Investigadores de la Universidad Emory usan Google Cloud Platform para predecir la septicemia en pacientes de cuidados intensivos

Al combinar datos clínicos, aprendizaje automático y la infraestructura escalable de Google Cloud Platform, el motor de predicción de septicemia de la Universidad Emory utiliza estadísticas en tiempo real en un esfuerzo por brindar una mejor atención a los pacientes en riesgo y, al mismo tiempo, controlar los costos médicos.

La septicemia, una respuesta autoinmune a la infección, es una de las afecciones más letales y costosas que se tratan en los hospitales de EE.UU., y afecta a aproximadamente 750,000 estadounidenses cada año. La detección temprana y la prevención podrían salvar innumerables vidas y permitir un impresionante ahorro de dinero y recursos. Sin embargo, no hay una forma confiable de diagnosticar la septicemia con rapidez. El Dr. Shamim Nemati y el Dr. Ashish Sharma del Departamento de Informática Biomédica de la Facultad de Medicina de la Universidad Emory adoptarán un enfoque innovador para este desafío: usar historias clínicas electrónicas anonimizadas que se recopilarán de 30,000 pacientes de las unidades de cuidados intensivos (UCI) de Emory. El Dr. Nemati creó un motor de IA para analizar 65 variables relevantes, que incluyen signos vitales, datos demográficos de pacientes y resultados de laboratorio. Al monitorear continuamente la secuencia de datos de un paciente a intervalos de cinco minutos, el motor de predicción de septicemia genera una puntuación compuesta en tiempo real, que predice la probabilidad de desarrollar septicemia y muestra sus resultados en un panel para que los evalúen los médicos. Como la detección temprana es clave, los médicos pueden ver la puntuación y su base teórica cuando el tratamiento con antibióticos es más efectivo.

"Al convertir nuestro algoritmo de predicción de septicemia basado en TensorFlow en una app y ejecutarla en Google App Engine, pudimos abstraernos por completo de los requisitos de infraestructura para ejecutar y escalar la implementación y, en su lugar, centrarnos exclusivamente en mejorar nuestro algoritmo".

Shamim Nemati, Profesor adjunto, Departamento de Informática Biomédica, Universidad Emory

Una solución para cuidados intensivos

El motor tiene tres componentes cruciales: los conjuntos de datos entrantes y almacenados, el algoritmo de IA que analiza los datos y una interfaz de usuario frontend para los médicos. La entrada de datos y el almacenamiento son particularmente complejos: decenas de megabytes de datos de alta resolución (como la presión arterial y la frecuencia respiratoria de cada paciente) deben tener marca de tiempo, mantenerse seguros y en privado, y procesarse instantáneamente para mostrar resultados oportunos en condiciones de alto riesgo. Luego, el motor genera una puntuación de riesgo de septicemia compuesta que se muestra en un panel diseñado para que los médicos lo lean fácilmente de un vistazo. Un sistema de alarma notifica a los médicos cuando algún paciente alcanza un umbral de probabilidad de septicemia, lo que facilita que los atareados cuidadores respondan rápidamente.

El Dr. Sharma diseñó el motor en Google Cloud Platform (GCP) mediante un conjunto integrado de herramientas de código abierto y GCP, como TensorFlow y una serie de microservicios en contenedores, que se plasmaron en un procesamiento fluido y casi instantáneo de entrada de datos, análisis predictivo y resultados en la interfaz frontend (todo en tiempo real). Al crear una base de datos basada en Fast Healthcare Interoperability Resources (FHIR) en GCP, Nemati y Sharma garantizan que el motor pueda escalarse y, además, interoperar entre instituciones en una plataforma confiable, segura y privada que también se integra con otros proyectos de tecnologías en la nube, como los dispositivos de monitoreo wearable que ya están en uso en los hospitales de Emory.

Escalamiento a través de Google Cloud Platform

Hasta ahora, Nemati, Sharma y su equipo de Emory se asociaron con Emory eICU Center para validar el motor en datos alojados en servidores locales, probando diferentes períodos antes de lograr un impresionante 85% de exactitud en la predicción de septicemia de cuatro a seis horas antes del comienzo. Para implementar el programa en otros sitios, recurrieron a App Engine. "Al convertir nuestro algoritmo de predicción de septicemia basado en TensorFlow en una app y ejecutarla en Google App Engine, pudimos abstraernos por completo de los requisitos de infraestructura para ejecutar y escalar la implementación y, en su lugar, centrarnos exclusivamente en mejorar nuestro algoritmo", afirma Nemati.

Ahora que saben que el motor funciona, planean probarlo con más usuarios, tanto pacientes como médicos. También llevarán el algoritmo a Google Cloud Machine Learning Engine y TPU para aumentar el rendimiento y la escalabilidad, y para incorporar encriptación de extremo a extremo a fin de minimizar la posible exposición de datos de los pacientes. Mediante un amplio estudio distribuido en GCP, pueden hacer una nueva serie de preguntas: ¿cuál es el período ideal para hacer predicciones exactas o para optimizar los tratamientos?, ¿el motor ayudará a los médicos a atender mejor a sus pacientes?, ¿cómo afecta una puntuación de riesgo al tratamiento en diferentes hospitales con sus propias culturas y flujos de trabajo?

In the end, what matters most is improving medical outcomes for real patients in ICUs, and Sharma is aware of that. “The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can make meaningful interventions for a patient. Also, the algorithm opens up the deep-learning black box and informs the physician why it thinks the patient is at risk.” Nemati agrees, “A 2017 NEJM article showed that for each hour sepsis treatment is delayed, a patient’s risk of death increases by 4 percent. So what percentage of lives can we save if we could catch sepsis this way and put patients on antibiotics in time? We don’t know yet, but that’s what we’re currently testing at Emory, and we need to show generalizability elsewhere."

“The reason why this algorithm is doing such a fantastic job is because it’s providing information in the actionable window when physicians can take meaningful actions for a patient."

Ashish Sharma, Profesor adjunto, Departamento de Informática Biomédica, Universidad Emory

Perfil de la organización

Con 15,000 alumnos de grado y posgrado y la misma cantidad de profesores y personal administrativo, la Universidad Emory es el segundo empleador más grande del área metropolitana de Atlanta y su red de atención médica es la más grande del estado. El Departamento de Informática Biomédica de la Facultad de Medicina, establecido en 2011, se especializa en proyectos multidisciplinarios que integran la investigación clínica y la ciencia de datos.

Productos usados

Gracias por registrarte

Cuéntanos cuáles son tus intereses.