Los expertos en Machine Learning que trabajan en Google Health han publicado un nuevo estudio junto con el departamento de ciencias de la salud computacional de la Universidad de California en San Francisco (UCSF) que describe un modelo de Machine Learning creado por los investigadores que puede anticipar los patrones de prescripción de medicamentos por parte de un médico, utilizando los registros de salud del paciente como entrada.

Esto es muy útil ya que alrededor del 2% de los pacientes que terminan hospitalizados se ven afectados por errores que se pueden prevenir en las recetas de medicamentos, algunos de los cuales incluso pueden conducir a la muerte.

Los investigadores describen que el sistema funciona de manera similar a las herramientas automatizadas de detección de fraude basadas en Machine Learning que las compañías de tarjetas de crédito utilizan comúnmente para alertar a los clientes de posibles transacciones fraudulentas: esencialmente construyen una línea de base sobre el comportamiento normal del consumidor basado en el historial de transacciones, para luego alertar al departamento de fraude de su banco o congelar el acceso cuando detectan un comportamiento que no está en línea con el comportamiento de referencia de un individuo.

Del mismo modo, el modelo entrenado por Google y UCSF funcionó identificando cualquier receta que "pareciera anormal para el paciente y su situación actual". Esa es una propuesta mucho más desafiante en el caso de los medicamentos recetados versus la actividad del consumidor, porque los cursos de medicamentos, sus interacciones entre ellos y las necesidades, sensibilidades y condiciones específicas de cualquier paciente presentan una red increíblemente compleja para desenredar.

Para hacerlo posible, los investigadores utilizaron registros de salud electrónicos de pacientes no identificados que incluyen signos vitales, resultados de laboratorio, medicamentos anteriores y procedimientos médicos, así como diagnósticos y cambios a lo largo del tiempo. Emparejaron estos datos históricos con la información del estado actual, y elaboraron varios modelos para intentar generar una predicción precisa de un curso de prescripción para un paciente determinado.

Su modelo de mejor desempeño fue preciso "tres cuartos del tiempo", dice Google, lo que significa que coincidía con lo que un médico realmente decidió recetar en la gran mayoría de los casos. También fue aún más preciso (93%) en términos de predecir al menos un medicamento que estaría dentro de la lista de las 10 opciones de medicamentos más probables para un paciente, incluso si su opción principal no coincidía con la del médico.

Los investigadores se dan cuenta rápidamente de que, aunque el modelo hasta ahora ha sido bastante preciso al predecir un curso normal de prescripción, eso no significa que pueda detectar con éxito desviaciones de ese nivel con un alto grado de precisión. Aún así, es un buen primer paso sobre el cual construir ese tipo de sistema de identificación.