La nueva herramienta médica de IA identifica más casos de COVID durante más tiempo que los registros médicos de los pacientes.

“Nuestra herramienta de IA puede transformar un proceso de diagnóstico turbio en uno rápido y enfocado, permitiendo a los médicos dar sentido a una condición desafiante”, dijo el autor principal Hussain Esteri, Ph.D., Centro de IA y Ciencias Biomédicas. Investigación de IA en informática. Learning Health Care Systems (CAIBILS) en Brigham, Mass. General y profesor asociado de medicina en la Facultad de Medicina de Harvard. “Con este trabajo, es posible que finalmente podamos ver el COVID prolongado tal como es realmente y, lo que es más importante, cómo tratarlo”.

La COVID crónica, también conocida como secuelas posagudas de la infección por SARS-CoV-2 (PASC), incluye una amplia gama de síntomas. Para los fines de su estudio, Esteri y sus colegas definieron esto como un diagnóstico de alta que también se asocia con infección. Esto significa que el diagnóstico no podía definirse en la historia clínica única del paciente y debía estar relacionado con la infección por covid. Además, la evaluación debe mantenerse durante 2 meses o más en la ventana de seguimiento de 12 meses.

Los algoritmos utilizados en la herramienta de IA se han probado en casi 300.000 pacientes en 14 hospitales y 20 centros de salud comunitarios del sistema Mass General Brigham. Los datos de pacientes no identificados se extrajeron de los registros clínicos. En lugar de depender de un único código de diagnóstico, la IA utiliza un nuevo método desarrollado por Esteri y sus colegas llamado Los registros individuales, denominados “fenotipado de precisión”, se utilizan para identificar síntomas y afecciones asociadas con COVID-19 y realizar un seguimiento de los síntomas a lo largo del tiempo. Filtra por Para distinguirlas de otras enfermedades. Por ejemplo, el algoritmo puede detectar si la dificultad para respirar puede ser el resultado de una condición preexistente como insuficiencia cardíaca o asma en lugar de un COVID-19 prolongado. es Sólo cuando se hayan agotado todas las demás posibilidades, la herramienta marcará que el paciente tiene COVID crónico.

“Los médicos a menudo se enfrentan a una red confusa de síntomas e historiales médicos, sin estar seguros de qué hilos tirar, mientras equilibran una carga de casos ocupada, teniendo una herramienta impulsada por IA. Lo que se puede hacer por ellos en términos de procedimiento puede cambiar las reglas del juego. “, dijo Alala Azir, MD, coautor principal y residente de medicina interna en el Brigham Women’s Hospital, Mass. General Brigham Healthcare System. dicho

Los diagnósticos basados ​​en el paciente proporcionados por este nuevo método también pueden ayudar a abordar los sesgos inherentes a los diagnósticos actuales de COVID prolongado, según los investigadores, quienes señalan que aquellos diagnosticados con códigos de diagnóstico oficiales ICD-10 tienen fácil acceso a diagnósticos de COVID a largo plazo. 19 tratamiento. para el cuidado de la salud. Mientras que otros estudios de diagnóstico han sugerido que alrededor del 7% de la población está infectada crónicamente con Covid, este nuevo método muestra una estimación mucho más alta: 22,8%. Los datos están más alineados con las tendencias nacionales y pintan una imagen más realista del costo de la epidemia a largo plazo, dijeron los autores.

Los investigadores determinaron que su herramienta era aproximadamente un 3 por ciento más precisa que capturar códigos ICD-10, y tenía menos sesgo. Específicamente, su estudio mostró que las personas que identificaron con COVID a largo plazo reflejaban la composición demográfica más amplia de Massachusetts, en contraste con el algoritmo de COVID a largo plazo, que dependía de códigos de diagnóstico o encuentros clínicos individuales, sesgando los resultados. hacia ciertas poblaciones, como las personas de alto acceso. “Este alcance más amplio garantiza que las comunidades desatendidas, que a menudo se pasan por alto en los estudios clínicos, ya no sean invisibles”, afirmó Esteri.

Las limitaciones del estudio y la herramienta de inteligencia artificial incluyen que los datos de los registros médicos utilizados en el algoritmo para calcular los síntomas prolongados de COVID pueden ser menos completos que los que los médicos han capturado en las notas clínicas posteriores a la visita. Otra limitación fue que el algoritmo no captó el posible deterioro de una afección preexistente, que podría ser un síntoma prolongado de COVID. Por ejemplo, si un paciente tenía EPOC y había tenido episodios previos que empeoraron antes de desarrollar COVID-19, el algoritmo los habría eliminado incluso si sus síntomas hubieran estado presentes durante mucho tiempo con COVID-19. La disminución en la cantidad de pruebas de COVID-19 en los últimos años también hace que sea difícil determinar cuándo un paciente pudo haber tenido COVID-19 por primera vez. El estudio también se limitó a pacientes de Massachusetts.

Los estudios futuros pueden explorar el algoritmo en grupos de pacientes con afecciones específicas, como EPOC o diabetes. Los investigadores también planean hacer público el algoritmo en acceso abierto donde los médicos y los sistemas de atención médica de todo el mundo puedan usarlo en sus poblaciones de pacientes.

Además de abrir la puerta a una mejor atención médica, este trabajo podría sentar las bases para futuras investigaciones sobre los factores genéticos y bioquímicos detrás de los diversos subtipos de COVID a largo plazo. “Las preguntas sobre la verdadera carga de la COVID prolongada, preguntas que han sido esquivas hasta ahora, ahora parecen más accesibles”, dijo Esteri.

Autor: Además de Esteri, los autores del Mass General Brigham incluyen a Alala Azir, Jonas Hagel, Jiazi Tian, ​​​​Zhengya Cheng, Ingrid V. Bassett, Emily S. Lau, Eugenie R. Semenoff, Virginia A. Trent, Zachary H. Strasser, Jeffrey GRAMO. Clan y Sean N. Murphy. Los autores adicionales incluyen a Douglas S. Bell, Elmer V. Bernstam, Maha R. Farhat, Darren W. Henderson, Michele Morris y Shaam Visweswaran.

Fondos: Institutos Nacionales de Salud, Instituto Nacional de Alergias y Enfermedades Infecciosas (NIAID) R01AI165535, Instituto Nacional del Corazón, los Pulmones y la Sangre (NHLBI) OT2HL161847 y el Centro Nacional para el Avance de las Ciencias Traslacionales (NCATS) UL1 TR018, TR018 y TR018 U24TR004111. El trabajo de J.Hügel fue financiado parcialmente por una beca del programa IFI del Servicio Alemán de Intercambio Académico (DAAD) y por el Ministerio Federal de Educación e Investigación (BMBF), así como por la Fundación Alemana de Investigación (426671079).