El coronavirus es un enemigo muy traicionero. Mientras que para la gran mayoría no es más que un problema leve o moderado, para el 20% puede ser tan complicado que se vuelve fatal. ¿Por qué unos sí y otros no? ¿Qué influye más allá de enfermedades anteriores? En este contexto, la última herramienta presentada por los Hospitales Universitarios gestionados por Quirónsalud en Madrid – Fundación Jiménez Díaz (Madrid), Rey Juan Carlos (Móstoles), Infanta Elena (Valdemoro) y los Hospitales Universitarios Generales de Villalba (Collado Villalba) – Luchar contra Covid-19 es más que bienvenido: un algoritmo predictivo basado en big data que puede predecir la progresión de muchos pacientes en tiempo real afectado por este virus.
bsdfjd
Más concretamente, el sistema, diseñado el pasado mes de mayo e implantado desde septiembre en estos cuatro hospitales, ofrece un modelo de comportamiento que, según ha explicado Antonio Herrero González, responsable de Big Data de esta red sanitaria, permite predecir la evolución, en términos de mortalidad y empeoramiento (riesgo de ingreso en una unidad de cuidados intensivos, UCI, en las siguientes horas), de los pacientes hospitalizados por Covid que cumplan determinados criterios.
Algoritmo parte de la colección de configuración como el datos demográficos del paciente (edad, sexo, si reside o no, etc.), su historia personal (si es fumador o diabético, si padece hipertensión o problemas cardiovasculares, pulmonares, neurológicos, cancerosos, renales, etc.), medicamentos administrados (antes y en el momento de la admisión), otras variables como el tipo de sangre, el índice de masa corporal (IMC), si alguna vez han estado en cuidados intensivos o han sido sometidos a ventilación mecánica, y hasta 382 variables de laboratorio y su evolución en el tiempo.
«El análisis de esta información en el más de 15.000 pacientes de Covid hospitalizados en estos cuatro hospitales desde la primera ola y el comienzo de la segunda, usando aprendizaje automático, permitió seleccionar las variables más relevantes, un total de 20, que brindan modelos positivos de comportamiento del paciente a través de los cuales se puede predecir su curso ”, explica Herrero.
Se trata de una herramienta que “permite verificar estos modelos con datos clínicos, mejorando la calidad y seguridad del proceso, y que ofrece información adicional de gran utilidad a los profesionales de la salud a la hora de tomar decisiones”, señalan. Doctores Alfonso Cabello y Felipe Villar, Directores asociados, respectivamente, de los departamentos de Medicina Interna y Neumología de la Fundación Jiménez Díaz, también implicados en el proyecto, y Dr. José María Milicua, Jefe Asociado de la Unidad de Cuidados Intensivos del Hospital de Madrid.
En términos de gestión de la atención, el algoritmo ayudó a optimizar la eficiencia, facilitando la agilidad en la acción del paciente: «Poder anticiparnos a la necesidad de determinados recursos con varios días de antelación nos ha permitido anticiparnos a las necesidades de cada momento», subrayan los especialistas y añaden: «En lo que respecta a los pacientes, los beneficios del sistema son igualmente evidentes, mejorar tanto la experiencia hospitalaria como la calidad y seguridad en la gestión de su proceso de salud, porque desde el principio hay factores que van a indicar su evolución ”.
“Poder anticiparnos a la necesidad de determinados recursos con varios días de antelación nos ha permitido anticiparnos a las necesidades de cada momento”
Entre las 20 variables identificadas como relevantes, los integrantes del proyecto realizó un ajuste utilizando árboles de decisión hasta cuatro niveles de complejidad, para que proporcionen una imagen general clara de cómo cada variable afectaría el triaje. Específicamente, sobre el conjunto de 20 variables, se aplicó el algoritmo Bayesian Ruleset (que calcula la probabilidad de un evento, teniendo información previa sobre ese evento), «que proporciona el conjunto de reglas de umbral que predice mejor la gravedad futura del paciente, «Detalles del herrero. “También nos permitió validar la adecuación de estas variables como elementos clave en la predicción de la evolución del paciente”, añaden los doctores Cabello, Villar y Milicua.
Posteriormente, una vez identificadas las variables relevantes, Se entrenaron dos modelos para identificar las probabilidades asociadas con la hospitalización, la necesidad de ingresar en la UCI o la muerte. Finalmente, la información del paciente y sus indicadores analíticos se pasan por estos modelos para obtener las estimaciones correspondientes; Resultados los cuales son cargados en tiempo real a la base de datos e integrados al historial médico del paciente, generando la alerta de predicción respectiva, agilizando y facilitando la toma de decisiones.
El algoritmo, cuyo desarrollo e implementación están involucrados los servicios más implicados en la lucha contra el Covid-19 -Medicina interna, neumología, cuidados intensivos y UCIR (Unidad de cuidados respiratorios intermedios) – Esta red sanitaria, además de su servicio Big Data, comenzó a implantarse en urgencias el pasado mes de septiembre, para ampliarse a hospitalización, cuidados intensivos y cuidados intensivos a mediados de diciembre.
Actualmente todos estos departamentos se benefician del proyecto, pero también brindan retroalimentación y lo mejoran constantemente con el análisis de los resultados en sus pacientes, “lo que permitió ampliar la muestra, ajustar los parámetros, incluir nuevas variables y optimizarlas, enriquecer y completar continuamente el algoritmo”, subraya Herrero.
Así, luego de 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 inspirada de oxígeno (FiO2) tuvieron un peso relevante en los dos modelos de predicción”, explican los doctores Cabello, Villar y Milicua. Y, en el corto plazo, agrega Herrero, «hay planes de agregar más que mejorarán la precisión de los resultados».