Infodatnet: La IA como herramienta para predecir el riesgo de muerte prematura: científicos británicos afirman lograr una efectividad del 76%

viernes, 29 de marzo de 2019

La IA como herramienta para predecir el riesgo de muerte prematura: científicos británicos afirman lograr una efectividad del 76%

La revista académica PLOS ONE se ha hecho eco esta semana de la sorprendente investigación llevada a cabo por un equipo de científicos liderados por Stephen Weng (Univ. de Nottingham), que ha desembocado en el desarrollo de un algoritmo capaz de predecir con gran exactitud el riesgo de muerte prematura de un paciente (entendiendo como 'prematuro' morir antes de alcanzar la esperanza media de vida).

Weng, profesor asistente de epidemiología y ciencia de datos, evaluó entre 2006 y 2016 registros médicos de 502.628 pacientes británicos con edades situadas entre los 40 y los 69 años. 14.418 de los participantes en el estudio murieron durante esa década, en la mayor parte de los casos por enfermedades respiratorias y coronarios, o por cáncer.

Usando a todos esos datos, los investigadores pudieron recurrir a la inteligencia artificial para que detectase aquellos patrones comunes a los fallecidos prematuramente, con el objetivo de que en el futuro permitieran realizar predicciones fiables sobre la esperanza de vida de pacientes vivos.

En Xataka

Automatizar diagnósticos con una IA: esta máquina trata de identificar qué pacientes despertarán del coma y cuáles no

3 métodos, 3 resultados

Para ello probaron dos tipos de IA: el "aprendizaje profundo", en el cual las redes neuronales procesan información para aprender a partir de los ejemplos; y el "bosque aleatorio", un tipo más simple de IA que combina múltiples modelos en forma de árbol para predecir tendencias.

Luego compararon los resultados que arrojaban ambos modelos de IA con los resultados de un algoritmo estándar conocido como 'modelo de Cox', que calcula los riesgos que afectan a la supervivencia de una población de individuos.

Hubo factores señalados por los 3 métodos como relevantes a la hora de calcular el peligro de muerte prematura: edad, sexo, historial de tabaquismo y diagnóstico previo de cáncer. Sin embargo, diferían en otros.

Así, el modelo de Cox se apoyaba en gran medida en aspectos como la etnia y la actividad física... pero sólo fue capaz de identificar correctamente el 44% de los muertos participantes en el estudio.
El modelo de bosque aleatorio se basaba, por su parte, en factores como el porcentaje de grasa corporal, el tono de piel o el consumo de vegetales, y su efectividad subió al 64%.
Por último, recurriendo al deep learning los autores del estudio identificaron un patrón que daba más peso a factores como el consumo de alcohol y ciertos medicamentos, y a la exposición a la contaminación y a los accidentes laborales. De este modo, se lograron identificar correctamente más de tres cuartas partes de los casos reales de muertos prematuros (concretamente, el 76%).

En Xataka

Cada vez muere más gente por obesidad que por accidentes de tráfico. Y no parece que vaya a cambiar

Weng afirma que lo que le movió a realizar esta investigación fue el hecho de que la atención médica preventiva viene convirtiéndose, cada vez con más fuerza, en "una prioridad cada vez mayor en la lucha contra enfermedades graves".

Eso, y que la mayoría de métodos tecnológicos usados para realizar predicciones sobre la salud de los pacientes se centran áreas o enfermedades concretas, pero ninguno tenía en cuenta la interrelación de varias enfermedades o los distintos factores ambientales e individuales que podían afectar a los pacientes.

Joe Kai, otro de los investigadores implicados, afirma que actualmente existe un gran interés en la capacidad de la IA para realizar predicciones en este campo:

"En algunas situaciones, podemos encontrar que es útil. En otros casos, puede que no. En este caso particular, hemos demostrado que, con un ajuste cuidadoso, estos algoritmos pueden mejorar la predicción".

El siguiente paso será validar y verificar los resultados de este estudio con otros grupos de población, y explorar a continuación formas de implementar estos sistemas en la atención médica diaria.