Según la Fundación Americana para la Prevención del Suicidio, el suicidio es la décima causa de muerte en los EE.UU., con más de 1,4 millones de intentos de suicidio registrados en 2018.
Aunque se dispone de tratamientos eficaces para las personas en situación de riesgo, los médicos no tienen una forma fiable de predecir qué pacientes tienen más probabilidades de intentar suicidarse.
Investigadores de la Universidad Médica de Carolina del Sur y de la Universidad del Sur de Florida informan en JMIR Informática Médica que han adoptado medidas importantes para abordar el problema creando un algoritmo de inteligencia artificial que puede identificar automáticamente a los pacientes con alto riesgo de autolesión intencional, basándose en la información de las notas clínicas de la historia clínica electrónica.
El estudio fue dirigido por el Dr. Jihad Obeid, codirector del Centro de Informática Biomédica del MUSC, y por el Dr. Brian Bunnell, anteriormente en el MUSC y actualmente profesor asistente en el Departamento de Psiquiatría y Neurociencias del Comportamiento de la Universidad del Sur de Florida.
El equipo utilizó complejas redes neuronales artificiales, una forma de inteligencia artificial también conocida como aprendizaje profundo, para analizar datos textuales no estructurados en la historia clínica electrónica. Los métodos de aprendizaje profundo utilizan progresivamente capas de redes artificiales para extraer mayor información de los datos de entrada en bruto.
El equipo demostró que estos modelos, una vez entrenados, podían identificar a los pacientes en riesgo de autolesión intencional.
Este tipo de trabajo es importante porque aprovecha las últimas tecnologías para abordar un problema importante como el suicidio e identifica a los pacientes en riesgo para poder remitirlos a un tratamiento adecuado».
Jihad Obeid, MD, Co-director del Centro de Informática Biomédica de MUSC, y Brian Bunnell, Profesor Asistente del Departamento de Psiquiatría y Neurociencias del Comportamiento de la Universidad del Sur de Florida.
Hasta ahora, los investigadores se han basado principalmente en los datos estructurados de la historia clínica electrónica para identificar y predecir los pacientes en situación de riesgo. Los datos estructurados se refieren a la información tabulada que se ha introducido en campos designados en el registro médico electrónico como parte de la atención clínica.
Por ejemplo, cuando los médicos diagnostican a los pacientes y asignan códigos de la Clasificación Internacional de Enfermedades (CIE), están creando datos estructurados. Esta clase de datos tabulados y estructurados son fáciles de analizar por los programas de ordenador.
Sin embargo, entre el 80% y el 90% de la información pertinente en el registro electrónico de salud está atrapada en formato de texto. En otras palabras, las notas clínicas, los informes sobre la marcha de los trabajos, las notas sobre el plan de atención y otros textos narrativos de la historia clínica electrónica representan un enorme recurso sin explotar para la investigación.
El estudio de Obeid es único porque utiliza redes neuronales profundas para «leer» notas clínicas en la historia clínica electrónica e identificar y predecir a los pacientes que corren el riesgo de autolesionarse.
Después de la revisión de la ética regulatoria y la aprobación de la investigación propuesta por la Junta de Revisión Institucional del MUSC, Obeid comenzó por identificar los registros de los pacientes asociados con los códigos de la CDI que indicaban una autoagresión intencional en el almacén de datos de investigación del MUSC.
Ese almacén, que se creó con el apoyo del Instituto de Investigación Clínica y Translacional de Carolina del Sur, proporciona a los investigadores de la MUSC acceso a los datos de los registros sanitarios electrónicos de los pacientes, siempre que hayan obtenido los permisos necesarios.
A fin de simular un escenario del mundo real, Obeid y su equipo dividieron las historias clínicas en dos categorías temporales: las de 2012 a 2017 que se utilizaron para la capacitación de los modelos y las de 2018 a 2019 que se utilizaron para probar los modelos capacitados. En primer lugar, examinaron las notas clínicas tomadas durante la visita al hospital en las que se asignó el código del DCI.
Utilizando eso como conjunto de datos de capacitación, los modelos «aprendieron» qué patrones de lenguaje en las notas clínicas de las historias clínicas electrónicas de los pacientes se asociaban con la asignación de un código ICD de autolesión intencional. Una vez que los modelos fueron entrenados, pudieron identificar a esos pacientes basándose únicamente en su análisis del texto de las notas clínicas, con una precisión del 98,5%. Los expertos revisaron manualmente un subconjunto de registros para confirmar la precisión del modelo.
A continuación, el equipo probó si el más preciso de los modelos podía utilizar las notas clínicas de la historia clínica electrónica para predecir futuras autolesiones.
Con este fin, el equipo de Obeid identificó los registros de los pacientes que se habían presentado con una autoagresión intencional y entrenó el modelo utilizando sus notas clínicas entre seis meses y un mes antes de la visita al hospital por autoagresión intencional.
Luego probaron si los modelos entrenados podían predecir correctamente si estos pacientes se presentarían más tarde con daño autoinfligido intencional.
La predicción de futuras autolesiones basada únicamente en notas clínicas resultó ser más difícil que la identificación de los actuales pacientes de riesgo debido al «ruido» adicional que se introduce cuando se incluyen en el modelo grandes cantidades de antecedentes de los pacientes.
Las notas clínicas históricas tienden a ser variadas y no siempre relevantes. Por ejemplo, si un paciente fue atendido por depresión u otros problemas de salud mental seis meses antes de su visita al hospital por autolesión intencional, es probable que las notas clínicas incluyan información pertinente.
Sin embargo, si el paciente llegaba por una condición no relacionada con la salud mental, era menos probable que las notas incluyeran información pertinente.
Si bien la inclusión de información irrelevante introduce mucho ruido en el análisis de los datos, toda esta información debe ser incluida en los modelos de los pacientes para predecir los resultados. Como resultado, el modelo era menos preciso para predecir qué pacientes se presentarían más tarde para autolesionarse intencionadamente que simplemente clasificar a los pacientes actuales por el riesgo de suicidio.
No obstante, la exactitud de la predicción de este modelo era muy competitiva con la que se había comunicado anteriormente para los modelos que se basaban en datos estructurados, alcanzando una exactitud de casi el 80% con una sensibilidad y precisión relativamente altas.
El equipo de Obeid ha demostrado la viabilidad de utilizar modelos de aprendizaje profundo para identificar a los pacientes en riesgo de autolesión intencional basándose únicamente en notas clínicas. El estudio también demostró que los modelos pueden utilizarse para predecir, con bastante fidelidad, qué pacientes presentarán en el futuro para autolesionarse intencionalmente basándose en notas clínicas en su historia clínica electrónica.
Estos primeros resultados son prometedores y podrían tener grandes repercusiones a nivel clínico. Si se pueden utilizar modelos de aprendizaje profundo para predecir cuáles son los pacientes de alto riesgo de suicidio sobre la base de las notas clínicas, entonces los clínicos pueden remitir a los pacientes de alto riesgo a tiempo para el tratamiento apropiado.
El uso de estos modelos para clasificar a los pacientes como en riesgo de autolesión también podría facilitar la inscripción en estudios clínicos y ensayos de posibles nuevos tratamientos relevantes para el suicidio.
En futuros estudios, Obeid se propone evaluar los cambios en la ventana de tiempo de predicción de sus modelos, por ejemplo, mirando los registros un año antes de la presentación de un paciente por daño autoinfligido intencional en lugar de seis meses.
El equipo también tiene la intención de examinar otros resultados como el suicidio o la ideación suicida. Y mientras que los modelos funcionan bien en MUSC, Obeid debe mostrar ahora que pueden ser generalizados a otras instituciones.
«¿Pueden los modelos ser entrenados en un lugar y transferidos a otro lugar y aún así funcionar?» preguntó Obeid. «Si la respuesta es afirmativa, entonces esto ahorra recursos críticos porque otras instituciones no tendrán que realizar costosas y lentas revisiones manuales de los gráficos para confirmar que los modelos están funcionando bien durante los períodos de entrenamiento».
Fuente:
Universidad Médica de Carolina del Sur
Referencia de la revista:
Obeid, J. S., et al. (2020) Identificación y predicción de autodestrucción intencional en las notas clínicas de la historia clínica electrónica: Enfoque de aprendizaje profundo. JMIR Informática Médica.
doi.org/10.2196/17784.