presentación de powerpoint€¦ · pocos de los estudios publicados se han podido implementar en...
TRANSCRIPT
![Page 1: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/1.jpg)
Alejandro Rodríguez MD,PhDServicio de Medicina Intensiva
Hospital Universitari de Tarragona Joan XXIIIProfesor Asociado Medicina
Universitat Rovira i VirgiliTarragona (Spain)
![Page 2: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/2.jpg)
NO hay conflictos de interés en esta conferencia
CONFLICTOS DE INTERES
![Page 3: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/3.jpg)
Índice • ¿Qué es Big Data?
• Cambio cultural
• Nuestra experiencia
• Big Data en infecciones
• Muchos o buenos datos
• Limitaciones
• Conclusiones
ÍNDICE
![Page 4: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/4.jpg)
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).
![Page 5: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/5.jpg)
DEPTH Low Wide
AdministrativeHealth
Records
ICU EHR
OMICS
BREADTH (n)
QUÉ ES BIGDATA?
![Page 6: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/6.jpg)
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
![Page 7: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/7.jpg)
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
![Page 8: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/8.jpg)
Resistencia
Intensivista
Situación actual TecnologiaDisrruptiva
Elementos del cambio
CAMBIO CULTURAL
![Page 9: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/9.jpg)
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
![Page 10: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/10.jpg)
Intensivista
Situación actual
Elementos del cambio
Resistencia
Comunicación
Tecnologia
CAMBIO CULTURAL
![Page 11: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/11.jpg)
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
![Page 12: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/12.jpg)
Big Data. Tipos de análisis
CAMBIO CULTURAL
![Page 13: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/13.jpg)
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
![Page 14: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/14.jpg)
QUÉ ES UN ALGORITMO
![Page 15: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/15.jpg)
Tipos de algoritmos en Data Science
Supervisados
No Supervisados
Híbridos
Modelos
QUÉ TIPOS DE MODELOS
![Page 16: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/16.jpg)
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
![Page 17: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/17.jpg)
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
![Page 18: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/18.jpg)
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
![Page 19: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/19.jpg)
INFECCIÓN
BIG DATA EN INFECCIONES
![Page 20: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/20.jpg)
BIG DATA EN INFECCIONES
![Page 21: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/21.jpg)
BIG DATA EN INFECCIONES
![Page 22: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/22.jpg)
BIG DATA EN INFECCIONES
![Page 23: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/23.jpg)
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
![Page 24: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/24.jpg)
DATOS O BUENOS DATOS
![Page 25: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/25.jpg)
• 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
![Page 26: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/26.jpg)
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
![Page 27: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/27.jpg)
Nature 494, 155–156 (14 February 2013)DATOS O BUENOS DATOS
![Page 28: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/28.jpg)
Fast healthcare interoperability Resourses (FHIR)
npj Digital Medicine (2018)1:18DATOS O BUENOS DATOS
![Page 29: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/29.jpg)
Outcome: 1) Muerte2) Readmisiones3) LOS4) Diagnósticos
Comparadores 1) NEWS aumentado2) Hospital Score
npj Digital Medicine (2018)1:18DATOS O BUENOS DATOS
![Page 30: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/30.jpg)
DATOS O BUENOS DATOS
![Page 31: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/31.jpg)
DATOS O BUENOS DATOS
![Page 32: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/32.jpg)
DATOS O BUENOS DATOS
![Page 33: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/33.jpg)
VARIABLES DE IMPORTANCIA NO INCLUIDAS EN EL MODELO1.- CONTROL DEL FOCO 2.- ATB ADECUADO
¿Realmente es un algoritmo clínicamente válido?
DATOS O BUENOS DATOS
![Page 34: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/34.jpg)
¿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
![Page 35: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/35.jpg)
LIMITACIONES
![Page 36: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/36.jpg)
CONCLUSIONES
![Page 37: Presentación de PowerPoint€¦ · Pocos de los estudios publicados se han podido implementar en la UCI Poca aceptación de los médicos a compartir la responsabilidad de la decisión](https://reader030.vdocumento.com/reader030/viewer/2022011821/5eb6c2c7dd5d45560641be81/html5/thumbnails/37.jpg)
CONCLUSIONES