Alejandro Rodríguez MD,PhDServicio de Medicina Intensiva

Hospital Universitari de Tarragona Joan XXIIIProfesor Asociado Medicina

Universitat Rovira i VirgiliTarragona (Spain)

NO hay conflictos de interés en esta conferencia

CONFLICTOS DE INTERES

Índice • ¿Qué es Big Data?

• Cambio cultural

• Nuestra experiencia

• Big Data en infecciones

• Muchos o buenos datos

• Limitaciones

• Conclusiones

ÍNDICE

QUÉ ES BIGDATA?

Data Science Definicion : "ciencia de datos“ es la aplicación de las herramientas matemáticas, estadísticas einformáticas con la finalidad de obtener análisis inteligentes de las grandes bases.

Nuevas terminologías

Machine learning : El campo de estudio que focaliza en como las computadoras “aprenden” de losdatos y en el desarrollo de algoritmos que hacen posible este aprendizaje .

Domain expertise: Quien tiene la comprensión de los problemas clínicos del mundo real (la atencióndel paciente) ayuda a contextualizar la aplicación de la ciencia de datos a losproblemas de salud.

Sánchez-Pinto et al. Chest. 2018

Big Data Definición: Los datos digitales generados en alto volumen (V), con gran variedad (V) y quealmacenan a gran velocidad (V).

DEPTH Low Wide

AdministrativeHealth

Records

ICU EHR

OMICS

BREADTH (n)

QUÉ ES BIGDATA?

Ideas Valores Creencias Prácticas Expectativas

Cultura de la Organización

Tecnología Innovación Disruptiva

Cambio en la práctica clínica “Medicina

Personalizada”

Cambio en la investigación

“Free Database”

Cambio cultural + Tecnología =

Transformación Tecnológica

BIG DATA MEDICINA = CAMBIO CULTURAL

CAMBIO CULTURAL

Situación actual : Información fragmentada y aislada

IAMETRICSInforme pdf. (EHR) Cuadro mando hospitalario

Registro Donación CMBD-UCI

ReTRA-UCI

Registros particulares

Fuentes múltiplesRegistro ManualNo auditadas

Gran consumo de tiempo

CAMBIO CULTURAL

Resistencia

Intensivista

Situación actual TecnologiaDisrruptiva

Elementos del cambio

CAMBIO CULTURAL

Desafíos y Trampas de “Data Science” en UCI

Pocos de los estudios publicados se han podido implementar en la UCI

Poca aceptación de los médicos a compartir la responsabilidad de la decisión clínica con algoritmos de “machine learning”

Desconfianza a la “caja negra”

El costo tecnológico (EHR) es alto y los beneficios ambiguos

Temor al cambio

Celi LA et al. AJRCCM 2013;187:1157

CAMBIO CULTURAL

Intensivista

Situación actual

Elementos del cambio

Resistencia

Comunicación

Tecnologia

CAMBIO CULTURAL

Investigación en UCI: Por qué utilizar Big Data?

1.- Muchas de las intervenciones/terapias utilizadas en la UCI tienen escasaevidencia científica y gran variabilidad en la práctica.

2.- La complejidad del paciente crítico hace que la investigación tradicional“unicista” (una simple droga /intervención) sea insuficiente.

3.- El paciente crítico requiere una investigación integral que combine lacomplejidad del paciente con tecnología computacional y análisis de Big Data paraobtener repuestas.

4.- Big Data y Data Science son aspectos cada vez mas involucrados en lainvestigación en salud. Los MEDICOS debemos adaptarnos al cambio del modelo.

Comunicación

CAMBIO CULTURAL

Big Data. Tipos de análisis

CAMBIO CULTURAL

Me tomo otra cerveza??variable dependiente

Tengo dinero?

Tengo prisa ?

Me invitan?

La persona que me gusta

insiste en que me quede

¿Qué es un algoritmo?

Como tomamos decisiones (tanto humanos como máquinas)

Variables confundidoras: tengo sueño?, Tengo frío?, No hay cervezas?, cierran el Bar?

cova

riabl

es

QUÉ ES UN ALGORITMO

QUÉ ES UN ALGORITMO

Tipos de algoritmos en Data Science

Supervisados

No Supervisados

Híbridos

Modelos

QUÉ TIPOS DE MODELOS

Framinghan RiskScore

MACHINE LEARNING SPECTRUM (MLE)

LOW MLE

HIGH MLE (deep learning)

Fácil interpretación

Difícil interpretación“Blacks boxes”

Beam AL, Kohane IS. JAMA , March 2018

QUÉ TIPOS DE MODELOS

PREDICCIÓN DE MORTALIDAD EN UCI: NUESTRA EXPERIENCIA

N= 9820 casos 42 variablesMétodo: Random Forrest Classifier

93.2%

99.7%

93.0%

99.1%

NUESTRA EXPERIENCIA

MedianAbsolute

Error

Train Set (75%)

Test Set (25%)

1.15 1.20

PREDICCIÓN DE DÍAS DE ESTANCIA EN UCI A TRAVES DE LA OBTENCIÓN DE DATOS AUTOMATICOS (ICU-DaMa) Y ALGORITMOS DE APRENDIZAJE AUTOMÁTICO (MACHINE

LEARNING)

Algoritmo Random Forest Regressor

N= 4711 casos. Edad : 61,1 (16,4)APACHE II: 21,4 (8,8)SOFA : 3,7 (3,1) Masculinos: 60% LOS: 3,5 (2,8).

NUESTRA EXPERIENCIA

INFECCIÓN

BIG DATA EN INFECCIONES

BIG DATA EN INFECCIONES

BIG DATA EN INFECCIONES

BIG DATA EN INFECCIONES

Objetivo: Predecir que pacientes pueden sufrir infección con MDR-BGN en la neutropenia febril a través de Redes neurales

M y M: Muchos datos (7 millones) extraídos desde la EHR – Red neural con 13 neuronas integrando 14 parámetros previamente seleccionados mediante MVA

Resultados : 3235 pacientes con alto riesgo de neutropenia febril . La infección por MDR en 180 (5.6%). El modelo aplicado en el subgrupo de test tuvo una exactitud del 98%. El modelo predijo que 236 (7%) tuvieron infección por MDR (2 % fueron FP) y 2999 no tendrían infección por MDR (3% fueron FN)

Conclusión: NN pueden ayudar a predecir las infecciones por MDR y esta herramienta puede analizar datos desde la EHR para realizar un soporte a la decisión

BIG DATA EN INFECCIONES

DATOS O BUENOS DATOS

• Auditoria interna permite identificar errores• Los errores son evitables• Es necesario favorecer la cultura (formació / feedback) de calidad de

la información

DATOS O BUENOS DATOS

Missing data

Wrong data

Inapproriate data

Duplicate data

Calidad de los datos

Machine learning is not a magic device that can spin dato intogold, though many news releases would imply that it can.

Beam AL and Kohane IS (JAMA 2018)

DATOS O BUENOS DATOS

Nature 494, 155–156 (14 February 2013)DATOS O BUENOS DATOS

Fast healthcare interoperability Resourses (FHIR)

npj Digital Medicine (2018)1:18DATOS O BUENOS DATOS

Outcome: 1) Muerte2) Readmisiones3) LOS4) Diagnósticos

Comparadores 1) NEWS aumentado2) Hospital Score

npj Digital Medicine (2018)1:18DATOS O BUENOS DATOS

DATOS O BUENOS DATOS

DATOS O BUENOS DATOS

DATOS O BUENOS DATOS

VARIABLES DE IMPORTANCIA NO INCLUIDAS EN EL MODELO1.- CONTROL DEL FOCO 2.- ATB ADECUADO

¿Realmente es un algoritmo clínicamente válido?

DATOS O BUENOS DATOS

¿PODEMOS PREDECIR LO IMPREDECIBLE?

Tratamos pacientes que cambian el curso de su enfermedad aguda

Intervenciones clínicas pueden cambiar la trayectoria pronosticada por el algoritmo (iatrogenia!)

Projected trajectory

Real trajectory

Iatrogenia

LIMITACIONES

LIMITACIONES

CONCLUSIONES

CONCLUSIONES

ahr1161@yahoo.es

GRACIAS!!!!!