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

Resum

Objectius: L'objectiu d'aquest estudi va ser desenvolupar i validar models predictius per a la detecció de sepsi greu (SG) i xoc sèptic (SS) en pacients majors de 14 anys d'un Hospital Universitari, emprant metodologies avançades de Big Data (BD), Intel·ligència Artificial (IA) i Aprenentatge Automàtic (Machine Learning, ML), i comparar la seva efectivitat amb altres mètodes diagnòstics tradicionals. Per tant, vam dissenyar un estudi per perfeccionar la capacitat predictiva de diferents models per diferenciar efectivament entre pacients amb i sense SG/SS, minimitzant així els falsos positius i negatius. Disseny Metodològic: Es va dur a terme una anàlisi retrospectiva de pacients prèviament identificats i validats de manera prospectiva com a casos de SG/SS pels especialistes de la Unitat Multidisciplinària de Sepsis (UMS). Aquesta anàlisi va utilitzar diverses fonts de dades de la Història Clínica Electrònica (HCE), tant estructurades com no estructurades (incloent text lliure i Processament de Llenguatge Natural, PLN), per construir models predictius. Les variables incloïen dades demogràfiques, signes vitals i clínics, resultats de laboratori, prescripcions farmacèutiques, informes microbiològics, informació de triatge i resums d'alta d'Urgències. Àmbit d'Estudi: L'estudi es va centrar en totes les àrees d'hospitalització, Urgències i d'UCI de l'Hospital Universitari Son Llàtzer, a Palma de Mallorca, Espanya. Pacients: Tots els pacients majors de 14 anys inclosos en el període d'estudi. Període d'Estudi: L'anàlisi va abastar el període des de l'1 de gener de 2014 fins al 31 de desembre de 2018. Resultats: Es van examinar 815.170 registres de la HCE, corresponents a 461.392 episodis de 203.755 pacients, dividits en dos grups: aquells amb SG/SS (4,56%) i els sense sepsi (95,44%). De 2.829 variables identificades, 229 (8,09%) van mostrar una correlació significativa amb la detecció de SG/SS, validades per l'equip de la Unitat de Monitorització de Sepsis (UMS). Es va observar una variabilitat notable en l'associació de variables amb SG/SS segons el Servei hospitalari. Els models predictius basats en ML van exhibir una capacitat sobresortint per detectar SG/SS, sent el millor model una combinació (ensemble) entre ML més el criteri de SEPSIS.2 que va assolir un AUC-ROC de 0,95, amb sensibilitat i especificitat de 0,93 i 0,84, respectivament. Conclusió: L'aplicació de models predictius avançats basats en IA-ML ha resultat en eines més adequades, dinàmiques i personalitzades per a la detecció de SG/SS en pacients de totes les àrees d'un hospital que escores convencionals.