Un paciente en la sala de emergencias, la UCI y otros entornos de atención a menudo está conectado a equipos de monitoreo como monitores cardíacos o ventiladores, que capturan una variedad de puntos de datos médicos: frecuencia cardíaca, frecuencia respiratoria, niveles de saturación de oxígeno, temperatura corporal y más.
El estudio de estos números a lo largo del tiempo puede proporcionar información vital sobre los patrones fisiológicos del cuerpo que indican un deterioro inminente, como paros cardíacos, depresión respiratoria y accidente cerebrovascular.
Desafortunadamente, en la mayoría de los casos, los profesionales médicos no pueden aprovechar esos datos porque la mayor parte de la información de los dispositivos médicos es transitoria. Muy pocos datos del dispositivo de cabecera llegan al EHR, y el resto se elimina una vez que se retira al paciente del monitor. Cuando se transfiere a un paciente a una unidad diferente, no existe una manera fácil para que los miembros del equipo de atención transmitan datos históricos al nuevo equipo de atención. Si bien las enfermeras o los médicos pueden registrar notas de los eventos, falta información fisiológica detallada. En efecto, los profesionales médicos solo pueden decir que ocurrió un evento; no pueden descifrar el por qué ni el cómo.
Integrar datos a lo largo del viaje del paciente
Uno de los objetivos principales de Medical Informatics Corp (MIC) es agregar estos datos de pacientes para permitir el acceso remoto y dar advertencias tempranas a los médicos sobre eventos inminentes. Este ambicioso objetivo se topó con problemas iniciales cuando la fundadora de MIC, Emma Fauss, PhD, descubrió que los sistemas de recopilación de datos existentes utilizan formatos propietarios que los hacen difíciles de manejar. La recopilación de datos no se realiza en masa. “Tampoco había forma de tomar un algoritmo y ponerlo en funcionamiento en una infraestructura hospitalaria existente, por lo que realmente puede implementarlo a escala en miles de camas con flujos de trabajo estandarizados”, dijo Fauss.
MIC descubrió que tenían que resolver un problema de extremo a extremo, desde la adquisición de datos (limpios) hasta el monitoreo remoto basado en software y el desarrollo de IA escalable que luego se puede implementar nuevamente en un flujo de trabajo estandarizado. Esto es lo que hace la plataforma clínica Sickbay, la solución escalable de vigilancia clínica en tiempo real como servicio (RTCS) aprobada por la FDA: integra datos de dispositivos médicos, los desbloquea para una atención virtual flexible en todas las líneas de servicio y utiliza inteligencia artificial. (tanto supervisados como no supervisados) para brindar información a los médicos.
“Nos enfocamos específicamente en los datos del dispositivo de series de tiempo, incluidas las formas de onda y los patrones fisiológicos y los datos que provienen del paciente. Es un espacio que está completamente sin explotar ", dijo Fauss," Es como un área de océano azul para la exploración y el desarrollo ".
Modelos de IA y casos de uso de monitoreo
Los algoritmos de inteligencia artificial de MIC se entrenan con los datos del paciente, mientras cumplen con los protocolos establecidos por la Ley de Responsabilidad y Portabilidad de Seguros de Salud (HIPAA). Si bien MIC puede funcionar con modelos supervisados y no supervisados, los algoritmos que predicen eventos de salud, como eventos cardíacos, se basan en modelos supervisados. Trabajando en el Texas Children's Hospital con médicos del Baylor College of Medicine, MIC ayudó a desarrollar una analítica que puede predecir un paro cardíaco o respiratorio en niños con corazones de un solo ventrículo con una o dos horas de anticipación.
MIC se compromete a desarrollar inteligencia artificial específica para el paciente y proporcionar conjuntos de herramientas para hospitales y permitir que los sistemas de atención médica creen los suyos propios: comprender los patrones fisiológicos asociados con afecciones específicas y luego desarrollar algoritmos que se pueden usar para monitorear pacientes con factores de riesgo calificados.
La IA es buena para detectar el rápido deterioro de los indicadores fisiológicos clave y también para llenar los vacíos cuando los pacientes están siendo monitoreados durante días o semanas. “En unidades, si hay un cambio de turno cada 12 horas, si el deterioro es lo suficientemente lento durante muchos días, es posible que no vea que está sucediendo porque su tiempo de observación del paciente es demasiado corto. Esa es simplemente la naturaleza del trabajo por turnos ”, dijo Fauss. La IA ayuda a llenar esos vacíos y ofrece calculadoras de puntaje de riesgo para pacientes basadas en datos integrados del dispositivo.
La plataforma clínica Sickbay permite no solo la monitorización de un solo paciente, sino también la monitorización remota de varios pacientes a escala. “Podría significar que tiene un centro de comando virtual con monitores virtuales que monitorean los análisis que se ejecutan en los pacientes. No es necesario que esté al lado de la cama para un control de rutina ", señaló Fauss. Es una capa de protección adicional que los médicos valoran. Houston Methodist, por ejemplo, lanzó una unidad virtual de cuidados intensivos en 2020 que permite monitorear a todos los pacientes de la UCI de forma remota. Los algoritmos de MIC (el hospital funciona con cerca de 20 diferentes) y la visualización de datos permiten al centro médico realizar un seguimiento de los signos vitales cuidadosamente y recibir notificaciones de eventos problemáticos mucho antes de que sucedan. La IA aumenta la toma de decisiones y ayuda a los equipos de atención a intervenir más rápido cuando es necesario.
La enfermería de MIC se integra con muchos dispositivos médicos y proporciona un conjunto coherente de datos para el análisis. Es un problema complejo dada la variedad de dispositivos médicos, pilas de tecnología y métodos para guardar registros médicos electrónicos. Fauss espera que la capa de orquestación de Sickbay haga que el acceso a las aplicaciones de IA sea mucho más fácil y rápido. “Si podemos derribar las barreras para la adopción de esta tecnología basada en datos y centrada en el paciente, podemos hacer avanzar el estándar de atención”, dijo Fauss.
Escrito y publicado por: Poornima Apte | Venture Beat
Noviembre 12, 2021
Enlace original: https://venturebeat.com/2021/11/12/ai-tool-offers-cure-for-scattered-medical-data/