Un estudio masivo de más de 3 millones de visitas, publicado en JAMA Network Open, detalla el desarrollo de un modelo de IA que identifica a pacientes en riesgo de agitación, abriendo la puerta a intervenciones proactivas y una atención más segura para todos los involucrados.
Un desafío creciente en las salas de urgencias: la agitación del paciente
Los departamentos de emergencias (DE) son entornos de alta presión donde el personal médico se enfrenta a una multitud de desafíos. Uno de los más complejos y peligrosos es la agitación del paciente, un estado de angustia y desasosiego severos que puede escalar rápidamente hacia un comportamiento agresivo o violento.
Este fenómeno no es simplemente un problema de conducta, sino a menudo una manifestación de una crisis médica o de salud mental subyacente.
En la última década, se ha observado un alarmante aumento del 53% en las visitas a los DE relacionadas con la salud mental, lo que ha convertido la gestión de la agitación en una prioridad cada vez más urgente. Un manejo inadecuado no solo pone en riesgo la seguridad del personal, sino también la del propio paciente.
El peligro de las medidas de último recurso: sedación y restricciones
Cuando las técnicas de comunicación y desescalada verbal fallan, los equipos clínicos a menudo deben recurrir a medidas de último recurso para controlar a un paciente agitado: la sedación química (administración de fármacos calmantes) y las restricciones físicas. Si bien a veces son necesarias para prevenir daños inminentes, estas intervenciones no están exentas de riesgos significativos.
Las restricciones físicas pueden causar lesiones traumáticas, problemas circulatorios y un profundo trauma psicológico.
La sedación química puede llevar a complicaciones graves como la depresión respiratoria, problemas cardiovasculares e incluso, en casos raros, la muerte. La prevención, por lo tanto, es fundamental, y la capacidad de anticipar qué pacientes están en mayor riesgo de agitación podría cambiar radicalmente el paradigma de la atención.
Un estudio masivo para entrenar a la inteligencia artificial
Con el objetivo de crear una herramienta predictiva, un equipo de investigadores se embarcó en un estudio a gran escala, cuyos resultados han sido publicados en JAMA Network Open.
Se analizaron los datos de un número masivo de visitas a los DE: 3,048,780 en total, correspondientes a pacientes de 18 años o más, dentro de un gran sistema de salud urbano durante un período de siete años, entre 2015 y 2022.
El objetivo principal del modelo de inteligencia artificial fue predecir un resultado muy específico: la probabilidad de que un paciente requiriera sedación química o restricciones físicas durante su estancia en el DE. La enorme cantidad de datos permitió entrenar un algoritmo robusto y fiable.
Los 50 predictores: ¿qué pistas utiliza el modelo?
El modelo de inteligencia artificial no se basa en una única variable, sino que integra una compleja red de información para calcular el riesgo. En total, se incorporaron 50 predictores distintos extraídos del historial médico electrónico del paciente.
Estos predictores incluían información demográfica (edad, sexo), un historial médico detallado, los signos vitales iniciales tomados al llegar al DE (como la frecuencia cardíaca y la presión arterial) y, de manera crucial, cualquier evento previo de sedación o restricción.
El modelo fue capaz de identificar patrones sutiles en esta gran cantidad de datos que a menudo son difíciles de detectar para un ser humano en un entorno clínico ajetreado. Entre los predictores más significativos se encontraron el número de visitas previas al DE y el historial médico, lo que se alinea con la literatura científica existente sobre los factores de riesgo de la agitación.
Una precisión excepcional: el rendimiento del modelo predictivo
La eficacia del modelo se midió utilizando una métrica estadística estándar conocida como el «área bajo la curva de características operativas del receptor» (AUROC). Esta métrica proporciona una puntuación de 0 a 1, donde 1 representa una predicción perfecta.
El modelo desarrollado en este estudio alcanzó un AUROC de 0.94, un resultado que indica una precisión excepcionalmente alta.
En términos prácticos, esto significa que el modelo es extremadamente bueno para distinguir entre los pacientes que eventualmente requerirán una intervención por agitación y aquellos que no. Esta alta fiabilidad es fundamental para que una herramienta de este tipo sea útil y segura en la práctica clínica.
Garantizando la equidad: un modelo libre de sesgos demográficos
Una de las mayores preocupaciones en el desarrollo de la IA para la salud es el riesgo de que los algoritmos perpetúen o incluso amplifiquen los sesgos existentes en la sociedad.
Por ejemplo, si ciertos grupos demográficos han sido históricamente objeto de un mayor uso de restricciones, un modelo mal diseñado podría aprender este sesgo y señalar injustamente a futuros pacientes de esos mismos grupos. Conscientes de este peligro, los investigadores realizaron un riguroso análisis de equidad.
Se validó el rendimiento del modelo en diferentes categorías de edad, sexo, raza y etnicidad. Los resultados fueron tranquilizadores: el modelo mantuvo su alta precisión de manera consistente en todos los grupos demográficos, lo que sugiere que no refuerza las disparidades existentes y puede ser una herramienta equitativa.
De la predicción a la prevención: ¿cómo se usaría en la práctica?
La implementación de este modelo podría transformar la atención al paciente. En un escenario clínico, el modelo podría ejecutarse automáticamente en segundo plano en cuanto un paciente se registra en el DE. Si el algoritmo calcula una alta probabilidad de agitación, podría generar una alerta discreta en el sistema de historia clínica electrónica para el equipo de enfermería y los médicos.
Esta alerta temprana no sería para estigmatizar al paciente, sino para activar un protocolo de atención proactiva.
El personal podría entonces emplear estrategias de desescalada desde el principio, como asignar al paciente a una habitación más tranquila, limitar los estímulos, comunicarse de manera calmada y empática, o involucrar a un trabajador social o un especialista en salud conductual de inmediato.
El futuro de la IA en la medicina de emergencia
Este estudio representa un significativo avance conceptual y técnico. Sin embargo, los propios autores señalan que es un primer paso fundamental.
La investigación actual es de naturaleza retrospectiva, lo que significa que se probó con datos del pasado. El siguiente paso crucial será la investigación prospectiva: integrar el modelo en la práctica clínica en tiempo real y evaluar su impacto directo en los resultados.
Los estudios futuros deberán medir si el uso de esta herramienta de predicción conduce realmente a una reducción en el uso de la sedación y las restricciones, a una disminución de las lesiones del personal y de los pacientes, y a una mejora general de la experiencia del paciente en el departamento de emergencias.
Conclusión
Este estudio representa un avance relevante en la seguridad del paciente en medicina de emergencia. Al predecir la agitación con una precisión y equidad sin precedentes, este modelo de IA ofrece a los clínicos la oportunidad de pasar de una atención reactiva a una proactiva.
Su implementación podría reducir drásticamente el empleo de intervenciones de alto riesgo como la sedación y las restricciones, fomentando un entorno más seguro y terapéutico tanto para los pacientes como para el personal sanitario.
Referencias
Autor
El equipo de redactores de Sapue realizo esta historia, utilizando herramientas editoriales, de traducción e inteligencia artificial. El proceso de redacción contó con incidencia humana en cada etapa.
