Inteligencia artificial y prevención del suicidio: una revisión sistemática
septiembre 19, 2023
Avances y Desafíos en la Diálisis Pediátrica: Enfocando el Tratamiento Renal en Neonatos y Lactantes.
noviembre 29, 2023
Resumen
Objetivo: La lesión renal aguda (IRA), una complicación prevalente en el ámbito intrahospitalario, constituye un factor significativo de incremento en la mortalidad y la carga económica asistencial. En la búsqueda de estrategias de detección precoz, se han explorado diversas metodologías, incluyendo la utilización de biomarcadores específicos y el análisis exhaustivo de los datos contenidos en los registros médicos electrónicos (RME). En este contexto, el aprendizaje automático (AA), una rama de la inteligencia artificial, ha cobrado relevancia como herramienta potencial para el análisis predictivo en el ámbito de la salud. Esta revisión sistemática se enfoca en evaluar la aplicación y eficacia del AA para la predicción de IRA en pacientes adultos que se encuentran en el entorno hospitalario.
Materiales y métodos:
Para la ejecución de esta revisión sistemática, se llevó a cabo una exhaustiva estrategia de búsqueda en varias bases de datos bibliográficas destacadas en el ámbito médico, incluyendo PubMed, EMBASE, Cochrane Library y Web of Science, cubriendo un período hasta el 31 de marzo de 2023. Se seleccionan estudios escritos en lengua inglesa que aplican metodologías de aprendizaje automático (AA) en poblaciones adultas con el propósito de predecir la incidencia de lesión renal aguda (IRA). La estrategia de búsqueda incorporó una serie de términos claves y frases relacionadas con la lesión renal aguda, el aprendizaje automático y la inteligencia artificial, siguiendo un conjunto de criterios de elegibilidad predefinidos.
Para garantizar la rigurosidad y la reducción de sesiones en la selección de estudios, dos revisores independientes procedieron a la evaluación de títulos, resúmenes y textos completos de las publicaciones identificadas. Esta evaluación se realizó de manera individual y, posteriormente, los revisores convergieron para discutir y conciliar discrepancias en la selección.
Los datos fueron extraídos siguiendo un protocolo estandarizado y se sintetizaron para obtener información relevante de cada estudio. El principal parámetro de efectividad considerado para la inclusión en el análisis fue un valor en el área bajo la curva (AUC) de la característica operativa del receptor (ROC) de al menos 0,70, indicativo de una capacidad predictiva aceptable.
Resultados:
En la síntesis final de nuestra búsqueda sistemática se incluyen diez estudios pertinentes, seleccionados de un conjunto inicial de 102 artículos, que incluyen un total de 242,251 pacientes. La evaluación del rendimiento de los diferentes algoritmos de aprendizaje automático reveló que el aprendizaje profundo exhibió un desempeño sobresaliente robusto, con un AUC de 0,907 en el contexto de pacientes con IRA en unidades de cuidados críticos y un AUC de 0,797 para aquellos con IRA en un entorno hospitalario general. Estos resultados fueron comparables a los obtenidos mediante la técnica de regresión logística, que presentó un AUC de 0,877 en el escenario de cuidados críticos y un AUC de 0,789 en pacientes hospitalizados.
Además, los modelos basados en árboles de decisión mostraron AUCs de magnitudes similares a las de las metodologías previamente mencionadas, sugiriendo una consistencia en la capacidad predictiva de estas modalidades de inteligencia artificial en el diagnóstico anticipado de la lesión renal aguda en diferentes contextos clínicos.
Conclusiones:
La presente revisión sistemática reporta que la mayoría de los modelos de aprendizaje automático (ML) examinados alcanzaron el objetivo principal propuesto, demostrando una capacidad predictiva adecuada con un AUC de referencia de 0,70 o superior. A pesar de la naturaleza multifactorial de la lesión renal aguda (IRA), los algoritmos de ML evidenciaron un desempeño robusto en la predicción de la IRA en escenarios con diversas etiologías, incluyendo la IRA asociada a complicaciones cardíacas, efectos nefrotóxicos de fármacos y en el ámbito de los cuidados críticos.
No obstante, se identifican limitaciones inherentes al diseño y aplicación de los modelos de ML, como el riesgo de sobreajuste (overfitting) de los datos y la opacidad en la interpretación de los modelos de caja negra, factores que pueden comprometer la capacidad de generalización y la comprension exhaustiva de los resultados obtenidos. La predominancia de estudios de diseño unicéntrico y la recurrencia en el uso de una misma base de datos, que refleja principalmente una población caucásica, subraya una carencia de diversidad que podría menoscabar la aplicabilidad externa de los hallazgos.
En síntesis, el ML se postula como una herramienta prometedora para la predicción eficiente de la IRA en el ámbito hospitalario. Las perspectivas a futuro deben enfocarse en el desarrollo de estudios multicéntricos que incorporen cohortes poblacionales más heterogéneas, así como en la implementación de ensayos clínicos prospectivos y controlados que fortalezcan la evidencia actual y expandan la aplicabilidad de los modelos de ML en la práctica clínica a nivel. global.
Referencias:
