"¿Se puede salvar a este paciente? ¿Hay que enviarlo directamente al quirófano o debe pasar antes por la UCI?"
Cuando llega un paciente sangrando por todo el cuerpo, al personal sanitario se le agolpan esas preguntas en cuestión de segundos.
Un equipo de investigación de Corea del Sur ha creado, tras analizar historiales de más de 200.000 pacientes, un modelo predictivo que puede servir de apoyo para tomar ese tipo de decisiones.
El equipo conjunto del profesor Lee Jae-myung, de la Unidad de Cuidados Intensivos y Cirugía de Trauma del Hospital Anam de la Universidad de Corea, y del profesor Baek Seung-min, de la Cirugía de Cuidados Intensivos del Hospital Mokdong de la Universidad de Mujeres Ewha, anunció este día 7 que ha desarrollado un modelo para predecir el riesgo de muerte precoz en pacientes traumatizados mediante técnicas de aprendizaje automático (machine learning) de inteligencia artificial. Eso sí, el modelo no es un software listo para instalar y usar en un hospital, sino más bien un algoritmo predictivo que, al introducir los datos del paciente, calcula numéricamente el nivel de riesgo de muerte.
Los traumatismos por accidentes de tráfico o caídas figuran entre las principales causas de muerte en todo el mundo, y destacan especialmente entre los jóvenes.
En estos casos, el estado del paciente puede empeorar de forma brusca en poco tiempo. Identificar con precisión desde el inicio a los pacientes de alto riesgo permite al personal sanitario actuar con rapidez y asignar adecuadamente recursos como la UCI, el quirófano o las transfusiones.
Pero decidirlo dista de ser sencillo: intervienen factores muy diversos, como las circunstancias del accidente, la zona y el grado de lesión, la edad y el estado físico, la atención de emergencia recibida desde el lugar del siniestro hasta el hospital y el proceso terapéutico tras la llegada.
Además, muchos estudios previos se han basado en conjuntos de datos reducidos de uno o dos hospitales, lo que dificultaba comprobar si el modelo funcionaba igual de bien en otros centros o en otros periodos. En no pocos casos también resultaba difícil explicar en qué se basaba la inteligencia artificial para realizar sus predicciones.
Un modelo predictivo construido con 207.012 historiales
El equipo analizó 207.012 casos —tras excluir registros incompletos o inconsistentes— de un total de 237.616 episodios de traumatismo grave recopilados a escala nacional por la Agencia para el Control y la Prevención de Enfermedades de Corea (KDCA) entre 2016 y 2020. Con los datos de 2016-2018 construyó el modelo predictivo y con los de 2019-2020 verificó su rendimiento real. Es decir, comprobó si el modelo funcionaba también con pacientes nuevos, no solo con datos ya conocidos.
El equipo comparó el rendimiento de seis técnicas de aprendizaje automático: regresión logística (Logistic Regression), k vecinos más cercanos (k-NN), árbol de decisión (Decision Tree), bosque aleatorio (Random Forest), perceptrón multicapa (MLP) y XGB.
Entre ellas, el modelo XGB fue el que mejor funcionó. En dos indicadores de evaluación que miden la capacidad para distinguir entre pacientes de alto riesgo y de bajo riesgo, obtuvo 0,985 y 0,957, respectivamente. Cuanto más cerca de 1, mayor es la precisión; superar 0,98 se considera un nivel muy alto en este campo. El modelo Random Forest, el segundo mejor, mostró un rendimiento similar, con 0,984 y 0,956.
Incluso con los datos de 2020, durante la ola de covid-19 que sacudió el conjunto del sistema de emergencias, el modelo XGB registró 0,984, prácticamente igual que en periodos normales. Esto significa que, por caótica que fuera la situación fuera del hospital, el modelo mantuvo su desempeño.
En qué se basó para señalar el riesgo
El equipo también examinó en qué se apoyaba el modelo para determinar el riesgo. Mediante una técnica de análisis llamada SHAP, revisó uno por uno cuánto influyó cada dato en la decisión final de la inteligencia artificial.
El análisis mostró que factores como la parada cardiaca antes de la llegada al hospital, la puntuación de gravedad de la lesión (Injury Severity Score), la edad y el tiempo transcurrido hasta la primera transfusión fueron determinantes para separar el riesgo de muerte. Curiosamente, estos factores coinciden con la información que el personal de urgencias suele comprobar primero al encontrarse con un paciente.
Es importante que el sistema no solo arroje un resultado, sino que permita saber también “por qué lo consideró de riesgo”. Conocer la base del juicio es lo que permite al personal sanitario confiar en el resultado y usarlo como referencia.
Este estudio cobra especial relevancia por basarse en datos públicos de alcance nacional. Además de la precisión, el equipo evaluó si el modelo podía explicar por qué tomaba sus decisiones (interpretabilidad), si podía aplicarse a otros hospitales (escalabilidad) y si mantenía su rendimiento con el paso del tiempo o ante cambios de contexto (capacidad de generalización). En ese sentido, sugiere que podría utilizarse en múltiples entornos, no solo en un hospital concreto. Con todo, los resultados se han validado analizando registros históricos; para aplicarlo en la práctica clínica real harán falta verificaciones adicionales.
Lee Jae-myung afirmó: “Esperamos que en el futuro sirva como material de base para seleccionar rápidamente el nivel de riesgo de los pacientes en el sistema de emergencias y en la atención al trauma”. Baek Seung-min señaló: “Al utilizar los datos nacionales del registro de trauma, hemos confirmado la posibilidad de seleccionar el riesgo de muerte precoz a nivel de sistema”, y añadió: “Tras ajustes y una validación prospectiva, lo desarrollaremos hacia una línea de investigación que integre el triaje de riesgo basado en IA en el sistema de emergencias y el sistema de trauma”.
En urgencias, unos segundos de decisión separan la vida de la muerte. No se implantará de inmediato en todos los hospitales, pero a medida que modelos predictivos como este se validen una y otra vez y se incorporen al trabajo diario, irá disminuyendo, poco a poco, el lamento de “si lo hubiéramos sabido un poco antes”.
El estudio se ha publicado en la revista internacional de cirugía de urgencias y trauma 《World Journal of Emergency Surgery》. Esta publicación es una revista Q1, situada en torno al 2,6% superior (percentil medio del JIF 97,4) en las áreas de cirugía y medicina de urgencias.
