Proyecto de creación, implementación y validación de un modelo de predicción de riesgo quirúrgico

Abstract

Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Director: Dr. Salvador Peiró Moreno. Este trabajo es un proyecto que tiene como objetivo la creación y validación de modelos de predicción de riesgo quirúrgico en cuanto a la predicción de complicaciones en pacientes pendientes de intervención quirúrgica durante la intervención, en el postoperatorio inmediato y hasta el mes del alta. En este trabajo se plantea el análisis de datos de pacientes en un hospital. Se plantea un estudio en tres fases: 1ª fase: Desarrollo del modelo predictivo mediante un estudio de cohortes retrospectivo en el que se reclutarán pacientes intervenidos en el hospital a lo largo de 2 años y se obtendrán datos desde el preoperatorio hasta el mes del alta de la intervención. Para la identificación y creación de estos modelos se utilizarán técnicas de machine learning, que es la rama que más peso tiene actualmente dentro de la inteligencia artificial. Dentro del machine learning, el aprendizaje supervisado es el área con más aplicaciones. El aprendizaje supervisado permite a los ordenadores aprender a realizar tareas mediante el descubrimiento de patrones complejos en grandes cantidades de datos y la posterior explotación de los mismos. En el caso concreto de los datos procedentes de la historia clínica electrónica (en adelante, HCE), los algoritmos de machine learning nos permiten emplear el histórico de datos de cada paciente para que el ordenador aprenda a anticipar eventos futuros de manera personalizada, basándose en combinaciones complejas de los históricos de las variables disponibles. 2ª fase: Evaluación de resultados tras la implementación de los modelos en la HCE. 3ª fase: Validación externa de los modelos creados en la primera fase en una cohorte de pacientes intervenidos otros hospitales. Para este trabajo se emplearán variables sociodemográficas y clínicas. Esta información será extraída del sistema de explotación de datos de la HCE corporativa y de la herramienta bussiness intelligence (BI) corporativa. Hay varios objetivos en este trabajo:  Crear un instrumento de ayuda a la toma de decisiones que permita revertir en mejores resultados para el paciente y en su seguridad.  Sostenibilidad del sistema sanitario: con este instrumento de apoyo a la toma de decisión se espera que la asistencia urgente sea prestada de manera más eficiente, es decir, discriminando mejor a los pacientes que más lo necesitan.  Modernizar los sistemas actuales: mediante la integración de estos modelos en la HCE.

This work is a project that aims to create and validate predictive models for surgical risk in terms of predicting complications in patients undergoing surgery, both during the procedure, in the immediate postoperative period, and up to one month after discharge. The analysis of patient data in a hospital is proposed in this work. A three-phase study is proposed: 1st phase: Development of the predictive model through a retrospective cohort study, in which patients operated on in the hospital over a period of 2 years will be recruited, and data will be collected from the preoperative period until one month after the surgery. Machine learning techniques will be used for the identification and creation of these models, as it is currently the most prominent branch within artificial intelligence. Within machine learning, supervised learning is the area with the most applications. Supervised learning allows computers to learn to perform tasks by discovering complex patterns in large amounts of data and subsequently exploiting them. In the specific case of data from the electronic medical record (EMR), machine learning algorithms enable us to use each patient's data history to train the computer to anticipate future events in a personalized manner, based on complex combinations of the available variables' histories. 2nd phase: Evaluation of results after implementing the models in the EMR. 3rd phase: External validation of the models created in the first phase on a cohort of patients operated on in other hospitals. Sociodemographic and clinical variables will be employed for this work. This information will be extracted from the corporate EMR data mining system and the corporate business intelligence (BI) tool. There are several objectives in this work:  Create a decision support tool that leads to better patient outcomes and improved safety.  Sustainability of the healthcare system: With this decision support tool, it is expected that urgent care will be provided more efficiently, meaning better prioritization of patients who need it the most.  Modernize current systems: By integrating these models into the EMR.