Modelos predictivos de IA en insuficiencia cardíaca: predicción de reingreso y de descompensación
Vicomtech
Sector: Comercio
Business Case
La insuficiencia cardíaca es una enfermedad crónica responsable de una importante cantidad de ingresos, mala calidad de vida y alto coste hospitalario. Desarrollo de modelos predictivos en insuficiencia cardíaca, tanto en el contexto intrahospitalario, donde se predice el posible reingreso al alta, como en el contexto ambulatorio, donde se pretende anticipar una posible descompensación de los/las pacientes.
Objetivos
Desarrollar un sistema que permita predecir el reingreso (ejemplo a 30 o 45 días) para pacientes de insuficiencia cardíaca en el momento de alta en base a datos basales. En el contexto ambulatorio, se intenta predecir la descompensación en base a datos de telemonitorización, para poder estratificar el riesgo y permitir una intervención preventiva temprana, evitando un posible ingreso hospitalario.
Use case
El modelo predictivo intrahospitalario está pensado para integrarse en la historia clínica del paciente, de manera que se emitiera una alarma en caso de riesgo evidente de reingreso. El modelo de descompensación se integra en un sistema de telemonitorización que incluye dispositivos point-of-care para medida de ciertas variables diariamente, junto con una serie de cuestionarios. El modelo se integra en un sistema de apoyo a la decisión.
Infraestructura
Cloud.
Tecnologías utilizadas
Machine Learning y Deep Learning
Datos utilizados
Predicción de reingreso: datos basales incluyendo biomarcadores en sangre y otras variables clínicas.
Predicción de descompensación: diariamente peso, pulso, presión sanguínea, saturación de oxígeno, cuestionario.
Recursos utilizados
1 jefe de proyecto, 1 ingeniero de IA, supervisión y (Dras. Vanessa Escolar y Ainara Lozan, validación clínica por el servicio de cardiología del Hospital de Basurto o). Desarrollo de modelos de ML y sistema de soporte a la decisión desarrollado por Vicomtech. Soporte de Sistemas de Información de la OSI Bilbao-Basurto.
Dificultades y aprendizaje
La disponibilidad de una base de datos bien recogida en base a un proyecto previo de cronicidad facilita mucho el desarrollo de modelos, si bien en la práctica clínica esto es menos habitual.
Es importante considerar bien la toma de decisiones para valorar el rendimiento del modelo. En esta aplicación cierto número de falsos positivos es aceptable, pero si es excesivo el sistema no escala.
KPIs (impacto en el negocio y métricas del modelo)
Sensibilidad / Especificidad.
Riesgo de descompensación y escala de riesgo.
Ventana temporal predictiva.
Financiación
El proyecto ha sido financiado por el programa de investigación sanitaria del Departamento de Salud.
Proyecto HAZITEK alineado: eCardioSurf.
Colaboradores
Servicio de Cardiología, Hospital de Basurto, OSI Bilbao-Basurto.
BIOEF. Contacto con empresas eCardioSurf: Ideable, Balidea, STT. Contacto actual con empresas de wearables.
