Los modelos de predicción de riesgos clínicos basados en la Inteligencia Artificial, mejoran su capacidad de precisión cuando utilizan datos en vivo en múltiples hospitales. Actualmente la mayoría de modelos de aprendizaje automático se desarrollan utilizando datos retrospectivos. Muy pocos modelos utilizan datos de flujo de trabajo clínico en vivo y aún menos informan del rendimiento a los diferentes hospitales.
Ahora un nuevo estudio publicado en el Journal of Medical Internet Research, ha intentado evaluar el rendimiento y la capacidad de predicción de los modelos de IA que utilizan datos en vivo y compararlo con los modelos que usan datos retrospectivos. El estudio se ha basado en la predicción de tres casos llevados a cabo en tres hospitales diferentes: la sepsis, la insuficiencia renal aguda (IRA) y delirio.
Los investigadores observaron que los modelos de predicción de IA que utilizan datos en vivo son cruciales
El rendimiento de los modelos de predicción con datos de flujos de trabajo clínicos en vivo fue similar al rendimiento con datos retrospectivos. Sin embargo, los investigadores observaron que los modelos de predicción que utilizan datos de flujos de trabajo clínicos en vivo son cruciales debido a la falta de interoperabilidad en los sistemas que se utilizan para almacenar datos retrospectivos. Además, las diferencias en la prevalencia de los eventos de riesgo clínico pueden afectar negativamente a la precisión de las predicciones, lo que puede perjudicar a la calidad de la atención y los resultados.
Otro punto positivo es que cuando los modelos de predicción se usaban en los hospitales, los médicos también podían proporcionar comentarios sobre la utilidad y el rendimiento del modelo después de cerrar una alerta de predicción determinada.
Los investigadores concluyen que el uso de un proceso de desarrollo de modelos genéricos y la implementación de herramientas de calibración para generar modelos específicos de hospitales es un enfoque recomendable para el diseño de modelos de predicción y garantiza el rendimiento del modelo en diferentes hospitales. Sin embargo, también apuntaron a que se necesita investigar para evaluar los resultados clínicos detallados de los modelos de predicción de IA en la práctica médica.
Referencias
OAD-ES-AMG-0001
Aceptar y salir
