Tras más de un año de pandemia, expertos españoles han desarrollado un algoritmo predictivo, basado en Big Data, que permite pronosticar en tiempo real la progresión de muchos pacientes hospitalizados por la infección de coronavirus SARS-CoV-2 en términos de mortalidad y empeoramiento (riesgo de ingreso en la Unidad de Cuidados Intensivos, UCI, en las siguientes horas), al cumplir una serie de criterios.
Esta herramienta de Inteligencia Artificial fue puesta en marcha el pasado mes de septiembre en los hospitales universitarios Fundación Jiménez Díaz (Madrid), Rey Juan Carlos (Móstoles), Infanta Elena (Valdemoro) y General de Villalba (Collado Villalba), todos ellos pertenecientes a la red sanitaria pública de la Comunidad de Madrid.
El algoritmo, en cuyo desarrollo e implementación están implicados los servicios más involucrados en la lucha contra la covid-19 (Medicina Interna, Neumología, UCI y UCIR --Unidad de Cuidados Intermedios Respiratorios--) de esta red asistencial, además de su departamento de Big Data, comenzó a implementarse en Urgencias el pasado septiembre, para ampliarse a Hospitalización, UCI y UCIR a mediados de diciembre.
“El análisis de distintos parámetros y de hasta 382 variables en más de 15.000 pacientes covid hospitalizados en estos cuatro centros entre la primera ola y segunda ola permitió, mediante técnicas de machine learning, seleccionar 20 variables relevantes que ofrecen patrones de comportamiento y evolución de los positivos, y, lo más importante de todo, en tiempo real”, explica Antonio Herrero González, responsable de Big Data de esta red asistencial.
De esta manera, se ofrece una visión global clara de cómo afectaría cada variable al triaje: “Sobre el conjunto de 20 variables se aplicó el algoritmo Bayesian Ruleset (que calcula la probabilidad de un suceso teniendo información previa sobre el mismo) y que proporciona el conjunto de reglas de umbrales que mejor predice la gravedad futura del paciente”, añade este experto.
El análisis de cientos factores en más de 15.000 pacientes ha permitido seleccionar 20 variables relevantes que ofrecen patrones de comportamiento en los enfermos de covid-19 en tiempo real
Variables como la edad, el Índice de Masa Corporal o la fracción inspirada de oxígeno (FiO2) “han tenido un peso relevante en ambos modelos de predicción", subrayan los doctores Alfonso Cabello y Felipe Villar, jefes asociados, respectivamente, de los servicios de Medicina Interna y de Neumología de la Fundación Jiménez Díaz, también implicados en el proyecto, así como el doctor José María Milicua, jefe asociado de la UCI del citado hospital madrileño. En el corto plazo, agrega Antonio Herrero, "se espera añadir otras que ayuden a mejorar la precisión de los resultados".
Se trata de una herramienta que permite constatar estos patrones con datos clínicos, mejorando la calidad y seguridad del proceso, y que ofrece una información adicional de “gran utilidad” para los profesionales médicos de cara a la toma de decisiones, indican los especialistas.
Conseguir el algoritmo
Una vez identificadas las variables relevantes, se entrenaron dos modelos con el objetivo de identificar sendas probabilidades, asociadas a un paciente hospitalizado, de precisar ingreso en UCI, o bien de fallecer: “La información del enfermo y sus indicadores analíticos se pasan por estos modelos para obtener las estimaciones correspondientes; unos resultados que se cargan en tiempo real en la base de datos y se integran en la historia clínica del paciente, generando la alerta de predicción respectiva y agilizando y facilitando la toma de decisiones”, destaca Herrero.
El algoritmo parte de la recogida de parámetros como los datos demográficos del paciente (edad, sexo, si son o no de residencias, etc.), sus antecedentes personales (si es fumador o diabético, si tiene hipertensión o problemas cardiovasculares, pulmonares, neurológicos, oncológicos, renales, etc.), fármacos administrados (antes y en el momento del ingreso), grupo sanguíneo, IMC, si ha estado previamente en la UCI, si ha sido sometido a ventilación mecánica, y así hasta 382 variables de laboratorio y su evolución temporal.
En términos de gestión asistencial, los doctores Cabello, Villar y Milicua recalcan que el algoritmo ha ayudado a optimizar la eficiencia, al facilitar la agilidad en la actuación sobre los enfermos: "Poder prever la necesidad de determinados recursos con varios días de antelación nos permite adelantarnos a las necesidades de cada momento". Con respecto a los pacientes, concluyen, los beneficios del sistema son igualmente claros, "al mejorar tanto la experiencia en el hospital como la calidad y seguridad en la atención de su proceso de salud, puesto que se cuenta desde el principio con factores que nos van a indicar su evolución".
