Modelo de aprendizaje profundo predice qué pacientes con sepsis responderán al tratamiento con esteroides

Incluso con los cuidados intensivos modernos, solo entre el 60 % y el 70 % de los pacientes con choque séptico sobreviven los primeros 30 días. Los corticosteroides siguen siendo uno de los tratamientos más debatidos: ayudan a algunos pacientes, pero pueden perjudicar a otros, y los ensayos clínicos tradicionales no están diseñados para desentrañar esa variabilidad individual. Ahora, los investigadores han utilizado aprendizaje profundo para identificar a los pacientes con sepsis que tienen mayor probabilidad de responder a los corticosteroides, mejorando la precisión del tratamiento.

Un equipo de investigación del Departamento de Medicina Intensiva del Amsterdam UMC (Países Bajos) recurrió al aprendizaje profundo causal para identificar qué pacientes se benefician realmente. Desarrollaron un modelo predictivo con TARNet, centrado en la mortalidad a los 28 días, y lo entrenaron con 2.920 pacientes con sepsis-3 de la base de datos AmsterdamUMCdb. Cada perfil incluía 19 variables clínicas comunes, como el lactato, el pH y la relación PaO₂/FiO₂.

Para comprobar la eficacia del modelo en otros estudios, lo validaron en el amplio conjunto de datos estadounidense MIMIC-IV v2.2, con 30.639 pacientes. Según los resultados publicados en el Journal of Intensive Medicine, el modelo mostró un desempeño sólido: un AUROC de 0.79 en la cohorte interna y 0.71 en la cohorte externa, con puntuaciones Brier de 0.14 en ambos conjuntos. La calibración se mantuvo robusta y TARNet logró un equilibrio de covariables casi perfecto, superando significativamente el emparejamiento por puntuación de propensión convencional.

Luego, los investigadores agruparon a los pacientes según un cambio clínicamente significativo del 10 % en la mortalidad predicha a 28 días. Esto creó tres subgrupos: pacientes que respondieron al tratamiento (245), pacientes que no respondieron (2.098) y pacientes con probabilidad de sufrir daños (577). Las personas con acidosis metabólica grave y disfunción circulatoria, caracterizadas por pH bajo, bicarbonato bajo, lactato elevado y creatinina alta, fueron las más propensas a beneficiarse de los corticosteroides. Estos hallazgos coinciden con el conocimiento actual sobre la fisiología de la sepsis.

Al aprender representaciones compartidas antes de estimar el pronóstico potencial de cada paciente, TARNet pudo distinguir claramente entre beneficio y perjuicio, mientras que su excelente equilibrio de covariables redujo la confusión. El enfoque de base de datos dual también reforzó los hallazgos, ya que el modelo funcionó consistentemente incluso cuando la población MIMIC-IV presentó una enfermedad menos grave. Cabe destacar que las 19 variables de entrada se recopilan de forma rutinaria en todo el mundo, y el umbral de respuesta refleja la toma de decisiones en el mundo real, lo que hace que los resultados sean muy prácticos para las UCI.

“Nuestro estudio aborda una brecha crítica en la práctica actual. El aprendizaje profundo causal permite estimar los efectos individualizados del tratamiento, superando las limitaciones de los estudios poblacionales tradicionales”, dijo el Dr. Ameet Jagesar. “Esta es la primera aplicación del modelo TARNet en el contexto del tratamiento con corticosteroides para la sepsis”.

Enlaces relacionados:
Amsterdam UMC