Modelo de IA proporciona alertas de riesgo de sepsis en tiempo real

A pesar de los avances en el tratamiento médico, su tasa de mortalidad hospitalaria sigue siendo alarmantemente alta, oscilando entre el 20 % y el 50 %. La dificultad radica en la identificación temprana de la sepsis, ya que se trata de una afección muy dinámica, y los sistemas de puntuación existentes, como APACHE-II y SOFA, no están diseñados específicamente para rastrear su rápida progresión. Aunque el aprendizaje automático ha mostrado un gran potencial en la predicción de sepsis, la mayoría de los modelos no tienen en cuenta las fluctuaciones en tiempo real de los datos de los pacientes. Esto resalta la necesidad de un sistema predictivo más avanzado, capaz de aprender continuamente de los datos clínicos entrantes para mejorar la detección temprana y los resultados en los pacientes.

Investigadores de la Universidad de Sichuan (Chengdu, China) y sus colaboradores han desarrollado un modelo de dos etapas basado en transformadores para predecir la mortalidad por sepsis en la UCI. El modelo se entrenó con datos de la base de datos de investigación colaborativa eICU, que contiene más de 200.000 registros de pacientes, y procesa tanto indicadores de salud por hora como por día. Al quinto día de ingreso en la UCI, el modelo alcanzó un impresionante AUC de 0,92, superando significativamente a sistemas de puntuación tradicionales como APACHE-II. Este modelo, impulsado por IA, representa un gran avance en la predicción de la sepsis. Opera en dos etapas: la primera analiza datos horarios para captar cambios críticos dentro del mismo día en signos vitales y resultados de laboratorio, mientras que la segunda incorpora datos diarios para identificar tendencias a más largo plazo. Este enfoque dual permite que el modelo se ajuste a las rápidas fluctuaciones características de la sepsis.

El estudio, publicado en Precision Clinical Medicine, mostró que los predictores clave de mortalidad, como los niveles de lactato, la frecuencia respiratoria y los marcadores de coagulación, fueron identificados con gran precisión. Una innovación clave del modelo es su capacidad para generar alertas de riesgo en tiempo real, lo que proporciona a los equipos de la UCI información práctica en los momentos más críticos. La inclusión de visualizaciones SHAP (SHapley Additive exPlanations) garantiza que las predicciones del modelo sean interpretables, lo que permite a los médicos comprender qué factores influyen en las predicciones. Además, el modelo demostró robustez cuando se validó en conjuntos de datos externos, incluidas cohortes de pacientes de China y la base de datos MIMIC-IV. Esta investigación tiene el potencial de transformar la gestión de la UCI. Al integrar el modelo de IA en los sistemas de información del hospital, los médicos podrían recibir alertas de riesgo diarias, lo que permite intervenciones más tempranas y más específicas.

La capacidad del modelo para adaptarse a diferentes poblaciones de pacientes y su resistencia frente a datos faltantes lo convierten en una herramienta valiosa en diversos entornos sanitarios a nivel mundial. Los futuros avances podrían permitir su incorporación en sistemas de monitoreo en tiempo real, actualizando continuamente los puntajes de riesgo y reduciendo los retrasos en el diagnóstico. Más allá de sus aplicaciones clínicas inmediatas, la interpretabilidad del modelo mediante el análisis SHAP proporciona una visión más profunda de la progresión de la sepsis, lo que podría orientar el desarrollo de terapias dirigidas. Este avance no solo mejora la atención al paciente, sino que también establece un nuevo estándar para los modelos predictivos basados en IA en medicina de cuidados intensivos. Gracias a su capacidad para procesar grandes cantidades de datos en tiempo real y convertirlos en información vital, esta herramienta de IA tiene el potencial de redefinir el estándar de atención para los pacientes con sepsis, permitiendo intervenciones oportunas y mejorando las tasas de supervivencia a escala global.