Modelo de IA predice la mortalidad en la UCI de pacientes con insuficiencia cardíaca

En la Unidad de Cuidados Intensivos (UCI), los pacientes con insuficiencia cardíaca suelen experimentar afecciones más graves y complejas. Esta afección suele estar asociada a múltiples comorbilidades, como hipertensión, enfermedad arterial coronaria, enfermedad pulmonar obstructiva crónica y enfermedad renal crónica.

Como resultado, los médicos de la UCI deben gestionar una amplia gama de datos clínicos, incluyendo historiales médicos de los pacientes, informes de laboratorio, estudios de imagen, medicamentos prescritos y monitorización continua de las constantes vitales. El gran volumen y la complejidad de estos datos dificultan la identificación rápida de información clínica esencial, lo que aumenta el riesgo de diagnósticos erróneos o retrasos en el inicio del tratamiento.

Para superar este problema, el sector sanitario ha recurrido cada vez más a la inteligencia artificial (IA) y las tecnologías de big data para apoyar a los médicos de las UCI. Aunque se han desarrollado varias herramientas predictivas para evaluar el riesgo de mortalidad en pacientes con insuficiencia cardíaca, estos sistemas suelen depender de una combinación de numerosas variables y marcos de puntuación complejos. Esto supone un reto, ya que los pacientes críticos pueden no ser aptos para pruebas exhaustivas, y muchos hospitales pequeños carecen de los recursos de diagnóstico necesarios para realizar dichas evaluaciones.

Por el contrario, los análisis de sangre son más sencillos de realizar y ofrecen una visión general completa del estado de salud del paciente. Ahora, un modelo basado en IA ha demostrado la capacidad de pronosticar con precisión el riesgo de mortalidad en pacientes de la UCI con insuficiencia cardíaca utilizando únicamente datos de análisis de sangre y constantes vitales.

Un equipo de investigación de la Universidad de Lanzhou (Gansu, China) desarrolló y entrenó nueve modelos de IA utilizando 5.383 casos de pacientes de la base de datos eICU, junto con 530 casos adicionales de la base de datos MIMIC-IV para su validación externa. Estos casos correspondían a pacientes diagnosticados principalmente con insuficiencia cardíaca. 

El conjunto de datos incluía una variedad de variables como edad, saturación de oxígeno en sangre, recuentos de glóbulos blancos y rojos, niveles de plaquetas, hemoglobina, electrolitos, lactato, glucosa y otros marcadores fisiológicos y bioquímicos obtenidos durante el ingreso a la UCI. Para mejorar la fiabilidad de los modelos y garantizar su amplia aplicabilidad, todos los datos se sometieron a un exhaustivo preprocesamiento y estandarización antes del entrenamiento.

El equipo aplicó varios algoritmos de aprendizaje automático y empleó validación cruzada para evaluar el rendimiento de los modelos, utilizando la puntuación F1 como principal métrica de evaluación. De los nueve modelos desarrollados, el Perceptrón Multicapa (MLP) obtuvo los mejores resultados, con una puntuación de recuerdo de 0,64, lo que significa que fue el más eficaz para identificar casos positivos verdaderos y reducir los diagnósticos erróneos.

También registró las puntuaciones de rendimiento más altas en las categorías Macro F1 (0,74) y Ponderada F1 (0,88), lo que indica un sólido equilibrio entre las múltiples métricas de clasificación. Los sólidos resultados F1 del modelo MLP subrayan su potencial para el uso clínico en el manejo de pacientes con insuficiencia cardíaca crítica.