Un algoritmo predictivo basado en inteligencia artificial, mediante machine learning, y en el procesamiento de Big Data permite pronosticas en tiempo real la progresión de muchos pacientes afectados por COVID-19. Este es el nuevo método con el que cuentan los hospitales públicos gestionados por Quirónsalud, concretamente los hospitales universitarios Fundación Jiménez Díaz (Madrid), Rey Juan Carlos (Móstoles), Infanta Elena (Valdemoro) y General de Villalba (Collado Villalba).
El sistema de predicción fue diseñado en el mes de mayo y puesto en marcha desde septiembre en los centros anteriormente mencionados. El responsable de Big Data de esta red asistencial, Antonio Herrero González, ha explicado que esta red asistencial permite prever la evolución, en términos de mortalidad y de empeoramiento (riesgo de ingreso en la Unidad de Cuidados Intensivos, UCI, en las siguientes horas), de aquellos pacientes COVID hospitalizados que cumplen determinados criterios.
Para poner en práctica el algoritmo, se han estudiado 352 variables y más de 15.000 pacientes. Entre los datos recogidos se han valorado datos demográficos del paciente como la edad o el sexo, antecedentes personales como hipertensión o problemas cardiovasculares, pulmonares, oncológicos o renales, entre otros. Para el estudio también se han considerado si se habían administrado fármacos a los pacientes antes y en el momento del ingreso, así como otras variables como haber sido sometido a ventilación mecánica, o si había estado ingresado en UCI.
“El análisis de esta información permitió seleccionar las variables más relevantes, un total de 20, que ofrecen patrones de comportamiento de pacientes positivos y se puede prever su evolución”
Responsable de Big Data de la red asistencial, Antonio Herrero González
Una herramienta “eficiente”
Una herramienta que “permite constatar estos patrones con datos clínicos, mejorando la calidad y seguridad del proceso, y que ofrece una información adicional de gran utilidad para los profesionales médicos de cara a la toma de decisiones”, indican por su parte los doctores Alfonso Cabello y Felipe Villar, jefes asociados, respectivamente, de los servicios de Medicina Interna y Neumología de la Fundación Jiménez Díaz, también implicados en el proyecto, como José María Milicua, jefe asociado de la UCI del hospital madrileño.
En términos de gestión asistencial, el algoritmo ha ayudado a optimizar la eficiencia, al facilitar la agilidad en la actuación sobre los enfermos: “Poder prever la necesidad de determinados recursos con varios días de antelación nos ha permitido adelantarnos a las necesidades de cada momento”, apuntan los especialistas.
En este sentido, añaden que los beneficios del sistema son “igualmente claros” respecto a los de los pacientes. Esto es debido a que, “al mejorar la experiencia en el hospital como la calidad y seguridad en la atención”, se cuenta desde el principio con factores que indican la evolución.
Cuatro niveles a partir de las variables clave
A partir de las 20 variables identificadas como relevantes, los integrantes del proyecto realizaron un ajuste empleando árboles de decisión de hasta cuatro niveles de complejidad, de manera que ofrecen una visión global clara de cómo afectaría cada variable al triaje.
Concretamente, sobre el conjunto de 20 variables se aplicó el algoritmo Bayesian Ruleset (que calcula la probabilidad de un suceso, teniendo información previa sobre ese suceso), “que proporciona el conjunto de reglas de umbrales que mejor predice la gravedad futura del paciente”, detalla Herrero.
“Esto también nos ha servido para validar la idoneidad de estas variables como elementos en clave en la predicción de evolución del paciente”
Cabello, Villar y Milicua
Posteriormente, una vez identificadas las variables relevantes, se entrenaron dos modelos con el objetivo de identificar sendas probabilidades, asociadas a un paciente hospitalizado, de precisar ingreso en UCI o de fallecer.
Finalmente, la información del enfermo y sus indicadores analíticos se pasan por estos modelos para obtener las estimaciones correspondientes. De esta forma, los resultados se cargan en tiempo real en la base de datos y se integran en la historia clínica del paciente, generando la alerta de predicción respectiva, agilizando y facilitando la toma de decisiones.
Un algoritmo en permanente mejora y crecimiento
El algoritmo de esta red asistencial, además de su Departamento de Big Data, comenzó a implementarse en Urgencias el pasado septiembre, para ampliarse a Hospitalización, UCI y UCIR a mediados de diciembre
Actualmente todos estos departamentos se benefician del proyecto, pero también lo retroalimentan y mejoran constantemente con el análisis de los resultados en sus pacientes. De esta forma, el proyecto “ha permitido ampliar la muestra, ajustar parámetros, incluir nuevas variables y optimizarlas, enriqueciendo y completando permanentemente el algoritmo”, explica Herrero.
Así, tras entrenar los modelos y ajustarlos a los datos disponibles, se reevaluó la importancia de las variables para cada uno de ellos. “Variables como la edad, el IMC o la fracción inspirado de oxígeno (FiO2) han tenido un peso relevante en ambos modelos de predicción”, explican los doctores Cabello, Villar y Milicua. Y, a corto plazo, añade Herrero, “se espera añadir otras que ayuden a mejorar la precisión de los resultados”.
