Una nueva investigación dirigida por Texas McCombs ofrece un modelo de IA que predice la duración de la estadía en la UCI con resultados explicables, lo que potencialmente transforma la forma en que los hospitales gestionan los recursos de cuidados críticos.
En el punto álgido de la pandemia de COVID-19, los hospitales de todo Estados Unidos tuvieron dificultades para satisfacer la demanda de camas en las unidades de cuidados intensivos (UCI) a medida que aumentaba el número de pacientes. Pero incluso antes de la pandemia, las UCI enfrentaban desafíos persistentes para mantener camas disponibles para pacientes gravemente enfermos.
La inteligencia artificial (IA) promete abordar estos desafíos al predecir la duración de las estadías en la UCI, lo que permitirá a los hospitales administrar mejor su capacidad de camas y reducir costos.
Indranil Bardhan, profesor de gestión de información, riesgos y operaciones y titular de la Cátedra Charles y Elizabeth Prothro Regents de Gestión de la Atención Sanitaria en la Escuela de Negocios McCombs de Texas, está a la vanguardia de esta innovación.
Bardhan y su equipo han desarrollado un modelo de IA diseñado para predecir la duración de las estadías en la UCI con mayor claridad para los proveedores de atención médica: un concepto conocido como inteligencia artificial explicable (XAI).
“La gente se centró principalmente en la precisión de la predicción, y eso es algo importante”, dijo Bardhan en un comunicado de prensa. “La predicción es buena, pero ¿puede explicarla?”
Explicando las predicciones de la IA
La investigación de Bardhan, realizada junto con el estudiante de doctorado Tianjian Guo, Ying Ding de la Facultad de Información de UT y Shichang Zhang de la Universidad de Harvard, tiene como objetivo hacer que la IA sea más interpretable y útil para los médicos de la UCI.
El equipo entrenó su modelo con un conjunto de datos de 22,243 registros médicos que abarcaban desde 2001 hasta 2012, incorporando 47 atributos diferentes de pacientes, como edad, género, signos vitales, medicamentos y diagnósticos.
El modelo puede generar gráficos que indiquen la probabilidad de que un paciente sea dado de alta en un plazo de siete días y detallen qué atributos influyen más en este resultado. Por ejemplo, el modelo podría mostrar una probabilidad del 8.5 % de alta en un plazo de siete días y destacar un diagnóstico del sistema respiratorio como factor principal, con la edad y los medicamentos como factores secundarios importantes.
El estudio, publicado En la revista Information Systems Research, encontraron que las predicciones del modelo eran tan precisas como las de otros modelos líderes de IA, pero su poder explicativo era superior.
Más allá de la UCI
Para probar la aplicación práctica de su modelo, los investigadores encuestaron a seis médicos que trabajaban en unidades de cuidados intensivos de la zona de Austin. Cuatro de los seis médicos indicaron que las explicaciones del modelo podrían ayudarlos a mejorar la gestión de personal y recursos, lo que contribuiría a una programación más eficaz de las citas de los pacientes.
A pesar de su promesa, el modelo tiene una limitación notable: utiliza datos obsoletos anteriores a 2014, cuando la industria de la salud pasó del sistema de codificación ICD-9-CM al ICD-10-CM, que ofrece información diagnóstica más detallada y específica.
"Si pudiéramos acceder a datos más recientes, nos encantaría ampliar nuestros modelos utilizando esos datos", agregó Bardhan.
Sin embargo, este modelo tiene potencial para adaptarse más allá de las UCI de adultos. Bardhan sugiere que también podría aplicarse en UCI pediátricas y neonatales, salas de emergencia e incluso unidades hospitalarias comunes para predecir la duración de la estadía de los pacientes y optimizar la gestión de las camas.
Fuente: Escuela de Negocios McCombs de la Universidad de Texas en Austin