Jiang Y, Lee AH, Ni X, Corbin CK, Irvin JA, Ng AY, Chen JH. Predicción probabilística del rendimiento de las pruebas de laboratorio. Proc Simposio Anual AMIA. 2024; 2023: 1007-1016. Stanford University, Stanford, CA
Resumen
Las pruebas diagnósticas de laboratorio repetitivas de bajo rendimiento suponen una carga para los pacientes y aumentan el coste de la atención médica. En este estudio, evaluamos si la estabilidad en las mediciones diagnósticas de laboratorio repetidas es predecible mediante estimaciones de incertidumbre utilizando datos de la historia clínica electrónica disponibles antes de solicitar la prueba. Utilizamos regresión probabilística para predecir una distribución de valores plausibles, lo que permite personalizar el tiempo de uso para diversas definiciones de "estabilidad" dadas las dinámicas de rangos y los escenarios clínicos. Tras convertir las distribuciones en puntuaciones de "estabilidad", los modelos alcanzan una sensibilidad del 29 % para los glóbulos blancos, del 60 % para la hemoglobina, del 100 % para las plaquetas, del 54 % para el potasio, del 99 % para la albúmina y del 35 % para la creatinina para predecir la estabilidad con una precisión del 90 %, lo que sugiere que esas fracciones de pruebas repetitivas podrían reducirse con un bajo riesgo de pasar por alto cambios importantes. Los hallazgos demuestran la viabilidad de utilizar datos de la historia clínica electrónica para identificar pruebas repetitivas de bajo rendimiento y ofrecer orientación personalizada para un mejor uso de las pruebas, garantizando al mismo tiempo una atención de alta calidad.
Introducción
Los diagnósticos de laboratorio constituyen el mayor volumen de procedimientos médicos.. Estudios previos han demostrado que hasta el 50 % de las pruebas de laboratorio realizadas a pacientes hospitalizados podrían ser médicamente innecesarias y contribuir significativamente al despilfarro en la atención médica . Además del aumento de los costos de atención médica, las pruebas de laboratorio innecesarias provocan complicaciones médicas y otros daños indirectos a los pacientes, como la fragmentación del sueño . La reciente escasez de tubos para la extracción de sangre también demuestra la urgencia de mitigar el uso innecesario de pruebas de laboratorio.
Si bien se han intentado diversas intervenciones para mejorar la utilización de los laboratorios, como la creación de guías, la formación específica, la retroalimentación de auditorías y las modificaciones en los procesos de solicitud de pruebas, los enfoques basados en datos tienen el potencial de abordar el problema de manera más objetiva. Un ejemplo de este enfoque es predecir la información que se espera obtener de las pruebas de laboratorio y presentarla a los médicos solicitantes en el momento de realizar la solicitud.
Estudios previos sobre la predicción del rendimiento informativo de las pruebas médicas encontraron que los modelos de aprendizaje automático logran un buen desempeño al predecir si los resultados de las pruebas están dentro de los rangos de referencia "normales". Sin embargo, según una encuesta con clínicos, muchos consideraron más útil clínicamente predecir si los resultados de las pruebas son "estables" incluso si no son "normales". Conceptualizamos los resultados de las pruebas de laboratorio como estables si no hay un cambio clínicamente relevante desde su valor más reciente, lo que detallamos más adelante en secciones posteriores. Aikens et al. predijeron la estabilidad diagnóstica de laboratorio, pero los laboratorios se limitaron a pruebas de un solo componente y definiciones fijas de estabilidad para cohortes específicas. Otro estudio se centró en la ciencia de la implementación y concluyó que el uso de algoritmos predictivos de utilidad es un paradigma prometedor para frenar la sobreutilización, pero solo utilizó un modelo de predicción simple.
El objetivo general de este estudio es determinar si los algoritmos avanzados de aprendizaje automático pueden generar predicciones de regresión probabilística de los resultados de diagnóstico de laboratorio con mayor precisión que las prácticas actuales de identificación de pruebas de laboratorio repetitivas, utilizando únicamente características que se pueden extraer automáticamente de los registros electrónicos de salud (EHR) y que son viables para la implementación de predicciones en tiempo real.
(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales el uso que le den a la misma..
Nueva presentación el 22 de Agosto
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos.
Ciudad de Buenos Aires. R. Argentina
