Aprendizaje automático podría reducir las hospitalizaciones en un 30% durante pandemias

Durante la pandemia de COVID-19, los sistemas de atención sanitaria se vieron llevados al límite y muchos centros recurrieron al orden de llegada o al historial médico del paciente para determinar quién recibía tratamiento. Sin embargo, estos métodos a menudo no tienen en cuenta las complejas interacciones entre los medicamentos y los pacientes, lo que podría pasar por alto a quienes podrían beneficiarse más del tratamiento. Ahora, una nueva investigación sugiere que el aprendizaje automático puede ser una forma más eficaz de asignar tratamientos escasos a pacientes vulnerables durante las crisis de salud pública.

El nuevo estudio realizado por investigadores del Campus Médico Anschutz de la Universidad de Colorado (Aurora, CO, EUA) destaca el potencial del aprendizaje automático para asignar tratamientos médicos de manera más eficiente en tiempos de escasez, como durante una pandemia. La investigación demostró que el aprendizaje automático, al analizar cómo responden los diferentes pacientes al tratamiento, puede proporcionar información más precisa y en tiempo real a los médicos, los sistemas de salud y los funcionarios de salud pública que los métodos de asignación tradicionales. Publicado en la revista JAMA Health Forum, el estudio reveló que el uso del aprendizaje automático para asignar tratamientos de COVID-19 podría reducir las hospitalizaciones en aproximadamente un 27% en comparación con las prácticas actuales.

Los investigadores examinaron específicamente el uso de un nuevo método basado en aprendizaje de árboles de decisión (PLT, por sus siglas en inglés) para optimizar la distribución de anticuerpos monoclonales neutralizantes de COVID-19 durante períodos de disponibilidad limitada. El enfoque PLT fue diseñado para priorizar los tratamientos para las personas con mayor riesgo de hospitalización, maximizando el beneficio general al tener en cuenta las variables que influyen en la efectividad del tratamiento. El modelo de aprendizaje automático se comparó con decisiones de asignación en el mundo real y un sistema estándar basado en puntos utilizado durante la pandemia. Los resultados mostraron que el modelo basado en PLT redujo significativamente las hospitalizaciones esperadas en comparación tanto con las asignaciones observadas y la Puntuación de detección de anticuerpos monoclonales, una herramienta comúnmente utilizada durante la pandemia. Los investigadores esperan que sus hallazgos alienten a las agencias de salud pública, los encargados de formular políticas y las organizaciones de gestión de desastres a explorar el aprendizaje automático como una herramienta para futuras crisis de salud pública, asegurando que los tratamientos se asignen de manera más efectiva cuando los recursos son limitados.

“Los métodos de asignación existentes se dirigen principalmente a los pacientes que tienen un perfil de alto riesgo de hospitalización sin tratamiento. Podrían pasar por alto a los pacientes que se benefician más de los tratamientos”, dijo Mengli Xiao, PhD, profesora adjunta de Bioestadística e Informática, quien desarrolló el sistema de asignación de mAb basado en el aprendizaje automático. “Desarrollamos un sistema de puntos de asignación de mAb basado en estimaciones de heterogeneidad del efecto del tratamiento a partir del aprendizaje automático. Nuestra asignación prioriza las características de los pacientes asociadas con grandes efectos causales del tratamiento, buscando optimizar los beneficios generales del tratamiento cuando los recursos son limitados”.

Visitar la expo >

Miembro Oro

SARS‑CoV‑2/Flu A/Flu B/RSV Sample-To-Answer Test

SARS‑CoV‑2/Flu A/Flu B/RSV Cartridge (CE-IVD)

Flocked Fiber Swabs
Puritan® patented HydraFlock®

New

Neonatal Open Care Warmer

Babyroo TN300

New

Pediatric Bassinet and Trolley

BTC 401