Una investigación publicada en JAMA Network Open detalla el desarrollo de un modelo de aprendizaje automático que analiza signos vitales en tiempo real para predecir qué pacientes de trauma necesitarán intervenciones urgentes, buscando así optimizar la crítica atención prehospitalaria.
El desafío del triaje en el caos prehospitalario
El entorno prehospitalario de la atención de trauma es uno de los más desafiantes en la medicina. Los equipos de emergencia, ya sea en ambulancias terrestres o aéreas, deben tomar decisiones críticas en segundos, a menudo con información limitada, en condiciones adversas y bajo un estrés inmenso.
Una de las decisiones más importantes es el triaje: la correcta clasificación de la gravedad de un paciente para determinar el nivel de atención y el destino hospitalario adecuados.
Un error en este proceso puede tener consecuencias fatales. El «subtriaje» (clasificar a un paciente crítico como no grave) puede llevar a retrasos en el tratamiento, mientras que el «soobretriaje» (clasificar a un paciente no grave como crítico) puede saturar los centros de trauma, desviando recursos valiosos de quienes más los necesitan. Es en este complejo escenario donde la inteligencia artificial emerge como un potencial aliado.
Una cohorte de alta complejidad y recolección de datos
Para desarrollar y probar una nueva herramienta de triaje, los investigadores se basaron en un conjunto de datos robusto y de alta fidelidad. El estudio, titulado «Un modelo de triaje de trauma basado en aprendizaje automático para el transporte de cuidados críticos», analizó una cohorte de 2809 pacientes con trauma que fueron transportados por un sistema aéreo de cuidados críticos.
Los datos fueron recopilados durante un extenso período, desde el 1 de enero de 2018 hasta el 18 de noviembre de 2021. La población de estudio es particularmente relevante, ya que los pacientes que requieren transporte aéreo suelen presentar las lesiones más graves, lo que convierte a este grupo en el campo de pruebas ideal para un modelo diseñado para detectar necesidades críticas.
El funcionamiento interno del modelo de aprendizaje automático
El modelo de aprendizaje automático (ML) desarrollado va más allá de la simple observación de signos vitales aislados. Su verdadera innovación radica en su capacidad para analizar patrones complejos en señales de ondas fisiológicas continuas, como las de un electrocardiograma (ECG), y otros signos vitales.
El modelo fue entrenado para procesar estos datos en «épocas» o intervalos de tratamiento de 2 minutos.
En cada uno de estos breves períodos, el algoritmo evalúa la trayectoria de los signos vitales del paciente para predecir la probabilidad de que se necesite una intervención que salve la vida (LSI, por sus siglas en inglés) en un futuro cercano. De manera crucial, el modelo utiliza únicamente las características fisiológicas registradas durante los primeros 15 minutos de atención al paciente para realizar sus predicciones.
Definiendo las intervenciones que salvan vidas (LSIs)
Para que el modelo de inteligencia artificial fuera efectivo, primero se le debía enseñar qué buscar. Los investigadores definieron una serie de «intervenciones que salvan vidas» (LSIs) como los resultados a predecir. Estas no son procedimientos menores, sino acciones críticas que se toman para estabilizar a un paciente al borde de la muerte.
Las LSIs consideradas en el estudio incluyeron intervenciones avanzadas de la vía aérea (como intubación o cricotirotomía), la inserción de tubos torácicos, el uso de torniquetes, la administración de transfusiones de sangre o plasma y otros procedimientos de emergencia. Al entrenar al modelo para que reconozca los patrones fisiológicos que preceden a estas intervenciones, se le dota de la capacidad de anticipar una crisis.
Resultados de precisión: un desempeño robusto bajo presión
La eficacia de un modelo predictivo se mide por su precisión, y los resultados obtenidos en este estudio fueron notablemente prometedores. La métrica principal utilizada fue el «área bajo la curva de características operativas del receptor» (AUROC), donde un valor de 1.0 representa una predicción perfecta. El modelo general logró un AUROC de 0.810 para predecir la necesidad de cualquier LSI, lo que indica un rendimiento predictivo muy bueno.
Al desglosar por categorías específicas, el desempeño fue aún más impresionante en algunas áreas.
Para las intervenciones de la vía aérea, el modelo alcanzó un AUROC de 0.910, una precisión excepcionalmente alta. Para la necesidad de transfusiones de sangre, el AUROC fue de 0.784, demostrando también una sólida capacidad predictiva.
La balanza del triaje: analizando las tasas de error
Ningún modelo es perfecto, y es fundamental analizar sus tasas de error para comprender su aplicabilidad en el mundo real. En este estudio, la tasa de subtriaje del modelo (el porcentaje de pacientes críticos que no fueron identificados como tales) se situó en el 21.3%. Este es un punto crítico, ya que el objetivo nacional establecido por el Colegio Americano de Cirujanos es inferior al 5%. Este hallazgo indica que, si bien el modelo es prometedor, se necesita un mayor refinamiento para reducir el riesgo de pasar por alto a pacientes graves.
Por otro lado, la tasa de sobretriaje (el porcentaje de pacientes no críticos clasificados como graves) fue del 34.9%. Este valor se alinea con el umbral aceptado a nivel nacional, que es del 35%, sugiriendo que el modelo no sobrecargaría indebidamente los recursos de los centros de trauma.
La ventaja temporal: predicción con minutos de antelación
Quizás una de las capacidades más valiosas del modelo es su poder de anticipación. El estudio demostró que el algoritmo podía predecir la necesidad de una LSI basándose en datos capturados hasta 15 minutos antes de que la intervención se llevara a cabo.
En el vertiginoso mundo de la medicina de emergencia, 15 minutos es un lapso de tiempo inmensamente valioso.
Esta «alerta temprana» podría permitir a los equipos médicos preparar el equipo necesario, coordinar con el personal, anticipar complicaciones y, en última instancia, ejecutar la intervención de una manera más controlada y eficaz, lo que podría mejorar significativamente los resultados del paciente.
Limitaciones y futuras direcciones de la investigación
Con toda transparencia, los autores del estudio reconocieron las limitaciones de su trabajo. Al haber sido desarrollado con datos de un único sistema de transporte aéreo, existe la posibilidad de sesgos relacionados con la población específica de pacientes estudiada.
Por lo tanto, un paso crucial para el futuro será validar estos hallazgos en poblaciones de pacientes más diversas y en diferentes entornos de atención de emergencia, como los servicios de ambulancia terrestres.
La investigación futura también deberá explorar cómo integrar esta tecnología en herramientas de apoyo a la decisión clínica en tiempo real que puedan ser utilizadas de manera práctica y efectiva por los médicos en el campo.
Conclusión
Este estudio demuestra el notable potencial del aprendizaje automático para transformar el triaje de trauma prehospitalario. Al predecir con alta precisión la necesidad de intervenciones vitales, estos modelos pueden convertirse en una herramienta de apoyo crucial para los clínicos.
Aunque se requiere más validación para perfeccionar su precisión y generalizar su uso, esta tecnología representa un avance significativo hacia una atención de emergencia más rápida, inteligente y potencialmente salvadora de vidas en el futuro.
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.
