Traducir
$ {alt}
Por Michael Haederle

El diablo está en los datos

La revisión de aprendizaje automático de millones de visitas de pacientes revela muchos casos no detectados de autolesiones

Cuando se trata de dar sentido a los macrodatos, a veces es difícil ver el bosque por los árboles.

Pero Christophe Lambert, PhD, y sus colegas del Centro de Salud Global de la UNM utilizaron recientemente un método de aprendizaje automático para detectar un patrón perturbador oculto en millones de registros de facturación de seguros médicos.

En un artículo publicado el mes pasado en el Revista de la Asociación Estadounidense de Informática Médica, el equipo informó su hallazgo de que los casos de autolesión entre personas con enfermedades mentales graves que buscan atención médica en realidad podrían ser hasta 19 veces más altos de lo que se informa en los registros de facturación.

El hallazgo sugiere que los médicos y otros proveedores de atención a menudo asignan códigos de facturación estandarizados para la atención que brindan, lo que oculta la posibilidad de que la lesión de un paciente se deba realmente a una autolesión y no a un accidente.

El hallazgo sugiere que esto podría influir en la atención al paciente.

"Los próximos estudios nuestros sugieren que una persona enfrenta un riesgo de autolesión de más del triple si lo ha hecho una vez", dice Lambert, profesor asociado en el Departamento de Medicina Interna. Entonces, al tratar de prevenir más autolesiones o suicidios, "si no lo está codificando, significa que el tratamiento futuro del paciente puede verse comprometido al no tener esa información importante en su historial", dice.

Lambert y su equipo comenzaron su estudio con una base de datos anónima que contiene los registros de facturación médica de más de 130 millones de estadounidenses entre 2003 y 2016. Redujeron su investigación a un subconjunto de aproximadamente 10 millones de pacientes con diagnósticos de enfermedades mentales graves, incluido el trastorno depresivo mayor. , trastorno bipolar, esquizofrenia y trastorno esquizoafectivo: personas que ya se consideran en mayor riesgo de autolesión.

El aprendizaje automático, en el que una computadora aplica un algoritmo para analizar rápidamente un gran conjunto de datos, puede identificar patrones que no son evidentes para los humanos. En este caso, los investigadores proporcionaron a la computadora 185,000 variables para aplicar a las visitas de pacientes hospitalizados y a la sala de emergencias.

"De hecho, tiramos al fregadero de la cocina", dice Lambert. "Fue básicamente cualquier cosa que sucedió en esas visitas, incluidos todos los códigos de procedimiento y diagnóstico". Entre los hallazgos que surgieron estuvo que los casos de probables autolesiones no se informaron drásticamente.

También hubo discrepancias inesperadas entre los casos que se evaluaron como autolesiones y los que no.

Las personas que fueron tratadas por intoxicación y envenenamiento, accidentes, asfixia, reparación quirúrgica de tórax y cabeza, herida en la muñeca, pensamientos autolesivos, depresión y psicoterapia tenían más probabilidades de ser codificadas por autolesión que aquellas que presentaban trastorno por uso de sustancias, intoxicación por heroína , trastorno neurológico, accidentes de tráfico o caídas.

Eso sugiere que parte de la discrepancia puede deberse a lo que los proveedores de motivación atribuyen a un comportamiento en particular, dice Lambert.

"Vemos, en promedio, cuando alguien se lastima a sí mismo por una sobredosis de opioides o drogas que tienen efectos placenteros; es menos probable que lo codifiquen como autolesión", dice Lambert. Pero una evaluación de la autolesión es más probable cuando alguien ha tomado una sobredosis de aspirina o pastillas para dormir, presumiblemente con la intención de autolesionarse.

"Los hombres también tienen más probabilidades de que las autolesiones estén subcodificadas que las mujeres", agregó Lambert, "y los estereotipos de que los hombres tienen menos probabilidades de revelar u obtener ayuda que las mujeres se contradecían con los datos; parece probable que sea un sesgo". en la codificación de proveedores según el sexo de sus pacientes ".

Cuando se reveló la autolesión subcodificada, surgieron estimaciones detalladas de su riesgo en función de la edad, el diagnóstico de enfermedad mental, el sexo y el estado de EE. UU. El riesgo máximo de autolesión es a los 15 años para las mujeres y a los 17 años para los hombres, y disminuye después de los 20 años.

Las tasas de autolesión han aumentado constantemente a nivel nacional desde 2006, y las personas con más de un diagnóstico de enfermedad mental grave tienen entre un 18% y un 25% de posibilidades por año de hacerse daño entre los 15 y los 26 años, donde el riesgo es mayor.

El estudio fue parte de un cuerpo de investigación más grande que Lambert ha estado llevando a cabo con un premio del Instituto de Investigación de Resultados Centrados en el Paciente de $ 2.4 millones para comparar la efectividad de varios tratamientos para el trastorno bipolar, particularmente en lo que se relacionan con casos de autolesión, hospitalización y riesgo de efectos secundarios.

Si bien el estudio se centró en cómo se clasifica la atención al paciente, Lambert cree que el método podría usarse potencialmente en un marco predictivo.

"Se podría usar el aprendizaje automático de otra manera, basándose en su historial, incluidos los casos de autolesiones imputadas previas", dice. "¿Está en una categoría de alto riesgo debido a eso y / u otros factores en los que el tratamiento proactivo podría ayudar?"

Lambert también es optimista de que el análisis de datos a gran escala puede revelar información útil para informar la toma de decisiones médicas.

"¿Podemos aprender algo de estos conjuntos de datos?" él pide. "La codificación es imperfecta, los humanos son imperfectos, pero en conjunto, cuando tenemos conjuntos de datos muy grandes, gran parte de ese ruido se puede promediar y podemos obtener respuestas y pruebas significativas".

Categorías: Salud, Investigue, Facultad de Medicina, Noticias destacadas