La IA ayuda a optimizar la selección de la terapia y la dosificación en el shock séptico

Los pacientes experimentan una presión arterial peligrosamente baja que puede derivar rápidamente en insuficiencia orgánica, lo que requiere tratamiento urgente con líquidos y vasopresores, fármacos que elevan la presión arterial.

Si bien las directrices internacionales describen secuencias generales de tratamiento, no consideran la rapidez con la que evoluciona el shock séptico ni las diferencias en la respuesta de los pacientes al tratamiento. Ahora, nuevos hallazgos demuestran que la inteligencia artificial (IA) puede determinar el momento y la dosis óptimos de vasopresores de forma individual, mejorando así la supervivencia.

En una investigación dirigida por la Universidad Johns Hopkins (Baltimore, MD, EUA), en colaboración con centros médicos académicos, como la Universidad de California en San Francisco (San Francisco, CA, EUA), los investigadores aplicaron el aprendizaje por refuerzo, una forma de aprendizaje automático en la que los algoritmos aprenden las acciones óptimas analizando los resultados de grandes conjuntos de datos. Mediante historiales médicos electrónicos, el modelo evaluó continuamente variables específicas del paciente, como la presión arterial, las puntuaciones de disfunción orgánica y la medicación concomitante.

A partir de estas variables dinámicas, el sistema aprendió cuándo iniciar la vasopresina, un vasopresor potente que suele añadirse después de la noradrenalina si la presión arterial permanece peligrosamente baja. El aprendizaje por refuerzo se diferencia de los métodos tradicionales de ensayos clínicos al evaluar miles de escenarios de tratamiento simultáneamente en lugar de probar una única regla predefinida. Esto permitió a los investigadores modelar el shock séptico como una condición dinámica, y no como un diagnóstico estático.

Al aprender a partir de datos clínicos del mundo real, en lugar de protocolos rígidos, el sistema se diseñó para individualizar las decisiones terapéuticas en una condición caracterizada por una amplia variabilidad entre pacientes, hospitales y países. El modelo se entrenó utilizando historias clínicas electrónicas de más de 3.500 pacientes y posteriormente se validó con datos no vistos de casi 11.000 pacientes adicionales. Los resultados mostraron que los pacientes cuyo tratamiento coincidió con las recomendaciones del algoritmo presentaron una mortalidad hospitalaria significativamente menor.

De forma destacada, el modelo recomendó con frecuencia iniciar la vasopresina antes de lo que los clínicos suelen hacerlo; sin embargo, los resultados empeoraron cuando el fármaco se administró incluso antes de lo sugerido por el algoritmo. Esto puso de manifiesto una ventana terapéutica estrecha y específica para cada paciente. Los hallazgos, publicados en The Journal of the American Medical Association, demuestran que el momento oportuno, y no solo la elección del fármaco, es crucial en el manejo del shock séptico.

Un enfoque individualizado para el inicio de vasopresores podría reducir las muertes sin aumentar los efectos secundarios perjudiciales asociados a tratamientos excesivamente agresivos. Los investigadores planean implementar el modelo en entornos clínicos reales antes de ampliarlo a nivel nacional mediante una plataforma clínica de IA. El mismo marco de aprendizaje por refuerzo podría aplicarse posteriormente a otras decisiones terapéuticas complejas en cuidados intensivos.

"No existe una regla única que sirva para todos: en el shock séptico hay una gran variabilidad en las prácticas de reanimación entre hospitales y entre distintos países, especialmente en lo que respecta al soporte con vasopresores", afirmó el autor principal, Romain Pirracchio. "Dada la diversidad de la población incluida en este estudio, los resultados muestran que una pauta individualizada de inicio de vasopresina puede mejorar el pronóstico de los pacientes con shock séptico".

Enlaces relacionados:
Universidad Johns Hopkins
Universidad de California, San Francisco