Los pacientes tienen un 20% menos de probabilidades de morir de sepsis porque un nuevo sistema de Inteligencia Artificial (IA) desarrollado en la Universidad Johns Hopkins detecta los síntomas horas antes que los métodos tradicionales, según demuestra un extenso estudio hospitalario. El sistema, creado por una investigadora de Johns Hopkins, cuyo joven sobrino murió de sepsis, revisa los registros médicos y las notas clínicas para identificar a los pacientes que se encuentran en riesgo de complicaciones potencialmente mortales.
Potencial para reducir mortalidad
El trabajo, que podría reducir significativamente la mortalidad de los pacientes por una de las principales causas de muerte hospitalaria en todo el mundo, se publica hoy en Nature Medicine y Nature Digital Medicine. “Es la primera instancia en la que se implementa la IA al lado de la cama, utilizada por miles de proveedores, y en la que estamos observando que salva vidas“, declara Suchi Saria, directora de investigación del Centro Malone para Ingeniería en Salud en Johns Hopkins y autora principal de los estudios, que evaluaron a más de medio millón de pacientes durante 2 años.
“Este es un salto extraordinario que salvará a miles de pacientes con sepsis anualmente. Y el enfoque ahora se está aplicando para mejorar los resultados en otras áreas problemáticas importantes más allá de la sepsis”. La sepsis ocurre cuando una infección desencadena una reacción en cadena en todo el cuerpo.
Sepsis
La inflamación puede provocar coágulos de sangre y fugas de vasos sanguíneos y, en última instancia, puede causar daño a los órganos o insuficiencia orgánica. Alrededor de 1.7 millones de adultos desarrollan sepsis cada año en los Estados Unidos y más de 250 mil de ellos mueren.
Es fácil pasar por alto la sepsis, ya que los síntomas como la fiebre y la confusión son comunes en otras afecciones, menciona Saria. Cuanto más rápido se detecte, mejores serán las posibilidades de supervivencia del paciente. “Una de las formas más efectivas de mejorar los resultados es la detección temprana y brindar los tratamientos correctos de manera oportuna. Pero históricamente esto ha sido un difícil desafío debido a la falta de sistemas para una identificación temprana precisa”, afirma Saria, quien dirige Machine Learning y Healthcare Lab en Johns Hopkins.
Desarrollo del Sistema de Alerta Temprana en Tiempo Real Dirigido
Para abordar el problema, Saria y otros médicos e investigadores de Johns Hopkins desarrollaron el Sistema de Alerta Temprana en Tiempo Real Dirigido. Combinando el historial médico de un paciente con los síntomas actuales y los resultados de laboratorio, el sistema de aprendizaje automático muestra a los médicos cuándo alguien se encuentra en riesgo de sepsis y sugiere protocolos de tratamiento, como comenzar con antibióticos.
La IA realiza un seguimiento de los pacientes desde que llegan al hospital hasta que son dados de alta, lo que garantiza que la información crítica no se pase por alto, incluso si cambia el personal o si un paciente se traslada a otro departamento.
Durante el estudio, más de 4 mil médicos de 5 hospitales utilizaron la IA para tratar a 590 mil pacientes. El sistema también revisó 173,931 casos de pacientes anteriores. En el 82% de los casos de sepsis, la IA fue precisa casi el 40% de las veces. Los intentos anteriores de utilizar herramientas electrónicas para detectar la sepsis detectaron menos de la mitad de los casos y fueron precisos entre el 2% y el 5 % de las ocasiones.
Se justifica cada recomendación
Todos los casos de sepsis finalmente se detectan, pero con el estándar de atención actual, la condición mata al 30% de las personas que la desarrollan. En los casos de sepsis más graves, donde una hora de retraso es la diferencia entre la vida y la muerte, la IA lo detectó un promedio de casi 6 horas antes que los métodos tradicionales. “Este es un gran avance en muchos sentidos“, subraya el coautor Albert Wu, internista y director del Centro Johns Hopkins para Servicios de Salud e Investigación de Resultados.
“Hasta este punto, la mayoría de los sistemas han adivinado mal con mucha más frecuencia de lo que han acertado. Esas falsas alarmas socavan la confianza”. A diferencia de los enfoques convencionales, el sistema permite a los médicos ver por qué la herramienta hace recomendaciones específicas.
Desarrollo con un toque personal
El trabajo es extremadamente personal para Saria, quien perdió a su sobrino cuando era joven debido a la sepsis. “La sepsis se desarrolla muy rápidamente y esto es lo que sucedió en el caso de mi sobrino”, dijo. “Cuando los médicos lo detectaron, ya estaba en shock séptico”.
Bayesian Health
Bayesian Health, es una empresa derivada de Johns Hopkins, dirigió y administró la implementación en todos los sitios de prueba. El equipo también se relacionó con los dos importantes proveedores de sistemas de registros médicos electrónicos, Epic y Cerner, para garantizar que la herramienta se pueda implementar en otros hospitales. El equipo ha adaptado la tecnología para identificar a los pacientes con riesgo de lesiones por presión, comúnmente conocidas como úlceras de decúbito, y aquellos con riesgo de deterioro repentino causado por hemorragia, insuficiencia respiratoria aguda y paro cardíaco. “El enfoque utilizado aquí es fundamentalmente diferente”, comentó Saria. “Es adaptativo y tiene en cuenta la diversidad de la población de pacientes, las formas únicas en que los médicos y las enfermeras brindan atención en diferentes sitios y las características únicas de cada sistema de salud, lo que le permite ser significativamente más preciso y ganar la confianza del proveedor y adopción“.
El trabajo fue financiado por la Fundación Gordon y Betty Moore (No. 3926 y 3186.01), la Fundación Nacional de Ciencias del Futuro del Trabajo en la Frontera Humano-Tecnológica (No. 1840088) y la beca de investigación de la Fundación Alfred P. Sloan (2018).
Referencias
- Roy Adams, Katharine E. Henry, Anirudh Sridharan, Hossein Soleimani, Andong Zhan, Nishi Rawat, Lauren Johnson, David N. Hager, Sara E. Cosgrove, Andrew Markowski, Eili Y. Klein, Edward S. Chen, Mustapha O. Saheed, Maureen Henley, Sheila Miranda, Katrina Houston, Robert C. Linton, Anushree R. Ahluwalia, Albert W. Wu & Suchi Saria; Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis; Nature Medicine; volume 28, páginas 1455–1460 (2022); Publicado 21 de julio de 2022; DOI: 10.1038/s41591-022-01894-0; Disponible en el URL https://www.nature.com/articles/s41591-022-01894-0
- Zhongheng Zhang, Lin Chen, Ping Xu, Qing Wang, Jianjun Zhang, Kun Chen, Casey M. Clements, Leo Anthony Celi, Vitaly Herasevich y Yucai Hong; Effectiveness of automated alerting system compared to usual care for the management of sepsis; npj Digital Medicine; volume 5, Article number: 101 (2022); Publicado el 19 de julio de 2022; DOI: 10.1038/s41746-022-00650-5; Disponible en el URL: https://www.nature.com/articles/s41746-022-00650-5