Nuevos algoritmos de Machine Learning muestran precisión y confiabilidad en la medición de la inconsciencia bajo anestesia general. Los avances en el software de aprendizaje automático podrían ayudar a los anestesiólogos a optimizar la dosis del fármaco.
La actuación de los fármacos anestésicos actúan sobre el cerebro. No obstante la mayoría de anestesiólogos se basan en la frecuencia cardíaca, respiratoria y el movimiento para inferir si los pacientes permanecen inconscientes en el grado deseado. En un nuevo estudio, un equipo de investigación con sede en el MIT y el Hospital General de Massachusetts, muestra que un enfoque sencillo de la IA en sintonía con el tipo de anestésico utilizado, puede producir algoritmos para evaluar la inconsciencia de los pacientes en función de su actividad cerebral.
El autor principal Emery N. Brown añadió “Una de las cosas más importantes en la mente de los anestesiólogos es '¿Tengo a alguien que está acostado frente a mí que puede estar consciente y no me doy cuenta?' Ser capaz de mantener de manera confiable la inconsciencia en un paciente durante la cirugía es fundamental para lo que hacemos ”.
El profesor Edward Hood Taplin añadió "Este es un importante paso adelante".
Brown agregó que más que proporcionar una buena lectura de la inconsciencia, los nuevos algoritmos ofrecen el potencial de permitir que los anestesiólogos la mantengan en el nivel deseado mientras se utiliza menos medicamento del que se podría administrar utilizando indicadores menos directos, precisos y confiables. Gracias a esto se pueden mejorar resultados posoperatorios de los pacientes, como el delirio.
Según Brown “Es posible que siempre tengamos que estar un poco 'por la borda'”, "Pero, ¿podemos hacerlo con suficiente precisión para que no estemos dosificando a las personas más de lo necesario?"
Estos algoritmos podrían ser capaces de ayudar a los anestesiólogos con la precisión de administración de medicamentos y así optimizar el estado del paciente y dosis recibida.
Inteligencia Artificial, pruebas en el mundo real
En 2013 se realizó un estudio para entrenar algoritmos en el cual participaron 10 voluntarios sanos de 20años. Estos se sometieron a anestesia con un fármaco común, Propofol. Se fue aumentando la dosis de manera controlada pidiendo a los voluntarios que respondiesen una solicitud para comprobar cuando ya no podían hacerlo. Al bajar la dosis y recuperar la consciencia fueron capaces de seguir respondiendo. Mientras esta prueba se llevaba a cabo, se registraron sus ritmos neuronales y actividad cerebral para proporcionar un vínculo directo en tiempo real entre actividad cerebral y inconsciencia exhibida.
El equipo entrenó diferentes versiones del algoritmo basados en diferentes métodos estadísticos subyacentes. Esto se realizo en más de 33000 fragmentos de 2 segundos en grabaciones de EEG de siete voluntarios. De esta manera los algoritmos podian “aprender” la diferencia entre lecturas de EEG predictivas. Estos algoritmos se probaron de tres formas distintas.
Primero se comprobó si sus tres algoritmos más prometedores predijeron con precisión la inconsciencia. Esta prueba resulto un éxito.
Después se utilizaron los algoritmos con registros de 27 pacientes quirúrgicos reales que recibieron Propofol como anestesia. Aun tratándose de un caso real y los datos recopilados fueron tomados con diferentes equipos, los algoritmos distinguían la inconsciencia con una mayor precisión que la demostrada en anteriores estudios. En un caso los algoritmos fueron capaces de detectar una disminución del nivel de inconsciencia de un paciente varios minutos antes del propio anestesiólogo tratante. Esto significa que en un uso real podría proporcionar una información precisa y útil. Advertencia temprana.
Por último, el equipo aplicó estos algoritmos en otros 17 casos reales de pacientes quirúrgicos, pero en este caso anestesiados con Sevoflurano. A pesar de tratarse de dos métodos diferentes, la base es la misma, se utilizan en los receptores claves de las células cerebrales. Estos algoritmos volvieron a funcionar de manera precisa, aunque algo reducida, con lo cual se pudo obtener en claro que la capacidad de clasificar inconsciencia se transfirió de manera confiable a otro fármaco anestésico que funciona de manera similar.
La capacidad de predecir inconsciencia a través de diferentes fármacos es clave, puesto que los métodos actuales no son capaces de hacerlo. Tampoco explican adecuadamente las diferencias de edad conocidas en la respuesta cerebral de la anestesia. Estas limitaciones en su precisión también han limitado su uso clínico.
A pesar de que estos algoritmos funcionaron de manera correcta en edades similares a la utilizada para realizar el estudio, los autores reconocen que quieren entrenar algoritmos de manera distintiva con niños y personas mayores. También se pueden aplicar otros algoritmos para aplicarlos específicamente a otros tipos de fármacos. En conjunto, diversos algoritmos bien entrenados y sintonizados podrían proporcionar una alta precisión independientemente de la edad y fármaco en uso.
Abel, uno de los líderes del estudio, dice que el enfoque del equipo de enmarcar el problema como una cuestión de predecir la conciencia a través de EEG para una clase específica de medicamentos hizo que el enfoque de aprendizaje automático fuera muy simple de implementar y extender.
También dijo “Esta es una prueba de concepto que muestra que ahora podemos ir y decir, veamos una población mayor o veamos un tipo diferente de medicamento”, "Hacer esto es simple si lo configura de la manera correcta".
Los autores señalaron que los algoritmos resultantes son capaces de realizar una predicción precisa de la consciencia en menos de una décima de segundo con tan solo 2 segundos de datos de EEG y todo esto siendo ejecutado en una computadora MacBook Pro estándar.
El laboratorio ya está construyendo sobre los hallazgos para refinar aún más los algoritmos, dice Brown. Él dice que también quiere expandir las pruebas a cientos de casos más y también determinar si pueden comenzar a surgir distinciones más amplias entre los diferentes modelos estadísticos subyacentes que empleó el equipo.
Además de Brown y los líderes del estudio John Abel y Marcus Badgeley, los otros autores del artículo son Benyamin Meschede-Krasa, Gabriel Schamberg, Indie Garwood, Kimaya Lecamwasam, Sourish Chakravarty, David Zhou, Matthew Keating y Patrick Purdon.
Este artículo ha sido elaborado tomando el MIT como fuente
