Un estudio en Japón utiliza aprendizaje automático para predecir signos vitales (HR, BP, RR, GCS) al llegar al hospital en 10,478 pacientes transportados por HEMS (abril 2020-marzo 2022). Busca optimizar la transición prehospitalaria-hospitalaria con predicciones precisas, mejorando preparación y recursos en urgencias.
En el ámbito de la medicina de emergencia, la velocidad y la precisión en la evaluación y el tratamiento de los pacientes críticamente enfermos son primordiales. Desde el momento en que se activa un servicio de emergencia hasta que el paciente llega al hospital y se transfiere a la atención definitiva, cada fase del proceso es crucial.
Particularmente para los pacientes con afecciones que amenazan la vida, la capacidad de anticipar su estado fisiológico al llegar al hospital puede permitir que el personal del departamento de emergencias (DE) y los equipos especializados se preparen de manera más efectiva, optimizando así la asignación de recursos y acelerando el inicio de intervenciones críticas. En países como Japón, donde los servicios médicos de emergencia en helicóptero (HEMS) complementan a los servicios médicos de emergencia generales (GEMS) basados en tierra, la capacidad de transportar rápidamente a pacientes críticamente enfermos desde lugares remotos o de difícil acceso a centros de atención terciaria es una ventaja invaluable.
Sin embargo, durante estos transportes, a menudo prolongados y complejos, el estado del paciente puede cambiar, y las intervenciones prehospitalarias administradas por las tripulaciones de HEMS (que suelen incluir médicos y enfermeras especializados, además de paramédicos) pueden influir significativamente en los signos vitales al llegar al hospital.
La predicción precisa de los signos vitales (como la frecuencia cardíaca, la presión arterial, la frecuencia respiratoria y el nivel de conciencia) al momento en que el paciente ingresa en el hospital, utilizando únicamente los datos recopilados en el entorno prehospitalario, ha sido un desafío persistente.
Los modelos predictivos tradicionales, a menudo basados en enfoques estadísticos más simples, han mostrado limitaciones, especialmente cuando se trata de pacientes que reciben intervenciones médicas activas y continuas durante el transporte, tanto por parte de los GEMS como, más aún, por los HEMS.
La complejidad de las interacciones entre las características basales del paciente, la evolución de su condición, el impacto de las intervenciones administradas en ruta y el entorno dinámico del transporte dificulta la predicción precisa del estado fisiológico al llegar a la puerta del hospital. Para abordar estas limitaciones y mejorar la precisión de la predicción de los signos vitales al llegar al hospital para pacientes transportados por HEMS, fue desarrollado un estudio que empleó técnicas avanzadas de aprendizaje automático.
Metodología: Inteligencia Artificial Analiza Datos de Vuelo
La investigación se basó en el análisis de datos provenientes del registro de la Sociedad Japonesa de Servicios Aeromédicos (JSAS). Este registro es una valiosa fuente de información que recopila datos de pacientes transportados por los servicios HEMS en todo Japón, proporcionando un vasto conjunto de datos sobre características de los pacientes, hallazgos prehospitalarios, intervenciones realizadas durante el transporte y resultados iniciales al llegar al hospital.
El uso de un registro nacional permitió a los investigadores acceder a un número considerable de casos, lo que es fundamental para el entrenamiento y la validación de modelos de aprendizaje automático robustos.
El estudio analizó los registros de pacientes mayores de 18 años que fueron transportados por servicios HEMS desde abril de 2020 hasta marzo de 2022. Este período de dos años proporcionó un conjunto de datos reciente y relevante para el análisis. Para asegurar que el análisis se centrara en pacientes cuya condición al llegar al hospital aún podría ser influenciada y para evitar sesgos en la predicción de signos vitales que ya no serían aplicables, se excluyeron del estudio a los pacientes que experimentaron un paro cardíaco durante el transporte.
La ocurrencia de un paro cardíaco representa un cambio drástico en el estado fisiológico que cae fuera del rango de predicción continua de signos vitales. Adicionalmente, se excluyeron a aquellos pacientes con signos vitales faltantes o inconsistentes en los registros prehospitalarios o al llegar al hospital.
La calidad y completitud de los datos de entrada son críticas para el rendimiento de los modelos de aprendizaje automático, por lo que esta exclusión fue necesaria para garantizar la fiabilidad del modelo desarrollado.
El núcleo metodológico del estudio fue el desarrollo de un modelo de regresión de múltiples salidas basado en redes neuronales profundas. Las redes neuronales profundas son un tipo avanzado de algoritmo de aprendizaje automático, inspirado en la estructura del cerebro humano, que es capaz de aprender patrones complejos y no lineales en grandes conjuntos de datos.
Un modelo de regresión de múltiples salidas es aquel que está diseñado para predecir varios valores de salida simultáneamente, en lugar de construir un modelo separado para cada variable de interés. En este caso, el modelo fue entrenado para predecir cinco signos vitales clave al llegar al hospital de manera concurrente: la frecuencia cardíaca, la presión arterial sistólica, la presión arterial diastólica, la frecuencia respiratoria y la puntuación de la Escala de Coma de Glasgow (GCS).
Las predicciones del modelo se basaron en los datos disponibles al inicio de la atención prehospitalaria, que incluían los signos vitales prehospitalarios iniciales, características demográficas básicas de los pacientes y datos sobre las intervenciones médicas que se iniciaron en el lugar del incidente o durante el transporte por HEMS.
El rendimiento del modelo de aprendizaje automático desarrollado fue rigurosamente evaluado utilizando métricas estándar en el campo. Se calculó el error absoluto medio (MAE) para cada uno de los signos vitales predichos. El MAE mide la diferencia promedio entre los valores de signos vitales predichos por el modelo y los valores reales observados al llegar al hospital. Un MAE más bajo indica una mayor precisión predictiva.
Además del MAE, el rendimiento del modelo fue evaluado utilizando el coeficiente de correlación de Spearman, que mide la fuerza y dirección de la asociación monotónica entre los valores predichos y reales, y otras métricas estadísticas como los scores R² y las desviaciones estándar residuales, que proporcionan información sobre qué tan bien el modelo se ajusta a los datos y la dispersión de los errores de predicción.
Hallazgos Clave: La Capacidad Predictiva del Modelo de IA
El análisis incluyó datos de 10,478 pacientes que cumplieron con los criterios de inclusión, transportados por HEMS en Japón entre abril de 2020 y marzo de 2022, y que tenían al menos 18 años de edad. La edad mediana de esta considerable cohorte de pacientes fue de 70 años, lo que indica que la población estudiada consistió predominantemente en adultos mayores críticamente enfermos, un grupo que a menudo presenta comorbilidades complejas y respuestas fisiológicas variables a la enfermedad y el tratamiento.
Los resultados de la evaluación del modelo de regresión de múltiples salidas demostraron su capacidad para predecir los signos vitales al llegar al hospital con una precisión notable.
El modelo logró MAEs bajos para cada uno de los signos vitales predichos. Específicamente, se obtuvieron MAEs de 7.1 latidos por minuto (lpm) para la frecuencia cardíaca, 15.7 mmHg para la presión arterial sistólica, 10.8 mmHg para la presión arterial diastólica, 2.9 respiraciones por minuto (resp/min) para la frecuencia respiratoria, y 0.62 puntos para la puntuación de la Escala de Coma de Glasgow.
Estos MAEs representan, en promedio, una diferencia relativamente pequeña entre los valores predichos por el modelo y los valores reales observados al llegar al hospital. En un contexto clínico de emergencia, una predicción con estos niveles de error podría considerarse suficientemente precisa para ser útil en la preparación hospitalaria.
La superioridad del modelo de aprendizaje automático se hizo evidente al comparar su rendimiento con el de métodos predictivos tradicionales. Se encontró que el modelo basado en redes neuronales profundas superó a los métodos convencionales, particularmente en términos de scores R² y desviaciones estándar residuales.
Un score R² más alto y desviaciones estándar residuales más bajas indican que el modelo de IA capturó una mayor proporción de la variabilidad en los signos vitales al llegar al hospital y que sus predicciones fueron, en promedio, más cercanas a los valores reales y menos dispersas que las de los modelos tradicionales. Esto sugiere que la capacidad de las redes neuronales profundas para aprender patrones complejos y las interacciones entre las variables permitió una predicción más precisa del estado fisiológico dinámico de estos pacientes críticamente enfermos transportados por HEMS.
Implicaciones Clínicas y Operativas: Mejora de la Preparación Hospitalaria
Los hallazgos de este estudio tienen implicaciones clínicas y operativas significativas para la atención de emergencia. La capacidad de predecir con precisión los signos vitales de pacientes críticamente enfermos utilizando datos prehospitalarios, incluso con datos limitados disponibles inicialmente, tiene el potencial de transformar la forma en que los hospitales se preparan para la llegada de los pacientes transportados por servicios como HEMS. Cuando el personal del departamento de emergencias recibe una notificación de la llegada de un paciente, tener una predicción fiable de sus signos vitales al momento de la llegada puede permitir una preparación más proactiva y específica.
Por ejemplo, si el modelo predice una presión arterial significativamente baja o una frecuencia respiratoria comprometida al llegar, el equipo del DE puede preparar de antemano los medicamentos vasopresores, el equipo de intubación o la ventilación asistida.
Si se predice una disminución en la puntuación de la GCS, se puede alertar al equipo de neurología o neurocirugía y preparar la sala de reanimación para una evaluación neurológica rápida y, potencialmente, estudios de imagen urgentes. Estas predicciones precisas pueden optimizar la asignación de recursos, asegurando que el personal especializado, el equipo necesario y el espacio adecuado estén disponibles y listos en el momento en que el paciente llega.
Una transición más fluida y preparada de la atención prehospitalaria a la atención hospitalaria tiene el potencial de mejorar en última instancia los resultados de los pacientes en entornos de emergencia. Reducir el tiempo desde la llegada del paciente a la puerta del hospital hasta el inicio de las intervenciones definitivas es un factor conocido para mejorar la supervivencia y reducir la morbilidad en muchas condiciones críticas, como el shock, el trauma grave o el accidente cerebrovascular. Las predicciones precisas de los signos vitales pueden acortar este «tiempo de transición» al permitir que el equipo hospitalario anticipe las necesidades del paciente y actúe con mayor rapidez.
Limitaciones y Futuro del Modelado Predictivo en Emergencias
A pesar del prometedor rendimiento del modelo de aprendizaje automático desarrollado, el estudio reconoció honestamente ciertas limitaciones inherentes al análisis. Una limitación clave mencionada fueron las altas tasas de datos faltantes en el registro de la JSAS. Si bien los registros son herramientas valiosas, la recopilación de datos en el entorno de emergencia es desafiante, y es común que ciertos campos de datos no se registren de manera completa o consistente en todos los casos. Las altas tasas de datos faltantes pueden afectar la calidad y representatividad del conjunto de datos utilizado para entrenar y validar el modelo, y podrían limitar su rendimiento potencial máximo.
Esta limitación subraya la necesidad de mejorar los métodos de recolección de datos en los servicios de emergencia. Implementar protocolos de documentación más estandarizados, utilizar tecnologías de registro electrónico más amigables y eficientes en el entorno prehospitalario y proporcionar capacitación adicional al personal sobre la importancia de la recopilación de datos completa y precisa podrían ayudar a mitigar el problema de los datos faltantes en el futuro.
Una mejor calidad de los datos de entrada permitirá desarrollar modelos predictivos aún más precisos y fiables.
Los hallazgos de este estudio, que demuestran la efectividad de un modelo de regresión de múltiples salidas basado en redes neuronales profundas para predecir signos vitales al llegar al hospital utilizando datos prehospitalarios limitados, muestran el potencial significativo de las técnicas de modelado avanzadas en la medicina de emergencia. La inteligencia artificial y el aprendizaje automático tienen la capacidad de analizar grandes y complejos conjuntos de datos de maneras que los métodos estadísticos tradicionales no pueden, descubriendo patrones y relaciones sutiles que pueden ser aprovechados para mejorar la toma de decisiones clínicas y operativas.
La predicción precisa de variables fisiológicas clave es solo una de las muchas aplicaciones potenciales del aprendizaje automático en este campo.
De cara al futuro, este estudio sienta las bases para una investigación y desarrollo continuos en este ámbito. El modelo desarrollado podría ser validado en diferentes entornos de servicios de emergencia (otros servicios HEMS, servicios GEMS, diferentes regiones geográficas) para evaluar su generalizabilidad.
Además, se podría explorar la incorporación de otros tipos de datos prehospitalarios, como datos de monitorización continua, datos de imágenes o información más detallada sobre la historia clínica del paciente y las circunstancias del incidente, para mejorar aún más la precisión predictiva.
En última instancia, el objetivo es integrar estos modelos predictivos en los sistemas de despacho de emergencia y los registros de salud electrónicos para proporcionar información predictiva en tiempo real a los equipos de DE y HEMS, optimizando así todo el continuo de atención desde el momento de la llamada hasta la llegada y el tratamiento en el hospital.
Conclusión
El estudio realizado en Japón utilizó un modelo de aprendizaje automático (red neuronal profunda de múltiples salidas) con datos del registro JSAS de 10,478 pacientes de 18 años o más transportados por HEMS entre abril de 2020 y marzo de 2022 (mediana de edad 70 años) para predecir cinco signos vitales al llegar al hospital. El modelo logró MAEs bajos: 7.1 lpm para HR, 15.7 mmHg para BP sistólica, 10.8 mmHg para BP diastólica, 2.9 resp/min para RR y 0.62 puntos para GCS. Superó a métodos tradicionales, mostrando su capacidad predictiva superior con datos prehospitalarios limitados.
Estos hallazgos sugieren que las predicciones precisas pueden mejorar la preparación hospitalaria y la asignación de recursos para pacientes críticos, optimizando los resultados.
A pesar de limitaciones como los datos faltantes, el estudio destaca el potencial de la IA en medicina de emergencia.
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.
