Modelo de aprendizaje automático usa prueba en sangre para predecir la supervivencia de los pacientes con COVID-19 críticamente enfermos

Los sistemas de atención médica de todo el mundo luchan para acomodar un gran número de pacientes con COVID-19 gravemente enfermos que necesitan atención médica especial, principalmente si se identifica que tienen un alto riesgo. Las evaluaciones de riesgo clínicamente establecidas en la medicina de cuidados intensivos, como SOFA o APACHE II, muestran solo una confiabilidad limitada para predecir los resultados futuros de la enfermedad por COVID-19.

En el nuevo estudio, los investigadores estudiaron los niveles de 321 proteínas en muestras de sangre tomadas en 349 puntos de tiempo de 50 pacientes con COVID-19 en estado crítico que eran tratados en dos centros de atención médica independientes en Alemania y Austria. Se utilizó un enfoque de aprendizaje automático para encontrar asociaciones entre las proteínas medidas y la supervivencia del paciente. Quince de los pacientes de la cohorte fallecieron; el tiempo medio desde el ingreso hasta la muerte fue de 28 días. Para los pacientes que sobrevivieron, la mediana de tiempo de hospitalización fue de 63 días.

Los investigadores identificaron 14 proteínas que, con el tiempo, cambiaron en direcciones opuestas para los pacientes que sobreviven en comparación con los pacientes que no sobreviven en cuidados intensivos. Luego, el equipo desarrolló un modelo de aprendizaje automático para predecir la supervivencia en función de una medición de proteínas relevantes en un solo punto de tiempo y probó el modelo en una cohorte de validación independiente de 24 pacientes con COVID-19 gravemente enfermos. El modelo demostró un alto poder predictivo en esta cohorte, prediciendo correctamente el resultado de 18 de 19 pacientes que sobrevivieron y cinco de cinco pacientes que fallecieron.

Los investigadores concluyeron que las pruebas de proteínas en sangre, si se validan en cohortes más grandes, pueden ser útiles tanto para identificar a los pacientes con el mayor riesgo de mortalidad como para evaluar si un tratamiento determinado cambia la trayectoria proyectada de un paciente individual.

Enlace relacionado:
Charité-Universitätsmedizin Berlín