presentación de powerpoint€¦ · pocos de los estudios publicados se han podido implementar en...
TRANSCRIPT
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
GRACIAS!!!!!