Publicación:

Despliegue de un modelo de deep learning para la predicción de bajo gasto cardiaco a partir de señales hemodinámicas en una unidad de cuidados intensivos (DMDL-PC-SH-UCI)

Resumen

El presente trabajo de grado aborda el problema de la integración de sistemas autónomos y de inteligencia artificial en el ambiente crítico hospitalario para el diagnóstico temprano de eventos cardíacos. La identificación oportuna de condiciones como el paro cardíaco, bajo gasto cardíaco y shock cardiogénico es fundamental para asegurar una intervención rápida y precisa, maximizando las probabilidades de supervivencia. En entornos hospitalarios, los sistemas de monitoreo actuales no siempre logran detectar estos eventos de manera oportuna o confiable, lo cual subraya la necesidad de una solución inteligente y automatizada. Para atender esta problemática, el grupo de investigación CPS ha desarrollado un modelo de deep learning diseñado para analizar datos hemodinámicos en tiempo real de pacientes en la UCI, detectando patrones asociados con eventos cardíacos críticos. El modelo fue entrenado con datos históricos de pacientes, permitiéndole identificar de forma temprana las condiciones críticas mencionadas. Este proyecto, en particular, se enfocó en el desarrollo de una API para desplegar este modelo en el entorno hospitalario, configurada en un orquestador de contenedores que permite la escalabilidad y capacidad de respuesta a alto volumen de solicitudes. La API también incluye mecanismos de seguridad, como la autenticación mediante JWT, para asegurar que el acceso al sistema sea controlado y confiable. En el marco dela implementación de modelos de deep learning, este proyecto es pionero al buscar la integración de modelos de aprendizaje en la operatividad real diaria de la red hospitalaria. Los resultados obtenidos sugieren que la API sería capaz de responder hasta 1,000 solicitudes en un lapso de 120 segundos en el servidor R-Studio del centro hospitalario, mostrando una capacidad de respuesta rápida y eficiente, esencial en entornos de cuidado intensivo. Esta herramienta tiene potencial en la automatización y monitoreo de pacientes críticos, reduciendo potencialmente la carga del personal médico y optimizando los recursos hospitalarios. En cuanto a sus posibles impactos, esta solución tiene el potencial de mejorar el monitoreo de pacientes en las UCI, a través de una detección más precisa y rápida de eventos cardíacos críticos, este sistema permitiría reducir las tasas de mortalidad, al mismo tiempo que contribuye a la eficiencia operativa de los hospitales. Además, su enfoque en la seguridad y escalabilidad lo convierte en un modelo replicable en el futuro de la medicina crítica, con aplicaciones potenciales en otros ámbitos de la salud.