Algoritmo de priorización del diagnóstico de cirrosis hepática basado en registros electrónicos de salud.

En este estudio, los investigadores aprovechan las capacidades modernas de aprendizaje automático en el campo de la hepatología para desarrollar un modelo que pueda identificar a las personas prioritarias con alto riesgo de desarrollar cirrosis hepática en una etapa temprana y tratable.

La cirrosis es un estado avanzado de la enfermedad hepática que suele manifestarse cuando el hígado ya está gravemente dañado, sin muchas opciones de tratamiento y con un pronóstico sombrío.

Actualmente existen 2 medios para el diagnóstico, el primero es la biopsia hepática que es costosa e inflige dolor a los pacientes, y tiene sus propios riesgos. La segunda es una prueba de imagen designada, como Fibroscan, que es segura e indolora, pero también demasiado costosa de lo que se puede hacer como una herramienta de detección amplia.

Ya se han desarrollado puntuaciones que calculan una mayor probabilidad de una enfermedad hepática, pero con una fuerza predictiva menor que la adecuada para justificar un examen más profundo hacia la detección.

El estudio consta de 4 fases distintas:

1. Modelo de desarrollo. Se desarrollará un modelo de aprendizaje automático que prediga el tiempo hasta el evento para el diagnóstico de cirrosis hepática basado en registros médicos electrónicos. Los registros se anonimizan y todo el trabajo se realiza en un servidor designado.

2. Se obtendrán los resultados de las últimas pruebas de laboratorio y los diagnósticos de registros de salud electrónicos anónimos del distrito norte de Clalit Healthcare. En esos registros, el modelo entrenado de la fase 1 se ejecutará para predecir el tiempo hasta el evento para el diagnóstico de cirrosis hepática. A través de las predicciones, los individuos se ordenarán por riesgo.

   A través de los registros desanonimizados, disponibles solo para los médicos, se observarán 20 individuos de mayor riesgo. Esto incluye medir los últimos puntajes FIB-4, ver diagnósticos y pruebas anteriores, así como información textual de los médicos. Estos individuos no están invitados a una visita y solo se ven retrospectivamente a través de sus registros.

3. Tras los resultados de la fase 2, se revisará el modelo de aprendizaje automático de la fase 1. Esto incluye posibles alteraciones tales como revisiones de criterios de inclusión/exclusión, cambio de pruebas de laboratorio dadas como entrada al modelo, etc.
4. Al igual que en la fase 2, se obtendrá la Historia Clínica Electrónica anonimizada actualizada del distrito Norte de Clalit Healthcare. El modelo actualizado de la fase 3 se ejecutará para predecir el tiempo hasta el evento para el diagnóstico de cirrosis hepática. Además, a todos los individuos se les calculará su puntaje FIB-4. Se construirá una lista clasificada de las mejores personas con el mayor riesgo pronosticado por el modelo de la fase 3 y las mejores personas con la puntuación FIB-4 más alta. Aproximadamente una cuarta parte de los individuos provendrá del grupo de puntaje FIB-4, con edad y sexo coincidentes con el grupo de predicción. La identidad del grupo seguirá siendo desconocida para los médicos, manteniendo un estudio doble ciego. Se invitará a las personas a la clínica para los controles. En la clínica, las personas se someterán a Fibroscan, mediciones de altura y peso, y responderán el cuestionario de la Prueba de identificación de trastornos por consumo de alcohol (AUDIT) de la OMS. Además, se abrirán sus archivos dentro de la Historia Clínica Electrónica y se recogerán los diagnósticos, exámenes de laboratorio y prescripciones de medicamentos existentes.