Modelo de IA predice riesgo de complicaciones en el tratamiento de la insuficiencia renal avanzada

Una complicación frecuente asociada a este procedimiento es una disminución repentina de la presión arterial, conocida como hipotensión intradialítica (HID). La HID está vinculada a tasas más altas de mortalidad y aumentos en las hospitalizaciones, y hasta ahora, no ha habido un método confiable para predecir su ocurrencia. Ahora, un nuevo modelo de inteligencia artificial (IA) puede predecir qué pacientes tienen un mayor riesgo de sufrir una caída de la presión arterial.

La idea de este modelo surgió de un estudio previo realizado por la Universidad de Portsmouth (Hampshire, Reino Unido). Hace dos años, los investigadores desarrollaron un algoritmo capaz de estimar la duración de la estancia hospitalaria de un paciente tras ser diagnosticado de cáncer de intestino. Utilizando IA y análisis de datos, pudieron predecir la duración de la hospitalización, la probabilidad de reingreso después de la cirugía y las posibilidades de mortalidad en un plazo de uno o tres meses. Basándose en este trabajo, los investigadores han desarrollado ahora una herramienta de aprendizaje automático, habiendo recopilado datos previos a la diálisis y en tiempo real de 10 centros de tratamiento durante un período de dos décadas (2000-2020), que involucraron a un total de 3.944 pacientes. El conjunto de datos comprendía 73.323 sesiones de diálisis, durante las cuales se registraron 36.662 eventos de HID.

A partir de esta información, los investigadores identificaron 33 variables para determinar qué individuos tenían mayor riesgo. Estas variables incluían observaciones recopiladas rutinariamente durante la atención clínica, como peso, temperatura, edad, presión arterial, medicación y detalles del tratamiento. Se emplearon algoritmos de aprendizaje automático para construir un predictor destinado a prevenir eventos de HID. Entre los cinco algoritmos diferentes evaluados, el modelo Random Forest exhibió la mayor precisión predictiva general con un 75,5 %, mientras que el modelo de Memoria a Corto y Largo Plazo Bidireccional (Bidirectional Long Short-Term Memory) logró la mejor sensibilidad con un 78,5 %. Además, el análisis destacó que tanto la presión arterial sistólica como la diastólica son variables predictoras cruciales. El estudio también evaluó el algoritmo utilizando únicamente entradas de datos prediálisis para simular las condiciones al comienzo de una sesión de diálisis. Aunque el rendimiento de la predicción disminuyó en este escenario, siguió siendo clínicamente relevante. Los esfuerzos futuros de los investigadores se centrarán en desarrollar un sistema de apoyo a la toma de decisiones para los médicos y realizar un ensayo clínico.

“Esta investigación destaca el valor de utilizar el aprendizaje automático en la atención sanitaria, en particular en situaciones complejas como la hemodiálisis”, afirmó el director del proyecto, el Dr. Shamsul Masum, de la Facultad de Ingeniería Eléctrica y Mecánica de la Universidad. “La predicción de la hipotensión no solo ayuda a los médicos a intervenir de forma temprana, sino que también abre la puerta a una atención personalizada. A medida que continuamos desarrollando y perfeccionando estos modelos, el objetivo es crear un sistema práctico de apoyo a la toma de decisiones que pueda mejorar la gestión de la diálisis, la seguridad del paciente y la calidad de la atención”.