MAD-VitalS: solución de inteligencia artificial para el monitoreo y detección de anomalías en signos vitales de pacientes en UCIP en tiempo real

Abstract

Este documento presenta una investigación realizada para la tesis de maestría en Ingeniería de la Información (MINE) en la Universidad de Los Andes, enfocada en diseñar una solución de inteligencia artificial, MAD-VitalS, para el monitoreo y detección de anomalías en unidades de cuidados intensivos pediátricos (UCIP) utilizando técnicas de aprendizaje automático no supervisado aplicadas a las señales vitales. El estudio pretende generar alarmas para el personal médico en base a las anomalías detectadas como herramienta auxiliar para mejorar su trabajo. La detección de anomalías se ha estudiado ampliamente en varios campos, y sus beneficios potenciales en el cuidado de la salud son significativos, incluida la ayuda en el diagnóstico médico, la prevención de condiciones críticas de los pacientes y la posibilidad de salvar vidas. El modelo alcanza una detección superior al 50% y detecta predominantemente anomalías contextuales, referidas a la evolución de los pacientes en la UCIP, que son evaluadas mediante la monitorización de signos vitales como frecuencia cardiaca, frecuencia respiratoria, presión arterial sistólica y diastólica, saturación de oxígeno, índice de perfusión y temperatura. Se utilizó una metodología ágil con enfoque de ciencia de datos para proponer una solución de inteligencia artificial que permita mejoras incrementales sobre la generación de alarmas confiables y médicamente relevantes para la evolución de los pacientes en una UCIP. En conclusión, esta investigación contribuye al campo de la detección de anomalías en el cuidado de la salud y tiene el potencial de mejorar la atención al paciente y los resultados en las UCIP. En colaboración con el Laboratorio de Investigación de Sistemas Inteligentes (LISI) y el Hospital Militar Central de Bogotá, Colombia, el estudio destaca la importancia de comprender las prácticas de manejo de pacientes, implementar técnicas de detección de anomalías en línea, adoptar metodologías ágiles y generar alarmas confiables para alertar al personal médico. El trabajo futuro en esta área es prometedor para avanzar en la detección y prevención de condiciones críticas en las UCIP.