Según la Fundación Americana para la Prevención del Suicidio, el suicidio es la décima causa de muerte en Estados Unidos, con más de 1,4 millones de intentos de suicidio registrados en 2018. Aunque existen tratamientos eficaces para las personas en riesgo, los clínicos no tienen una forma fiable de predecir qué pacientes son propensos a realizar un intento de suicidio.

Investigadores de la Universidad Médica de Carolina del Sur y la Universidad del Sur de Florida informan en JMIR Medical Informatics que han dado pasos importantes para abordar el problema mediante la creación de un algoritmo de inteligencia artificial que puede identificar automáticamente a los pacientes con alto riesgo de autolesión intencional, basándose en la información de las notas clínicas de la historia clínica electrónica.

El estudio ha sido dirigido por el doctor Jihad Obeid, codirector del Centro de Informática Biomédica del MUSC, y el doctor Brian Bunnell, anteriormente en el MUSC y actualmente profesor adjunto en el Departamento de Psiquiatría y Neurociencias del Comportamiento de la Universidad del Sur de Florida.

El equipo utilizó redes neuronales artificiales complejas, una forma de inteligencia artificial también conocida como aprendizaje profundo, para analizar datos textuales no estructurados en la historia clínica electrónica. Los métodos de aprendizaje profundo utilizan progresivamente capas de redes artificiales para extraer mayor información de los datos brutos de entrada. El equipo demostró que estos modelos, una vez entrenados, podían identificar a los pacientes en riesgo de autolesión intencional.

«Este tipo de trabajo es importante porque aprovecha las últimas tecnologías para abordar un problema importante como el suicidio e identifica a los pacientes en riesgo para que puedan ser derivados a una gestión adecuada», dijo Obeid.

Hasta ahora, los investigadores se han basado principalmente en los datos estructurados de la historia clínica electrónica para la identificación y predicción de los pacientes en riesgo. Los datos estructurados se refieren a la información tabulada que se ha introducido en campos designados de la historia clínica electrónica como parte de la atención clínica. Por ejemplo, cuando los médicos diagnostican a los pacientes y asignan códigos de la Clasificación Internacional de Enfermedades (CIE), están creando datos estructurados. Este tipo de datos tabulados y estructurados son fáciles de analizar para los programas informáticos.

Sin embargo, entre el 80% y el 90% de la información pertinente de la historia clínica electrónica está atrapada en formato de texto. En otras palabras, las notas clínicas, los informes de evolución, las notas del plan de cuidados y otros textos narrativos de la historia clínica electrónica representan un enorme recurso sin explotar para la investigación. El estudio de Obeid es único porque utiliza redes neuronales profundas para «leer» las notas clínicas de la historia clínica electrónica e identificar y predecir los pacientes con riesgo de autolesión.

Tras la revisión ética reglamentaria y la aprobación de la investigación propuesta por parte de la Junta de Revisión Institucional del MUSC, Obeid comenzó por identificar los registros de los pacientes asociados a los códigos CIE indicativos de autolesión intencionada en el almacén de datos de investigación del MUSC. Ese almacén, que fue creado con el apoyo del South Carolina Clinical & Translational Research Institute, proporciona a los investigadores del MUSC acceso a los datos de las historias clínicas electrónicas de los pacientes, siempre que hayan obtenido los permisos necesarios.

Para simular un escenario del mundo real, Obeid y su equipo dividieron los registros clínicos en dos categorías temporales: registros de 2012 a 2017 que se utilizaron para el entrenamiento de los modelos y registros de 2018-2019 que se utilizaron para probar los modelos entrenados. En primer lugar, examinaron las notas clínicas tomadas durante la visita al hospital en la que se asignó el código CIE. Utilizando ese conjunto de datos de entrenamiento, los modelos «aprendieron» qué patrones de lenguaje en las notas clínicas de las historias clínicas electrónicas de los pacientes estaban asociados con la asignación de un código CIE de autolesión intencionada. Una vez entrenados los modelos, pudieron identificar a esos pacientes basándose únicamente en su análisis del texto de las notas clínicas, con una precisión del 98,5%. Los expertos revisaron manualmente un subconjunto de registros para confirmar la precisión del modelo.

A continuación, el equipo probó si el más preciso de los modelos podía utilizar las notas clínicas de la historia clínica electrónica para predecir futuras autolesiones. Para ello, el equipo de Obeid identificó los registros de los pacientes que habían presentado una autolesión intencionada y entrenó el modelo utilizando sus notas clínicas entre seis meses y un mes antes de la visita al hospital por autolesión intencionada. A continuación, comprobaron si los modelos entrenados podían predecir correctamente si estos pacientes presentarían posteriormente una autolesión intencionada.

La predicción de futuras autolesiones basada únicamente en las notas clínicas resultó ser más difícil que la identificación de los pacientes de riesgo actuales debido al «ruido» adicional que se introduce cuando se incluyen en el modelo grandes cantidades de antecedentes del paciente. Las notas clínicas históricas suelen ser variadas y no siempre relevantes. Por ejemplo, si un paciente fue atendido por depresión u otros problemas de salud mental seis meses antes de su visita al hospital por autolesión intencionada, es probable que las notas clínicas incluyan información relevante. Sin embargo, si el paciente acudía por una afección no relacionada con la salud mental, entonces era menos probable que las notas incluyeran información relevante.

Aunque la inclusión de información irrelevante introduce mucho ruido en el análisis de los datos, toda esta información debe incluirse entre los pacientes en los modelos para predecir los resultados. Como resultado, el modelo fue menos preciso a la hora de predecir qué pacientes presentarían posteriormente una autolesión intencionada que la simple clasificación de los pacientes actuales en cuanto al riesgo de suicidio. No obstante, la exactitud predictiva de este modelo fue muy competitiva con la reportada anteriormente para los modelos que se basaban en datos estructurados, alcanzando una exactitud de casi el 80% con una sensibilidad y precisión relativamente altas.

El equipo de Obeid ha demostrado la viabilidad de utilizar modelos de aprendizaje profundo para identificar a los pacientes con riesgo de autolesión intencionada basándose únicamente en las notas clínicas. El estudio también demostró que los modelos pueden utilizarse para predecir, con bastante fidelidad, qué pacientes se presentarán en el futuro por autolesiones intencionales basándose en las notas clínicas de su historia clínica electrónica.

Estos primeros resultados son prometedores y podrían tener grandes impactos a nivel clínico. Si se pueden utilizar modelos de aprendizaje profundo para predecir qué pacientes tienen un alto riesgo de suicidio basándose en las notas clínicas, entonces los médicos pueden derivar a los pacientes de alto riesgo de forma temprana para que reciban el tratamiento adecuado. El uso de estos modelos para clasificar a los pacientes como en riesgo de autolesión también podría facilitar la inscripción en estudios clínicos y ensayos de posibles nuevos tratamientos relevantes para el suicidio.

En futuros estudios, Obeid pretende evaluar los cambios en la ventana de tiempo de predicción para sus modelos, por ejemplo, mirando los registros un año antes de la presentación de un paciente por autolesión intencional en lugar de seis meses. El equipo también pretende examinar otros resultados, como el suicidio o la ideación suicida. Y aunque los modelos funcionan bien en el MUSC, Obeid debe demostrar ahora que pueden generalizarse a otras instituciones.

«¿Pueden los modelos entrenarse en un lugar y trasladarse a otro y seguir funcionando?», preguntó Obeid. «Si la respuesta es afirmativa, se ahorrarán recursos críticos, ya que otras instituciones no tendrán que realizar costosas y lentas revisiones manuales de las historias clínicas para confirmar que los modelos son correctos durante los periodos de entrenamiento».

Acerca de MUSC

Fundada en 1824 en Charleston, la Universidad Médica de Carolina del Sur (MUSC) es la facultad de medicina más antigua del Sur, así como el único centro académico de ciencias de la salud integrado en el estado, con la misión única de servir al estado a través de la educación, la investigación y la atención al paciente. Cada año, MUSC educa y forma a más de 3.000 estudiantes y casi 800 residentes en seis facultades: Medicina Dental, Estudios de Posgrado, Profesiones de la Salud, Medicina, Enfermería y Farmacia. Líder del estado en la obtención de fondos para la investigación biomédica, en el año fiscal 2019, MUSC marcó un nuevo récord al ingresar más de 284 millones de dólares. Para obtener información sobre los programas académicos, visite musc.edu.

Como sistema de salud clínico de la Universidad Médica de Carolina del Sur, MUSC Health se dedica a ofrecer la más alta calidad de atención al paciente disponible, a la vez que forma generaciones de proveedores de atención médica competentes y compasivos para servir a la gente de Carolina del Sur y más allá. Comprendiendo unas 1.600 camas, más de 100 sitios de extensión, el Colegio de Medicina de MUSC, el plan de práctica de los médicos y casi 275 lugares de telesalud, MUSC Health posee y opera ocho hospitales situados en los condados de Charleston, Chester, Florence, Lancaster y Marion. En 2020, por sexto año consecutivo, U.S. News & World Report nombró a MUSC Health el hospital número 1 de Carolina del Sur. Para saber más sobre los servicios clínicos para pacientes, visite muschealth.org.

MUSC y sus afiliados tienen presupuestos anuales colectivos de 3.200 millones de dólares. Los más de 17.000 miembros del equipo de MUSC incluyen profesores, médicos, proveedores de especialidades y científicos de clase mundial que ofrecen educación, investigación, tecnología y atención al paciente innovadores.

Acerca del Instituto SCTR

El Instituto de Investigación Clínica Traslacional de Carolina del Sur (SCTR) es el catalizador para cambiar la cultura de la investigación biomédica, facilitando el intercambio de recursos y experiencia y agilizando los procesos relacionados con la investigación para lograr un cambio a gran escala en los esfuerzos de investigación clínica y traslacional en Carolina del Sur. Nuestra visión es mejorar los resultados de salud y la calidad de vida de la población a través de descubrimientos traducidos en prácticas basadas en la evidencia. Para saber más, visite https://research.musc.edu/resources/sctr