Alertas impulsadas por IA reducen las complicaciones renales después de la cirugía cardíaca

Actualmente, el diagnóstico se basa en la disminución del volumen urinario o el aumento de la creatinina, marcadores que solo aparecen una vez transcurrido el periodo óptimo de tratamiento. Ahora, los investigadores están desarrollando un sistema de inteligencia artificial (IA) que analiza datos clínicos en tiempo real para detectar la LRA de manera temprana, brindando a los médicos un tiempo crítico para intervenir.

Este proyecto de cuatro años combina la experiencia de investigadores en aprendizaje automático y estadística de la Universidad Rice (Houston, TX, EUA) con el amplio conjunto de datos clínicos de más de 9.000 pacientes de cirugía cardíaca y 68 millones de puntos de datos del Baylor College of Medicine (Houston, TX, EUA). El sistema utiliza modelos de aprendizaje automático de conjunto, entrenados con datos de historias clínicas electrónicas (HCE) minuto a minuto —incluidos signos vitales, resultados de laboratorio, medicamentos y equilibrio de líquidos— para identificar señales tempranas de estrés renal.

El objetivo es detectar la LRA hasta 24 horas antes de que aparezcan los marcadores diagnósticos habituales, recomendar intervenciones personalizadas y proporcionar a los clínicos información útil mediante "biomarcadores digitales" derivados de regresión simbólica y un sencillo sistema de puntuación a pie de cama. La plataforma funcionará en un entorno clínico seguro que transmite datos de la HCE cada 15 minutos para generar perfiles de riesgo continuos y recomendaciones de actuación.

El estudio incluye una validación prospectiva en UCI para evaluar la precisión, la concordancia entre las decisiones clínicas y las recomendaciones del modelo, y el impacto del sistema en la incidencia de LRA. El enfoque prioriza la interpretabilidad para fomentar la confianza y la adopción, asegurando que los clínicos comprendan qué factores influyen en las predicciones y cómo acciones específicas pueden reducir el riesgo. Al traducir datos complejos del mundo real en orientación práctica, el sistema busca mejorar los resultados tras la cirugía cardíaca y establecer un modelo para la implementación confiable de la IA clínica.

"Una predicción temprana permitiría intervenciones dirigidas que pueden mejorar los resultados, pero las herramientas de riesgo previas son estáticas y tienen un valor limitado en el entorno posoperatorio dinámico", dijo Meng Li, investigador principal del proyecto. "Nuestra hipótesis central es que los modelos dinámicos de aprendizaje automático pueden predecir con precisión la LRA en tiempo real a partir de datos de la HCE recopilados de forma rutinaria y potenciar la toma de decisiones clínicas al cuantificar la reducción del riesgo de las intervenciones terapéuticas".

"Actualmente, la LRA se identifica mediante parámetros clínicos, pero estos representan hallazgos tardíos que suelen manifestarse después de la ventana ideal de tratamiento", explicó el Dr. Ravi Ghanta, investigador principal del proyecto. "La historia clínica electrónica proporciona datos complejos y multidimensionales que los médicos incorporan en la toma de decisiones, pero que aún se utilizan poco en el apoyo a la decisión clínica. Nuestro objetivo es cambiar esta situación".

Enlaces relacionados:
Universidad Rice
Facultad de Medicina de Baylor