Identificación temprana y predicción de sepsis en pacientes de UCI a partir de datos fisiológicos

Bonet Cruz, Isis | 2020

RESUMEN: Sepsis se define como una disfunción orgánica causada por una respuesta desregulada a una infección por parte del paciente. Es una de las causas de muerte más común en pacientes de unidades de cuidados intensivos en todo el mundo, lo que lo convierte en una problemática de gran importancia. La detección temprana de este síndrome es de gran importancia a la hora tratar a los pacientes efectivamente. En este trabajo se propone un modelo de inteligencia artificial para la identificación temprana y predicción de sepsis utilizando la base de datos MIMIC y adaptando los resultados a los datos de una institución local de salud. Se realizaron pruebas con múltiples modelos y parámetros de estos. El mejor resultado para la identificación temprana de sepsis fue el resultado de hacer un modelo multiclasificador con diferentes rasgos para los clasificadores, en este caso se usaron un kNN y un XGBoost y utilizar sus resultados como las entradas de una regresión logística. Éste tuvo un AUROC de 0.944. Para predicción de sepsis se propuso un modelo XGBoost capaz de predecir 1, 2 y 3 horas de anticipación con métricas de 0.918, 0.912 y 0.908 respectivamente.

Modelo basado en técnicas de procesamiento del lenguaje natural para extraer y anotar información relacionada con la sepsis

Camacho Cogollo, Javier Enrique | 2021

RESUMEN: La sepsis presenta una de las mayores tasas de mortalidad mundial en los hospitales. Su diagnóstico puede ser considerablemente difícil a causa de su amplio cuadro de síntomas y múltiples causas. En el presente trabajo se ahonda en la evaluación y revisión de los datos de manera estadística y visual. Se proponen diferentes métodos de normalización de datos, limpieza de los mismos y análisis, así como herramientas visuales que permiten realizar un análisis profundo de los mismos. En este primer acercamiento del trabajo se llegará a conclusiones que permitirán avanzar hacia el siguiente paso de implementar un modelo en un entorno controlado. El éxito del análisis en parte dependerá de la calidad de los datos suministrados por los expertos y de la capacidad de limpieza y normalización de los mismos. Se le aplicarán diferentes técnicas de extracción de información y se analizara cuales datos son más relevantes para dar los siguientes pasos hacia el diagnostico de sepsis. Adicionalmente se cuenta con una sección de resultados en los cuales se presenta minuciosamente lo que se ha realizado hasta el momento respecto al análisis te texto estructurado y no estructurado, las técnicas usadas para extracción limpieza y análisis Finalmente se dejará para próximos estudios la implementación de un modelo de inteligencia artificial que apoye el diagnóstico de la sepsis el cual será alimentado con los datos recolectados en este trabajo.

Modelo de predicción de sepsis a partir de datos históricos de pacientes en una unidad de cuidados intensivos

Bonet Cruz, Isis | 2019

La creciente disponibilidad de datos y el rápido desarrollo de métodos de análisis de datos, han hecho posible las recientes aplicaciones exitosas de la Inteligencia Artificial en la salud. El uso de estos avances tecnológicos, permiten ayudar en los diferentes procesos de las instituciones de salud como en la predicción y diagnóstico de enfermedades. Dentro de estas, la sepsis es considerada como una afección con alta tasa de mortalidad especialmente en las unidades de cuidados intensivos. Esta afección, puede llegar a ser muy grave debido a las diferentes maneras de manifestarse, lo que dificulta su diagnóstico. La verificación de algunas variables generales inflamatorias, permiten indicar la letalidad de la infección. Actualmente, lo más común es el uso de indicadores como: SOFA, qSOFA y SAPS-II para predecir la posibilidad de sepsis, ya que ésta está muy ligada a la mortalidad. Aunque, en países desarrollados ya se están usando métodos basados en datos históricos con algoritmos de inteligencia artificial para poder hacer una predicción temprana. En el presente trabajo se analizaron los datos almacenados en la base de datos libre MIMIC-III, la cual contiene información de pacientes admitidos en la unidad de cuidados intensivos de The Beth Israel Deaconess Medical Center en Boston, Massachusetts. Se usaron una serie de variables clínicas de los pacientes, las cuales se pasaron por unas reglas duras que generan un valor numérico o probabilidad que se relaciona con la severidad del padecimiento. Las variables elegidas, corresponden a las que se utilizan en los indicadores mencionados para poder predecir la existencia o no de sepsis y la mortalidad de los pacientes. Por lo que el objetivo del trabajo es realizar un modelo de predicción de sepsis temprana, utilizando métodos de inteligencia artificial y compararlos con loa diferentes indicadores para el diagnóstico de esta afección. El procedimiento realizado, se basó en la metodología CRISP-DM, donde se inició con la obtención de los datos, se realizó un análisis de calidad de estos, se procedió a seleccionar las variables de los indicadores mencionados, se realizó una limpieza de estos datos y se obtuvo la vista única, la cual fue utilizada para entrenar clasificadores supervisados seleccionados: árbol de decisiones, KNN, naive bayes, red neuronal y máquinas de vector soporte. Para esta clasificación, se dividieron primero los datos en datos de aprendizaje y validación, se implementaron los modelos, y por último se corroboraron los resultados, eligiendo los mejores modelos y comparando los algoritmos entre sí, por medio de la evaluación de métricas utilizando validación cruzada. Los resultados indicaron que los modelos de machine learning y deep learning implementados, son capaces de igualar e incluso mejorar las predicciones de los modelos de reglas duras, rompiendo los paradigmas y sirviendo como un apoyo en la toma de decisiones de los profesionales de la salud.

Sistema inteligente de predicción temprana de sepsis

Camacho, Javier | 2021-02-09