Cómo la Inteligencia Artificial puede reducir la mortalidad por sepsis

Estos componentes -alta mortalidad, evolución clínica compleja, dependencia de los registros de datos- son por sí mismos indicativos de la importancia que tendría para ese tipo de casos disponer de un sistema de análisis automatizado que prestara apoyo a las decisiones clínicas. De ahí que se hayan propuesto diversos modelos para la captación de la información de los pacientes, que recientemente incluyen la aplicación del aprendizaje automático (machine learning) para extraer consecuencias de la casuística y aplicarlas mediante modelos de inteligencia artificial.

El valor de la anticipación.

El tiempo es esencial en el tratamiento de la sepsis. Ante una sospecha, siempre se recomienda que se acuda inmediatamente a urgencias. En el medio hospitalario es donde se evalúan decenas de indicadores que pueden señalar una eventual sepsis y su posible evolución. Entre ellos, los valores de frecuencia cardíaca, presión arterial, fiebre, dificultad para respirar, junto con numerosos biomarcadores y resultados de laboratorio. 

Establecer un juicio clínico que permita prever el deterioro de un paciente en periodos de 12 horas es complejo. Incluso calibrar el significado o la dimensión exacta de ese posible deterioro lo es, lo que resulta crítico para poder establecer una adecuada pauta de administración de fluidoterapia y tratamientos. La utilización temprana de antibióticos intravenosos de amplio espectro, en particular, se asocia con una disminución de la mortalidad y la morbilidad.

Desde esta orientación, se acaba de publicar un muy ambicioso estudio que tuvo como objeto evaluar el impacto clínico de la utilización de un sistema de alerta temprana para pacientes con sepsis, una tecnología construida mediante aprendizaje automático, y que ha mostrado resultados en los pacientes muy alentadores.   

Se trata de un estudio de cohortes prospectivo y multicéntrico, en el que se evaluó la asociación entre los resultados de los pacientes y la utilización de un sistema de alerta en septicemia denominado Targeted Real-time Early Warning System (TREWS). Este instrumento tecnológico se utilizó durante el periodo del estudio en más de medio millón de pacientes en las UCIs de cinco hospitales norteamericanos, pero el análisis se centró concretamente en 6.877 pacientes con diagnóstico de sepsis, y que fueron identificados mediante esta alerta antes del inicio de la terapia con antibióticos.

Varios estudios retrospectivos ya habían demostrado que diversas herramientas basadas ​​en el aprendizaje automático pueden detectar la sepsis de forma temprana, y funcionan bien como sistema de alerta. Sin embargo, hay pocos estudios que se centren en las consecuencias clínicas de su utilización, en resultados de los pacientes.

Mejoras en mortalidad, evolución clínica y uso de recursos.

El TREWS es un sistema de alerta temprana basado en aprendizaje automático, que monitoriza de manera continua a los pacientes evaluando en tiempo real el riesgo de sepsis, y se nutre de los datos que se registran en su historia clínica de manera continua. Se puede configurar para que utilice todo tipo de variables, como signos vitales, datos de laboratorio, notas del médico, historial de tratamientos, historial de procedimientos, e historial clínico. Con todo ello genera una puntuación de riesgo de sepsis que se actualiza continuamente, y que se va readaptando según se disponga de nueva información. La puntuación se contextualiza, además, con la propia evolución del paciente, sus posibles comorbilidades, los procedimientos que se le hayan aplicado, e incluso el nivel de consciencia que presente.

En este análisis publicado en Nature, se incluyeron a todos los pacientes que activaron una alerta de posible sepsis como máximo una hora antes de la admisión en el hospital o del triaje en el servicio de urgencias, y que posteriormente fueron diagnosticados de ello. Para garantizar que las alertas consideradas fueran las adecuadas, y para excluir valores atípicos, se dejaron fuera a los pacientes que no recibieron antibióticos dentro de las 24 horas posteriores a la alerta. Se excluyeron también los pacientes a los que se les administraron antibióticos antes de la alerta, puesto que el interés del estudio era valorar los efectos del sistema de alerta automatizada en aquellos casos en los que su uso pudiera afectar al momento de la administración del tratamiento.

El resultado primario analizado fue la mortalidad hospitalaria por todas las causas, que se midió en el momento del alta. Los resultados secundarios fueron la diferencia entre la puntuación de fallo multiorgánico según la escala SOFA (Sequential Organ Failure Assessment Score) de un paciente en el momento de producirse la alerta, y 72 horas después de ella. Además, se evaluó la duración de la estancia hospitalaria después de la alerta hasta el alta en el caso de los supervivientes.

El estudio mostró que un sistema de alerta como el considerado tiene el potencial de identificar a los pacientes con sepsis de manera temprana, y su uso mejor los resultados de los pacientes mediante un acceso más precoz al tratamiento. Se evidenció, por tanto, una mejora en la tasa de mortalidad, pero también una progresión mejorada de la puntuación SOFA, y una estancia media menor en los casos en los que se utilizó esta tecnología.

Estos hallazgos, unos de los primeros basados en resultados clínicos, indican que los sistemas de alerta temprana tienen el potencial de identificar a los pacientes con sepsis de una manera más precoz, y que pueden ser empleados para mejorar los resultados de los pacientes con una eventual reducción de la mortalidad y las complicaciones clínicas de los casos.