Un nuevo sistema de IA desarrollado por investigadores de Google y la Universidad de California podría prevenir las muertes causadas por recetas incorrectas.
Si bien es bastante raro, las recetas que son incorrectas, o que reaccionan mal a los medicamentos existentes de un paciente, pueden provocar hospitalización o incluso la muerte.
En una publicación de blog hoy, el Dr. Alvin Rajkomar, Investigador Científico y Eyal Oren PhD, Gerente de Producto, Google AI, expusieron su trabajo sobre el uso de AI para predicciones médicas.
La IA puede predecir qué afecciones está tratando un paciente en función de ciertos parámetros. "Por ejemplo, si un médico le recetó ceftriaxona y doxiciclina a un paciente con temperatura elevada, fiebre y tos, el modelo podría identificarlos como señales de que el paciente estaba siendo tratado por neumonía", escribieron los investigadores.
En el futuro, una IA podría intervenir si un medicamento que se receta se ve incorrecto para un paciente con una afección específica en su situación actual.
"Si bien ningún médico, enfermera o farmacéutico quiere cometer un error que perjudique a un paciente, la investigación muestra que el 2% de los pacientes hospitalizados experimentan graves incidentes prevenibles relacionados con medicamentos que pueden poner en peligro la vida, causar daños permanentes o causar la muerte, ”Escribieron los investigadores.
"Sin embargo, determinar qué medicamentos son apropiados para un paciente determinado en un momento dado es complejo: los médicos y farmacéuticos entrenan durante años antes de adquirir la habilidad".
La IA fue entrenada en un conjunto de datos anónimos que presenta alrededor de tres millones de registros de medicamentos emitidos en más de 100,000 hospitalizaciones.
En su artículo, los investigadores escribieron:
"Los registros de pacientes varían significativamente en longitud y densidad de puntos de datos (p. Ej., Mediciones de signos vitales en una unidad de cuidados intensivos frente a una clínica ambulatoria), por lo que formulamos tres arquitecturas de modelos de redes neuronales de aprendizaje profundo que aprovechan dichos datos de diferentes maneras: una basada en redes neuronales recurrentes (memoria a largo plazo a corto plazo (LSTM)), una en un TANN basado en la atención y otra en una red neuronal con tocones de decisión basados en el tiempo.
Entrenamos cada arquitectura (tres diferentes) en cada tarea (cuatro tareas) y múltiples puntos de tiempo (por ejemplo, antes de la admisión, al ingreso, 24 h después del ingreso y al alta), pero los resultados de cada arquitectura se combinaron mediante el ensamblaje ".
Puede encontrar el artículo completo en la revista científica Nature aquí.
¿Interesado en escuchar a los líderes de la industria discutir temas como este? Asista a la 5G Expo, IoT Tech Expo, Blockchain Expo, AI & Big Data Expo y Cyber Security & Cloud Expo World Series con eventos próximos en Silicon Valley, Londres y Amsterdam.
