Un estudio publicado en JAMA Network Open evaluó un modelo de aprendizaje automático capaz de predecir la necesidad de intervenciones vitales en pacientes con trauma atendidos por STAT MedEvac. Analizando más de 2800 casos y 15.000 registros fisiológicos, el modelo demostró alta precisión, especialmente en el manejo de la vía aérea, y plantea un futuro prometedor para el triaje pre hospitalario.
Importancia del triaje pre hospitalario en trauma
El trauma representa una de las principales causas de mortalidad evitable en el ámbito pre hospitalario. Se estima que entre un 20% y un 25% de las muertes traumáticas podrían prevenirse con intervenciones vitales tempranas (LSI, por sus siglas en inglés), como control de la vía aérea, transfusión sanguínea o manejo de hemorragias.
No obstante, los protocolos de triaje suelen depender de la interpretación de signos vitales básicos y de la experiencia del personal sanitario, lo que aumenta el riesgo de errores tanto de sobre triaje como de sub triaje.
Diseño del estudio y población incluida
El estudio retrospectivo de cohorte, publicado el 9 de junio de 2025 en JAMA Network Open por Weidman AC, Malakouti S, Salcido DD y colaboradores, analizó la utilidad de un modelo de aprendizaje automático para anticipar la necesidad de LSI en pacientes con trauma.
Se incluyeron 2809 pacientes transportados por STAT MedEvac, un sistema de evacuación aérea crítica que opera en Pensilvania y estados cercanos, entre el 1 de enero de 2018 y el 18 de noviembre de 2021. La cohorte tuvo una edad media de 47,7 ±19,5 años y estuvo compuesta mayoritariamente por hombres (70,5%). Del total, el 90,3% presentaba trauma cerrado y el 7,2% trauma penetrante.
Datos fisiológicos y procesamiento del modelo
Durante la atención inicial, los pacientes generaron 15.088 registros de dos minutos (epochs) en los primeros 15 minutos tras el arribo del equipo médico. En 910 de esos registros (6,0%) se administró una intervención vital. Un total de 616 pacientes (21,9%) recibió al menos una LSI en los primeros 15 minutos y otros 161 (5,7%) entre los 16 y 30 minutos.
Las intervenciones incluyeron procedimientos de vía aérea (13,0%), control de hemorragias (6,9%), transfusiones (3,3%), uso de vasopresores (1,9%), intervenciones torácicas (1,3%) y cardiovasculares (0,4%). La intubación endotraqueal fue la más frecuente (10,6%).
El modelo de aprendizaje automático empleó 2175 características fisiológicas obtenidas de electrocardiografía, oximetría, capnografía y presión arterial (invasiva y no invasiva). Tras depuración, se conservaron 1625 variables. El algoritmo aplicado fue histogram gradient boosting (HGB), con validación cruzada y 100 ejecuciones para garantizar robustez.
Resultados principales del modelo
El desempeño global fue sólido, con un AUROC de 0,810 (IC95%: 0,782–0,842). La sensibilidad alcanzó 0,268 (IC95%: 0,193–0,357) y la especificidad 0,960 (IC95%: 0,947–0,972).
El valor predictivo negativo (VPN) fue alto, con 0,953 (IC95%: 0,943–0,964), mientras que el valor predictivo positivo (VPP) fue de 0,301 (IC95%: 0,228–0,356).
Por tipo de intervención, el modelo mostró mejor rendimiento en predicción de procedimientos de vía aérea (AUROC 0,910; IC95%: 0,888–0,932), transfusiones (0,784) y vasopresores (0,816). El desempeño fue más bajo en control de hemorragias (0,580), intervenciones torácicas (0,675) y cardiovasculares (0,650).
Análisis a nivel de paciente
El análisis por paciente reflejó un sobre triaje del 34,9%, dentro del objetivo nacional (<35%), y un sub triaje del 21,3%, superior al estándar recomendado (<5%).
La sensibilidad per cápita alcanzó 0,787, mientras que la especificidad fue de 0,651.
Estos datos sugieren que, aunque el modelo mejora la precisión frente a criterios clínicos convencionales, aún persiste un reto en la reducción del sub triaje.
Análisis de sensibilidad y consistencia
El modelo mantuvo un buen rendimiento incluso al utilizar datos fisiológicos registrados hasta 15 minutos antes de la intervención, con AUROCs entre 0,806 y 0,823. Los resultados fueron consistentes al predecir solo la primera LSI de cada paciente (AUROC 0,796), en pacientes con trauma cerrado (AUROC 0,809) y en análisis con imputación de datos faltantes.
Implicaciones clínicas y potencial de aplicación
Los resultados confirman que un modelo de aprendizaje automático basado en señales fisiológicas puede anticipar con precisión la necesidad de intervenciones vitales en el entorno pre hospitalario. Aunque la tasa de sub triaje se mantiene elevada en comparación con los estándares nacionales, el desempeño global supera al de muchos modelos clínicos actuales.
Estas herramientas podrían optimizar la toma de decisiones en escenarios de trauma, reducir la carga cognitiva del personal sanitario y priorizar a pacientes críticos en incidentes con múltiples víctimas. No obstante, los autores señalan que será necesario validar el modelo en poblaciones más amplias y en entornos de transporte terrestre, además de considerar su integración en protocolos clínicos de uso rutinario.
Futuro de la inteligencia artificial en trauma
El estudio representa un avance en la incorporación de inteligencia artificial al triaje pre hospitalario. La posibilidad de anticipar hasta con 15 minutos de antelación la necesidad de una intervención vital abre la puerta a optimizar recursos, reducir la mortalidad prevenible y mejorar la eficiencia de los sistemas de emergencias.
El desafío será trasladar esta tecnología al terreno clínico real, adaptándola a distintos contextos y garantizando su seguridad y eficacia.
Conclusión
El modelo de aprendizaje automático evaluado demostró capacidad predictiva robusta para intervenciones vitales en trauma pre hospitalario, con mayor precisión en vía aérea. Aunque el sub triaje sigue siendo un desafío, sus beneficios sugieren un gran potencial para transformar el triaje en emergencias.
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.
