Algoritmo de predicción de texto libre para apendicitis

El desarrollo de modelos de aprendizaje automático que tengan un fuerte poder de predicción para el diagnóstico de apendicitis a partir de la entrada de texto libre ingresada por el médico puede mejorar la precisión del diagnóstico de los médicos. También ofrece la posibilidad de utilizar algoritmos de predicción para mejorar la atención clínica habitual. En el futuro, se pueden combinar múltiples modelos de aprendizaje automático para aumentar la precisión de la predicción y los algoritmos de predicción se pueden extender a otros diagnósticos.

Se utilizaron 18 000 casos de presentaciones en el departamento de emergencia durante 10 años como un conjunto de datos de capacitación y validación. Para desarrollar el modelo de predicción de apendicitis, se utilizaron redes neuronales de aprendizaje profundo con una ontología médica personalizada. La precisión diagnóstica del modelo se expresa como sensibilidad (recuerdo), especificidad y puntuación F1 (media armónica). El modelo predictivo de diagnóstico desarrollado muestra alta sensibilidad (86,3 %), especificidad (91,9 %) y puntaje F1 (88,8) en el diagnóstico de apendicitis de pacientes que presentan dolor abdominal.

El algoritmo del modelo predictivo también resaltará las palabras en el texto libre (ingresado por el médico tratante) que asigna una mayor probabilidad para predecir un resultado. Se indicará a los médicos que proporcionen un porcentaje de probabilidad de apendicitis según la presentación clínica y cualquier investigación de laboratorio disponible. Luego se le muestra al médico la predicción del algoritmo, así como las palabras resaltadas para el paciente ingresado. Luego debe proporcionar otra predicción de la probabilidad de apendicitis después de ver la predicción generada por el algoritmo.

El objetivo es evaluar el rendimiento del algoritmo y evaluar si el uso del algoritmo puede ayudar a los médicos de urgencias a mejorar su diagnóstico de apendicitis. Los resultados de la predicción se tabularán para evaluar la precisión del algoritmo, los médicos antes de la entrada del algoritmo y los médicos después de recibir la entrada del algoritmo. La precisión se expresará como sensibilidad, especificidad, precisión, valor de predicción positivo, puntaje F1 y puntaje F0.5.

Aproximadamente 100 médicos de urgencias serán reclutados en el transcurso de 1 año como participantes en el estudio. Los médicos se dividirán aleatoriamente en dos grupos: el brazo con algoritmo y el brazo sin algoritmo. La aleatorización será por tiempo (semanal) usando aleatorización de bloques variables de 4 y 6. Los pacientes serán seguidos para los diagnósticos finales de alta.