciones que apoyanciertos procedimientos médicos con el objetivo de apoyar el ejercicio delos profesionales de la medicina en su oficio. El procesamiento y análisisde datos se ha convertido en un recurso imprescindible en la práctica decualquier profesión, actualmente, en los hospitales, más puntualmenteen el hospital universitario la samaritana, no se posee una herramientaque permita apoyar el diagnóstico para determinar el suministro o no, delos inhibidores de bombas de protones, por lo tanto hemos desarrollado una aplicación web utilizando un modelo de aprendizaje automático,basado en arboles de decisiones por medio de la aplicación weka, queluego del análisis de los datos recogidos, permita al médico contar conuna herramienta para el apoyo de este procedimiento. Esperamos que conla utilización de esta aplicación los médicos puedan realizar un análisisefectivo antes de recetar o no los IBPs.

1 INTRODUCCIÓN

Los inhibidores de bomba de protones (IBP) se han relacionado con el desarrollo de neumonía e infección por C. difficile, no obstante, la evidencia es contradictoria en cuanto este riesgo ya que los estudios aleatorizados controlados en comparación a los estudios observacionales no muestran un aumento de riesgo de neumonía en comparación con el otro tipo de estudios [1]. En un metaanálisis de 6 estudios de casos y controles se demostró un aumento en el riesgo de neumonía adquirida en la comunidad con un OR 1.92, 95 % IC 1.40 -2.63 p 0.003 para aquellos pacientes que usaron IBPs, incluso en un corto periodo de tiempo [2]. De igual forma en el metaanálisis realizado por Eom Cs et. al se demostró un aumento del riesgo de neumonía con el uso de IBPs OR 1.27 95 % IC 1.11 - 1.46 [3]. Adicionalmente, el riesgo de C. difficile también tiende a ser mucho mayor en aquellos que reciben IBPs fuera de la UCI, así como lo muestra una revisión sistemática publicada por Leonard et. al (OR 2.05, 95 % IC 1.47-2.85) [4]. Estudios como éste obligaron a la FDA (Food and Drug Administrarion) a realizar una revisión de múltiples estudios (la mayoría observacionales) con el fin de determinar la correlación entre los IBPs y la infección por este Bacilo Gram positivo, encontrando que, aunque la calidad de la evidencia no es fuerte, el riesgo de desarrollar la enfermedad por C difficile es 1.4 a 2.75 veces mayor en comparación a aquellos que no reciben IBPs [5]. Basados en esto se han intentado realizar escalas pronósticas que ayuden al médico a identificar aquel paciente que está hospitalizado fuera de la unidad de cuidados intensivos y que tiene mayor riesgo de presentar sangrado gastrointestinal secundario al desarrollo de úlceras por estrés, es por esto que se plantea la utilización del machine learning o el aprendizaje automático, tema que se plantea el estudio de cómo usar computadoras para simular actividades de aprendizaje humano y estudiar métodos de automejora de computadoras para obtener nuevos conocimiento y nuevas habilidades, identificando conocimiento existente, y mejorando continuamente el rendimiento y el logro.