Identificación de pacientes ingresados ​​con exacerbaciones de la EPOC y predicción del riesgo de reingreso mediante aprendizaje automático

Una quinta parte de los pacientes dados de alta del hospital por exacerbaciones de la EPOC son readmitidos dentro de los 30 días.(1, 3, 4) Si bien las terapias y las pautas de atención han mejorado, la implementación de las pautas sigue siendo deficiente.(5) La implementación de estándares apropiados a través del flujo de trabajo hospitalario habitual presenta desafíos importantes. Uno de los principales desafíos es garantizar que todos los pacientes elegibles con exacerbaciones de la EPOC se identifiquen de manera oportuna.(6) Otro desafío importante es que el personal suele estar demasiado ocupado y no tiene tiempo para ejecutar prácticas basadas en evidencia que reduzcan las readmisiones.(6) Además, la gestión intensiva de casos no se puede ofrecer a todos debido a los recursos limitados. Por lo tanto, es importante que podamos identificar tanto a las personas que ingresan con EPOC de manera temprana como a aquellas que tienen un alto riesgo de reingreso.

Las exacerbaciones de la EPOC pueden, a veces, no reconocerse fácilmente al principio y tardar días en manifestarse. Los síntomas de las exacerbaciones, como la dificultad para respirar, no son específicos y los signos, como los infiltrados en la radiografía de tórax, pueden deberse a uno o más diagnósticos. Además, las exacerbaciones de la EPOC pueden desencadenar o ser desencadenadas por otras enfermedades. Como resultado, no es raro que los médicos de admisión admitan pacientes con múltiples diagnósticos provisionales de insuficiencia cardíaca, neumonía, exacerbación de la EPOC y más. Distinguir a las personas con exacerbaciones de la EPOC se confunde aún más con los registros médicos electrónicos (EHR, por sus siglas en inglés) que no tienen diagnósticos enumerados como elementos codificados. El resultado final es que es difícil para el resto del equipo interprofesional encontrar pacientes con EPOC en las primeras etapas del ingreso. Esto se ha abordado en algunos hospitales de los EE. UU. haciendo que proveedores no médicos revisen las historias clínicas para identificar a los pacientes ingresados ​​por EPOC.(7) Un enfoque alternativo ha sido el aprendizaje automático y el procesamiento del lenguaje natural. Esto se ha implementado con cierto éxito para pacientes con insuficiencia cardíaca, pero se ha hecho poco para personas con EPOC.(13) En un programa piloto, el procesamiento del lenguaje natural ayudó a identificar a los pacientes ingresados ​​con EPOC.(7)

Para orientar los escasos recursos a quienes más los necesitan, sería útil identificar mejor a los pacientes con alto riesgo de readmisión. Este sería el primer paso para determinar cómo implementar estrategias efectivas para reducir las tasas de readmisión. Hay modelos de predicción de readmisión desarrollados para pacientes médicos y quirúrgicos que incluyen la puntuación LACE y la puntuación HOSPITAL.(8, 9) Lamentablemente, los que se han estudiado no parecen tener un buen desempeño en la población con EPOC.(10) Si bien se han identificado factores que ayudan a predecir el reingreso por EPOC, los modelos no se han validado por completo.(11, 12) El rendimiento podría mejorarse mediante el uso de datos no estructurados, como notas de progreso del médico y resúmenes de alta.

La identificación temprana de las personas con EPOC y el conocimiento de las que están en riesgo de readmisión pueden mejorar los resultados de salud. Zafar et al. demostró que un paquete integral de atención de la EPOC que constaba de 1. evaluación del inhalador, 2. régimen de inhalador apropiado, 3. seguimiento temprano del alta e 4. instrucciones de alta centradas en el paciente reducían las readmisiones.(14) La identificación de aquellos con alto riesgo de readmisión podría facilitar la inscripción en el manejo intensivo de casos. Por lo tanto, realizaremos el presente estudio para identificar a los pacientes ingresados ​​con exacerbaciones agudas de la EPOC y estratificar a los pacientes según el riesgo de reingreso.

Métodos:

Usando datos retrospectivos de la Red de Salud Universitaria (UHN), crearemos un conjunto de datos de admisiones a Medicina Interna General durante los últimos 5 años. Estimamos que esto incluirá aproximadamente 40 000 admisiones, de las cuales 2000 tendrán un diagnóstico más responsable de una exacerbación de la EPOC. El conjunto de datos contendrá tanto datos codificados estructurados como datos de texto no estructurados. Los datos codificados incluirán edad, sexo, medicamentos solicitados, comorbilidades, valores de laboratorio y pruebas de función pulmonar. Los datos de texto no estructurados incluirán notas en EHR: notas clínicas del médico, resúmenes de alta, diagnósticos de admisión, notas de progreso y notas de nuestro sistema de registro.

Análisis: utilizaremos varios métodos diferentes para desarrollar el modelo, incluida la regresión logística, las redes neuronales profundas y las redes neuronales convolucionales. Específicamente, también utilizaremos algoritmos estadísticos de aprendizaje automático para la detección de eventos utilizando redes neuronales bidireccionales de memoria a largo y corto plazo en una variedad de tipos de entrada (por ejemplo, bancos de filtros de Fourier, coeficientes cepstrales de frecuencia Mel, wavelets y audio sin procesar). También utilizaremos métodos tradicionales como redes dinámicas de Bayes y campos aleatorios condicionales. En el lado del análisis de texto, identificaremos frases clave que predicen la readmisión. Un enfoque será utilizar el análisis del discurso para destacar frases "núcleo" del texto de fondo. También construiremos modelos predictivos "conjuntos" que combinen características del texto no estructurado y características de los datos codificados estructurados. Usaremos el área estándar bajo la curva ROC para evaluar el rendimiento del modelo y utilizaremos la validación cruzada para minimizar el impacto del sobreajuste. Finalmente, validaremos nuestros modelos utilizando un conjunto de datos de diferentes centros para determinar si estos resultados son válidos y generalizables.

Resultados esperados: El desarrollo de dos modelos validados basados ​​en datos EHR: uno para identificar con precisión a los pacientes con AECOPD y el segundo para identificar con precisión a los pacientes con alto riesgo de reingreso dentro de los 30 días.