ER2 y aprendizaje profundo para la predicción de resultados de salud adversos

Una visita al Departamento de Emergencias (ED, por sus siglas en inglés) para un adulto mayor es una intervención médica de alto riesgo. Los eventos adversos (EA) conocidos incluyen delirio, estancia prolongada en el servicio de urgencias o en el hospital, hospitalización, visitas recurrentes al servicio de urgencias y muerte hospitalaria. Estos ocurren en una proporción creciente en los visitantes de ED mayores de 65 años que están representados en las visitas a ED.

Las herramientas que predicen los EA en el servicio de urgencias son de suma importancia para ayudar en la toma de decisiones sobre el triaje y la disposición de los pacientes. Pueden ayudar a identificar áreas de necesidades insatisfechas para las personas mayores a fin de desarrollar acciones específicas. Múltiples sistemas de puntuación que incluyen "Programme de recherche sur l'intégration des services de maintien de l'autonomie" (PRISMA-7), Identificación de personas mayores en riesgo (ISAR), Escala de fragilidad clínica (CFS), Evaluación geriátrica breve (BGA) tienen ampliamente estudiado en el servicio de urgencias y otros entornos para varios resultados. Estas herramientas se basan en un sistema de puntuación simple que el personal mínimamente capacitado puede administrar de manera confiable y rápida. Hacer lo contrario es poco probable que sea aplicable a la práctica clínica diaria.

Dado que la precisión de la predicción no ha mejorado significativamente en la última década, tal vez sean necesarias nuevas estrategias de análisis. El entusiasmo actual en torno al aprendizaje profundo proviene de un hardware mejor y más económico y de la disponibilidad de bibliotecas simples y de código abierto respaldadas por grandes empresas y una amplia comunidad de usuarios. Por lo tanto, la implementación de algoritmos de aprendizaje profundo (DL) ahora está abierta a una amplia gama de entornos, incluida la atención médica en una práctica clínica estándar. Se ha demostrado que DL es más preciso que el especialista promedio certificado por la junta en tareas muy específicas. La predicción de varios resultados clínicos ha producido resultados menos dramáticos, tal vez porque los modelos tradicionales (no DL) ya superaron a los médicos para muchos estados de enfermedad. Los enfoques de LD publicados aplicados a la predicción de resultados en el ED se han centrado en adultos con enfermedades agudas en general, condiciones específicas o problemas administrativos como el departamento de admisiones o el hacinamiento en el ED. Ninguno se ha dirigido a un grupo de edad específico como los visitantes mayores de ED.

Una advertencia importante para muchos enfoques de DL es la interpretación de los resultados. Para desarrollar intervenciones basadas en características específicas asociadas con EA en un modelo dado, tiene que ser algo transparente. Si múltiples capas de NN mejoran la predicción en comparación con la regresión lineal, a menudo no brindan información clínicamente relevante sobre cómo y qué variables interactúan para producir ese resultado.