Detección precoz de sepsis (se) y shock séptico (ss) utilizando técnicas de big data, inteligencia artificial y machine learning

Resumen

Objetivos: El propósito de este estudio fue desarrollar y validar modelos predictivos para la detección de sepsis grave (SG) y shock séptico (SS) en pacientes mayores de 14 años de un Hospital Universitario, empleando metodologías avanzadas de Big Data (BD), Inteligencia Artificial (IA) y Aprendizaje Automático (Machine Learning, ML), y comparar su efectividad con otros métodos diagnósticos tradicionales. Por lo que diseñamos un estudio para perfeccionar la capacidad predictiva de diferentes modelos para diferenciar efectivamente entre pacientes con y sin SG/SS, minimizando así los falsos positivos y negativos. Diseño Metodológico: Se llevó a cabo un análisis retrospectivo de pacientes previamente identificados y validados de forma prospectiva como casos de SG/SS por especialistas de la Unidad Multidisciplinar de Sepsis (UMS). Este análisis utilizó diversas fuentes de datos de la Historia Clínica Electrónica (HCE), tanto estructurados como no estructurados (incluyendo texto libre y Procesamiento de Lenguaje Natural, PLN), para construir modelos predictivos. Las variables incluyeron datos demográficos, signos vitales y clínicos, resultados de laboratorio, prescripciones farmacéuticas, informes microbiológicos, información de triaje y resúmenes de alta de Urgencias. Ámbito de Estudio: El estudio se centró en todas las áreas de hospitalización, Urgencias y de UCI del Hospital Universitario Son Llàtzer, en Palma de Mallorca, España. Pacientes: Todos los pacientes mayores de 14 años incluidos en el periodo del estudio. Periodo de Estudio: El análisis comprendió el periodo desde el 1 de enero de 2014 hasta el 31 de diciembre de 2018. Resultados: Se examinaron 815,170 registros de la HCE, correspondientes a 461,392 episodios de 203,755 pacientes, divididos en dos grupos: aquellos con SG/SS (4,56%) y los sin sepsis (95,44%). De 2,829 variables identificadas, 229 (8,09%) mostraron una correlación significativa con la detección de SG/SS, validadas por el equipo de la Unidad de Monitorización de Sepsis (UMS). Se observó una variabilidad notable en la asociación de variables con SG/SS según el Servicio hospitalaria. Los modelos predictivos basados en ML exhibieron una capacidad sobresaliente para detectar SG/SS, siendo el mejor modelo una combinación (ensemble) entre ML más el criterio de SEPSIS.2 que alcanzó un AUC-ROC de 0,95, con sensibilidad y especificidad de 0,93 y 0,84, respectivamente. Conclusión: La aplicación de modelos predictivos avanzados basados en IA-ML ha resultado en herramientas más adecuadas, dinámicas y personalizadas para la detección de SG/SS en pacientes de todas las áreas de un hospital que escores convencionales.