Cuando se trata de estrategias de tratamiento para pacientes en estado crítico, los médicos quieren poder considerar todas sus opciones y tiempos de administración, y tomar la decisión óptima para sus pacientes. Si bien la experiencia y el estudio de los médicos les ha ayudado a tener éxito en este esfuerzo, no todos los pacientes son iguales, y las decisiones de tratamiento en este momento crucial podrían significar la diferencia entre la mejora del paciente y el deterioro rápido. Por lo tanto, sería útil que los médicos pudieran tomar el estado de salud conocido anterior de un paciente y los tratamientos recibidos y usarlos para predecir el resultado de salud de ese paciente en diferentes escenarios de tratamiento, a fin de elegir el mejor camino.
Ahora, una técnica de aprendizaje profundo, llamada G-Net, de investigadores del MIT junto con IBM proporciona una ventana a la predicción causal contrafactual, brindando a los médicos la oportunidad de explorar cómo le iría a un paciente con diferentes planes de tratamiento. La base de G-Net es el algoritmo de cálculo g, un método de inferencia causal que estima el efecto de las exposiciones dinámicas en presencia de variables de confusión medidas, que pueden influir tanto en los tratamientos como en los resultados. A diferencia de las implementaciones anteriores del marco de computación g, que han utilizado enfoques de modelado lineal, G-Net utiliza redes neuronales recurrentes (RNN), que tienen conexiones de nodos que les permiten modelar mejor secuencias temporales con dinámicas complejas y no lineales, como las que se encuentran en los datos de series temporales fisiológicas y clínicas. De este modo,
“Nuestro objetivo final es desarrollar una técnica de aprendizaje automático que permita a los médicos explorar varios escenarios hipotéticos y opciones de tratamiento”, dice Li-wei Lehman, científico investigador del MIT en el Instituto de Ingeniería y Ciencias Médicas del MIT y miembro del MIT- Líder de proyecto de IBM Watson AI Lab. “Se ha trabajado mucho en términos de aprendizaje profundo para la predicción contrafáctica, pero se ha centrado en un ajuste de exposición puntual”, o una estrategia de tratamiento estática que varía en el tiempo, que no permite el ajuste de los tratamientos según el paciente. la historia cambia. Sin embargo, el nuevo enfoque de predicción de su equipo proporciona flexibilidad en el plan de tratamiento y posibilidades de alteración del tratamiento con el tiempo a medida que cambian el historial de covariables del paciente y los tratamientos anteriores.
La investigación, que se publicó recientemente en Proceedings of Machine Learning Research , fue coautora de Rui Li MEng '20, Stephanie Hu MEng '21, ex postdoctorado del MIT Mingyu Lu MD, estudiante de posgrado Yuria Utsumi, miembro del personal de investigación de IBM Prithwish Chakraborty , el director de investigación de servicios de nube híbrida de IBM, Daby Sow, el científico de datos de IBM, Piyush Madan, el científico de investigación de IBM, Mohamed Ghalwash, y el científico de investigación de IBM, Zach Shahn.
Seguimiento de la progresión de la enfermedad
Para construir, validar y probar las capacidades predictivas de G-Net, los investigadores consideraron el sistema circulatorio en pacientes sépticos en la UCI. Durante la atención crítica, los médicos deben hacer concesiones y juicios, como garantizar que los órganos reciban un suministro de sangre adecuado sin sobrecargar el corazón. Para ello, podrían administrar líquidos intravenosos a los pacientes para aumentar la presión arterial; sin embargo, demasiado puede causar edema. Como alternativa, los médicos pueden administrar vasopresores, que actúan contrayendo los vasos sanguíneos y elevando la presión arterial.
Para imitar esto y demostrar la prueba de concepto de G-Net, el equipo utilizó CVSim, un modelo mecánico de un sistema cardiovascular humano que se rige por 28 variables de entrada que caracterizan el estado actual del sistema, como la presión arterial, la presión venosa central, el volumen sanguíneo total y la resistencia periférica total, y lo modificó para simular diversos procesos patológicos (p. ej., sepsis o pérdida de sangre) y los efectos de las intervenciones (p. ej., líquidos y vasopresores). Los investigadores utilizaron CVSim para generar datos observacionales de pacientes para el entrenamiento y para la comparación de la "verdad sobre el terreno" con la predicción contrafáctica. En su arquitectura G-Net, los investigadores ejecutaron dos RNN para manejar y predecir variables que son continuas, lo que significa que pueden tomar un rango de valores, como la presión arterial y variables categóricas, que tienen valores discretos. como la presencia o ausencia de edema pulmonar. Los investigadores simularon las trayectorias de salud de miles de "pacientes" que presentaban síntomas bajo un régimen de tratamiento, digamos A, durante 66 intervalos de tiempo, y los usaron para entrenar y validar su modelo.
Al probar la capacidad de predicción de G-Net, el equipo generó dos conjuntos de datos contrafácticos. Cada uno contenía aproximadamente 1000 trayectorias de salud de pacientes conocidas, que se crearon a partir de CVSim utilizando la misma condición de "paciente" como punto de partida en el tratamiento A. Luego, en el paso de tiempo 33, el tratamiento cambió al plan B o C, según el conjunto de datos. Luego, el equipo realizó 100 trayectorias de predicción para cada uno de estos 1000 pacientes, cuyo tratamiento e historial médico se conocían hasta el paso de tiempo 33, cuando se administró un nuevo tratamiento. En estos casos, la predicción coincidió bien con las observaciones de "verdad en el terreno" para pacientes individuales y trayectorias promediadas a nivel de población.
Un corte por encima del resto
Dado que el marco de computación g es flexible, los investigadores querían examinar la predicción de G-Net utilizando diferentes modelos no lineales, en este caso, modelos de memoria a corto plazo (LSTM), que son un tipo de RNN que pueden aprender de patrones de datos anteriores. o secuencias, frente a los modelos lineales más clásicos y un modelo de percepción multicapa (MLP), un tipo de red neuronal que puede hacer predicciones utilizando un enfoque no lineal. Siguiendo una configuración similar a la anterior, el equipo descubrió que el error entre los casos conocidos y los predichos era menor en los modelos LSTM en comparación con los demás. Dado que G-Net puede modelar los patrones temporales de la historia de la UCI del paciente y el tratamiento anterior, mientras que un modelo lineal y MLP no pueden, pudo predecir mejor el resultado del paciente.
El equipo también comparó la predicción de G-Net en un entorno de tratamiento estático variable en el tiempo con dos enfoques de predicción contrafactual basados ??en aprendizaje profundo de última generación, una red estructural marginal recurrente (rMSN) y una red neuronal recurrente contrafactual (CRN ), así como un modelo lineal y un MLP. Para ello, investigaron un modelo para el crecimiento tumoral sin tratamiento, radiación, quimioterapia y escenarios de radiación y quimioterapia. “Imagínese un escenario donde hay un paciente con cáncer, y un ejemplo de un régimen estático sería si solo le da una dosis fija de quimioterapia, radiación o cualquier tipo de medicamento, y espera hasta el final de su trayectoria”, comenta Lu. . Para estas investigaciones, los investigadores generaron datos de observación simulados usando el volumen del tumor como la influencia principal que dicta los planes de tratamiento y demostraron que G-Net superó a los otros modelos. Una posible razón podría ser que se sabe que el cálculo g es más eficiente estadísticamente que rMSN y CRN, cuando los modelos se especifican correctamente.
Si bien G-Net ha funcionado bien con datos simulados, se necesita hacer más antes de que pueda aplicarse a pacientes reales. Dado que las redes neuronales se pueden considerar como "cajas negras" para los resultados de predicción, los investigadores están comenzando a investigar la incertidumbre en el modelo para ayudar a garantizar la seguridad. En contraste con estos enfoques que recomiendan un plan de tratamiento "óptimo" sin la participación de ningún médico, "como herramienta de apoyo a la toma de decisiones, creo que G-Net sería más interpretable, ya que los médicos ingresarían las estrategias de tratamiento por sí mismos", dice Lehman, y “G-Net les permitirá poder explorar diferentes hipótesis”. Además, el equipo pasó a utilizar datos reales de pacientes de la UCI con sepsis, acercándolo un paso más a la implementación en los hospitales.
“Creo que es bastante importante y emocionante para las aplicaciones del mundo real”, dice Hu. “Sería útil tener alguna forma de predecir si un tratamiento podría funcionar o cuáles podrían ser los efectos: un proceso de iteración más rápido para desarrollar estas hipótesis sobre qué probar, antes de intentar implementarlas en unos años. tipo de ensayo clínico largo, potencialmente muy complicado y muy invasivo”.
Esta investigación fue financiada por el MIT-IBM Watson AI Lab.
Este artículo ha sido elaborado tomando el MIT como fuente.
