Ochsner Medical Center: Prevención de paros cardiacos con IA que predice qué pacientes “entrarán en código”

En los hospitales modernos, doctores y enfermeras están entrenados para entrar rápido en acción cuando un paciente “entra en código” – que significa que sufre un paro cardiaco o respiratorio y requiere atención médica inmediata. Pero ¿Qué pasaría si los doctores pudieran ver el futuro y saber quién está a punto de entrar en código, para poder prevenir que suceda?

Una nueva herramienta de inteligencia artificial lanzada por Ochsner Health System permite hacer esto a los doctores, al analizar miles de datos para predecir qué pacientes se agravarán en el futuro cercano.

Construida con una plataforma de aprendizaje automático por Epic, compañía de software para el cuidado de la salud, esta innovadora tecnología lanza alertas “pre-código” que ayudan a los equipos de atención de Ochsner a intervenir con antelación, tratar a los pacientes de manera más proactiva y salvar más vidas.

“Es como una herramienta de clasificación”, comenta Michael Truxillo, director médico del equipo de respuesta rápida y resucitación en Ochsner Medical Center, el hospital principal de la organización en Nueva Orleans.

“Un doctor podría supervisor 16 a 20 pacientes en una unidad y saber quién necesita tu atención por lo general siempre es un reto”, comenta. “La herramienta te dice, ‘Con base en valores de laboratorio, signos vitales y otros datos, revisa ahora a este paciente’”.

En un piloto de 90 días con el sistema aplicado a finales de 2017, Ochsner redujo de manera exitosa el número típico de códigos del hospital en un 44 por ciento. Ahora se encuentra en la fase de expansión de la tecnología a una agenda de 24 horas y a más hospitales en su red, que constituye el sistema no lucrativo de salud más grande de Luisiana. La plataforma de aprendizaje automático y la librería modelo de Epic están disponibles para todas las organizaciones que utilicen software Epic, sin importar si las organizaciones cuentan o no con científicos de datos en su equipo.

Integrar IA y cambiar la cultura

El rápido surgimiento de IA ha llevado a la generación de muchos proyectos de investigación para el cuidado de la salud, pero Ochsner es uno de los primeros sistemas de salud en el país en integrar IA en los flujos de trabajo de cuidado del paciente. La base para esta herramienta predictiva comenzó hace cinco años, cuando Ochsner inició la tarea de estandarizar los flujos de trabajo y consolidar fuentes de datos a través de sus diferentes hospitales.

Los modelos predictivos requieren cantidades masivas de datos y los fundamentos con el completo software de registros médicos de Epic ahora permiten a Ochsner consultar una enorme base de datos compuesta por 11 hospitales. Esos datos permitieron a Ochsner construir, entrenar y validar un modelo para predecir el deterioro de un paciente.

“Hace cinco años tuvimos una visión en la que sabíamos que íbamos a utilizar los datos y tenía que hacerse de manera limpia”, comenta Richard Milani, jefe de transformación clínica en Ochsner Health System y director médico en innovationOchsner, un programa creado para revolucionar el cuidado de la salud con nuevas soluciones.

Construir el modelo fue un trabajo complicado, pero integrarlo en un flujo de trabajo humano también fue difícil. La tecnología requirió una nueva manera de trabajar. En principio, algunos doctores pensaban que la herramienta era otra “calculadora de puntaje” que identificaba grandes grupos de pacientes de alto riesgo y que era algo que podía utilizar una enfermera.

Hubo ocasiones en las que el sistema lanzó una alerta para un paciente justo después de que una enfermera había revisado sus signos vitales y había salido de la habitación. El estatus de los pacientes cambia de manera constante y el sistema envía sólo un puñado de alertas al día – de seis a 10, para cientos de pacientes. Cada alerta requiere atención por parte de un proveedor entrenado en diagnósticos rápidos y no sólo en resucitación.

“Esto es algo diferente en su totalidad que ha comenzado a cambiar la cultura”, comenta Milani. “Creamos entrenamiento específico que de manera típica no existe y construimos equipos para hacer esto de la mejor manera”.

Las alertas brindan una advertencia de cuatro horas

Para reducir falsos positivos, su equipo entrenó el modelo para la población de Ochsner, que cuenta con bastantes pacientes con fallas en los riñones y el corazón. Los valores de laboratorio empeoran después de que un paciente de diálisis pasa por el tratamiento, pero el paciente no está en riesgo de entrar en código.

De manera similar, los pacientes con LVAD (dispositivo de asistencia ventricular izquierdo) – que cuentan con un dispositivo implantado de asistencia cardiaca – cuentan con lecturas de presión arterial que parecen alarmantes, pero están bastante vivos. El modelo de Ochsner toma en cuenta ambos tipos de pacientes.

“Parte de este proyecto fue aprender lo que sucede cuando pones el modelo en el mundo real”, comenta Jonathan Wilt, jefe de tecnología de innovationOchsner. “y saber, ¿qué será difícil de predecir y si el modelo puede manejar que los humanos ingresen números y signos vitales de manera manual?”

El equipo también afinó el tiempo y la frecuencia. Muy pocas alertas fallaron con los pacientes de alto riesgo, pero muchas produjeron fatiga de alerta. Las alertas enviadas muy pronto no expresaban urgencia, mientras que aquellas enviadas muy tarde no permitían intervenciones.

Una advertencia de cuatro horas resultó ser ideal, pues daba tiempo suficiente para que un proveedor de respuesta rápida terminara lo que hacía, caminara – sin correr – a la habitación de un paciente y realizara una evaluación. Las intervenciones pueden ser un cambio de medicamento, transferencia a la UCI o cualquier otra forma de cuidado elevado.

“El modelo es fuerte, pero queríamos saber, ‘Con esa información, ¿Puedes hacer algo para cambiar lo que podría ser el curso de la historia?’”, comentó Milani.

Wilt, un científico de datos entrenado, también utiliza las avanzadas herramientas de aprendizaje automático de Epic para predecir úlceras de decúbito e infecciones adquiridas en el hospital. Pero la plataforma de Epic permite a los sistemas de salud de todos tamaños – incluidos aquellos que no cuentan con expertos en IA – construir e integrar modelos de manera rápida.

La librería de modelos de aprendizaje automático de la empresa y una creciente “economía de algoritmos” entre organizaciones que utilizan el software de Epic también ayuda a los sistemas de salud, ya sea que quieran predecir septicemia, riesgos de readmisión o niveles de la plantilla.

“Esto significa que ustedes no necesitan tener científicos de datos en su organización para aprovechar el aprendizaje automático”, comenta Seth Hain, director de analítica y aprendizaje automático en Epic.

La plataforma, impulsada por Microsoft Azure, es en su mayoría invisible para los usuarios finales, para que todo lo que ven sea información clave en tiempo real – una alerta, acciones recomendadas o tableros de analítica. “Brinda al proveedor de atención más tiempo para enfocarse en el paciente”, comenta Hain.

Truxillo comenta que los proveedores de cuidados de Ochsner han comenzado a adoptar la herramienta predictiva.

“De manera intrínseca, los doctores son escépticos”, menciona. “Se preguntan si la inteligencia artificial va a reemplazar a los doctores”.

La respuesta es no; ellos deben seguir con los diagnósticos de pacientes, comenta. La herramienta les ayuda a dar prioridad al cuidado y sintetizar las fuentes constantes de información cambiantes a las cuales los doctores deben dar seguimiento.

“Esta tecnología en definitiva ayuda a salvar vidas”, comenta Truxillo. “Si podemos hacer una diferencia para los pacientes debido a las alertas, habremos realizado un tremendo servicio para ellos, sus familias y la comunidad”.

Conozcan cómo las organizaciones de salud alrededor del mundo se asocian con Microsoft.

Imagen principal: Michael Truxillo, director médico del equipo de respuesta rápida y resucitación en Ochsner Medical Center. Foto cortesía de Ochsner Medical Center.