La inteligencia artificial ayuda a detectar el empeoramiento de los pacientes COVID-19

La pandemia ha puesto de manifiesto cómo la tecnología puede ayudar al ser humano en todos los aspectos de la vida, sobre todo, en el ámbito sanitario, que enfrenta su mayor desafío en décadas. Frente a esta situación, expertos españoles han impulsado un algoritmo predictivo basado en big data que permite detectar en tiempo real la progresión de los pacientes hospitalizados por SARS-CoV-2 en cuanto al riesgo de ingreso en la Unidad de Cuidados Intensivos (UCI) en las siguientes horas, así como en términos de mortalidad. 

Este sistema, que se nutre de la inteligencia artificial, fue desarrollado en 2020, aunque no fue hasta el pasado mes de septiembre cuando los hospitales públicos gestionados por Quirónsalud en la Comunidad de Madrid comenzaron a implantarlo. Cuentan con dicha herramienta los hospitales universitarios Fundación Jiménez Díaz (Madrid), Rey Juan Carlos (Móstoles), Infanta Elena (Valdemoro) y General de Villalba (Collado Villalba).

Este algoritmo parte de la recogida de parámetros como los datos demográficos del paciente (sexo, edad, si provienen de una residencia, etc.); sus antecedentes personales (fumador, diabético, hipertensión, problemas cardiovasculares, pulmonares, neurológicos, oncológicos o renales, entre otras patologías); los fármacos administrados antes y en el momento del ingreso; además de variables tales como el grupo sanguíneo, el Índice de Masa Corporal (IMC), si ha estado previamente ingresado en UCI o ha sido sometido a ventilación mecánica. En total, tiene en cuenta hasta 382 variables de laboratorio y la manera en que estas evolucionan.

El análisis de esta información en los más de 15.000 pacientes COVID que estuvieron hospitalizados en los cuatro hospitales desde la primera ola y el inicio de la segunda, mediante el empleo de métodos de machine learning, permitió seleccionar las variables más relevantes, un total de 20, que ofrecen patrones de comportamiento de los pacientes positivos a través de los cuales se puede prever su evolución”, precisa el responsable de Big Data de esta red asistencial, Antonio Herrero González.

A partir de las citadas 20 variables más significativas, los promotores de este proyecto llevaron a cabo un ajuste utilizando árboles de decisión de hasta cuatro niveles de complejidad, que facilitan una “visión global clara” de cómo afectaría cada una de ellas al triaje. En concreto, se aplicó el algoritmo Bayesian Ruleset, que calcula la probabilidad de un suceso con información previa y que, a juicio de Herrero, “proporciona el conjunto de reglas de umbrales que mejor predice la gravedad futura del paciente”.

De este modo, se entrenaron dos modelos con objeto de identificar las probabilidades de que una persona fallezca o precise ingreso en UCI. Una vez obtenidas las estimaciones correspondientes, los resultados se cargan en tiempo real en la base de datos y se integran al historial clínico del paciente, generando la alerta de predicción respectiva, lo que “agiliza y facilita” la toma de decisiones. En cualquier caso, está previsto añadir más variables en el corto plazo que “ayuden a mejorar la precisión de los resultados”.

“Poder prever la necesidad de determinados recursos con varios días de antelación nos ha permitido adelantarnos a las necesidades de cada momento”, comentan por su parte los doctores Alfonso Cabello, Felipe Villar y José María Milicua, jefes asociados, respectivamente, de los servicios de Medicina Interna, Neumología y UCI de la Fundación Jiménez Díaz, también implicados en el proyecto. A este respecto, los expertos también indican que les “permite constatar estos patrones con datos clínicos, mejorando la calidad y seguridad del proceso”, así como ofrecer información adicional a los profesionales médicos, lo que optimiza la eficiencia en términos de gestión asistencial. 

Si bien en un principio solamente se aplicaba en el área de Urgencias, no fue hasta mediados de diciembre cuando se extendió a los servicios de Hospitalización, UCI y UCIR (Unidad de Cuidados Intermedios Respiratorios).