Machine Learning-Supported Efficient VTE Risk Assessment using Routinely Collected Electronic Health Record Data
Este estudio demuestra que los modelos de aprendizaje automático que utilizan datos de registros de salud electrónicos recopilados de forma rutinaria pueden apoyar eficazmente la evaluación del riesgo de tromboembolismo venoso en tiempo real con una validez clínica comparable a los factores registrados por clínicos, ofreciendo una solución viable para reducir la carga de documentación manteniendo la seguridad del paciente.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo
Los hospitales son lugares donde las defensas del cuerpo suelen estar en su punto más bajo. Cuando una persona es ingresada para una cirugía o una enfermedad grave, el flujo natural de la sangre a través de las venas puede ralentizarse y la respuesta al estrés del cuerpo puede hacer que la sangre sea más propensa a coagularse. Estos coágulos, conocidos como tromboembolismo venoso, pueden formarse en las piernas y viajar a los pulmones, causando una obstrucción que es una de las principales causas de muerte prevenible en los hospitales. Para evitar que esto suceda, las guías médicas exigen que los médicos y enfermeros evalúen a cada paciente adulto al llegar. Deben completar un formulario específico que hace una serie de preguntas sobre el historial de salud del paciente, su condición actual y su movilidad. Basándose en las respuestas, el equipo médico decide si el paciente necesita medias especiales, medicación anticoagulante o ambas. Este proceso está destinado a ser una red de seguridad, detectando riesgos antes de que se conviertan en emergencias.
Sin embargo, completar estos formularios es una tarea manual que depende de que un ser humano lea una ficha, recuerde el historial de un paciente y escriba las respuestas en un ordenador. Esto crea una brecha entre lo que el sistema informático del hospital ya sabe de un paciente y lo que el médico escribe en el formulario. El ordenador puede tener un registro de una cirugía pasada o un diagnóstico de cáncer, pero si el médico no selecciona manualmente esos elementos en la lista de verificación, el sistema tratará al paciente como de menor riesgo de lo que realmente es. Este estudio, realizado en cinco importantes hospitales de Londres, planteó una pregunta sencilla pero crítica: ¿podían los propios registros informáticos del hospital completar automáticamente las respuestas de estos formularios de seguridad, ahorrando tiempo a los médicos y garantizando que no se pasara por alto ningún factor de riesgo?
Los investigadores analizaron una cantidad masiva de datos, examinando casi 580.000 ingresos hospitalarios durante un periodo de diez años. Descubrieron que, si bien los médicos eran muy buenos completando los formularios —completándolos para casi el 97% de los pacientes—, el tiempo de ejecución solía ser erróneo. En 2015, menos de la mitad de estos formularios se completaban dentro de las primeras 14 horas tras la llegada del paciente, un margen de tiempo que las guías consideran crucial para prevenir coágulos. Para 2024, esa cifra había mejorado significamente hasta superar el 90%, pero el retraso seguía siendo un problema, especialmente para los pacientes ingresados por motivos médicos en lugar de quirúrgicos. El estudio también reveló que, incluso cuando los formularios se completaban, la información escrita en ellos no siempre coincidía con los hechos ya almacenados en los registros electrónicos del hospital.
Cuando el equipo comparó lo que los médicos escribían en los formularios frente a lo que mostraban los registros del ordenador, encontraron un patrón de detalles omitidos. Para factores comunes, como que un paciente fuera mayor de 60 años, los médicos y los registros del ordenador coincidían la mayoría de las veces. Pero para riesgos menos comunes pero graves, los médicos a menudo olvidaban anotarlos. Por ejemplo, si un paciente era ingresado en una unidad de cuidados críticos, el ordenador lo sabía, pero el médico solo lo anotaba en el formulario aproximadamente el 14% de las veces. Del mismo modo, un historial de coágulos en la familia estaba registrado en el ordenador para muchos pacientes, pero los médicos solo lo mencionaban en el formulario para un 5% de esos mismos pacientes. Esto significaba que los formularios de seguridad a menudo carecían de las pistas mismas que activarían los tratamientos protectores más importantes.
Para ver si esta información faltante importaba, los investigadores comprobaron si las puntuaciones de riesgo de los formularios predecían realmente quién sufriría un coágulo de sangre. Encontraron que los pacientes marcados como de alto riesgo en los formularios eran, de hecho, mucho más propensos a desarrollar coágulos que aquellos marcados como de bajo riesgo, lo que demostraba que los formularios eran útiles. Sin embargo, también descubrieron que cuando los médicos escribían que estaban administrando medicación anticoagulante, esto no siempre coincidía con lo que mostraban los registros de la farmacia. A veces, un médico escribía que administraba un fármaco, pero el registro de la farmacia no mostraba nada, y viceversa. Esta inconsistencia dificultaba saber exactamente qué tan bien estaba protegiendo el sistema actual a los pacientes.
El núcleo del estudio fue un experimento para ver si un ordenador podía hacer el trabajo del médico al completar el formulario. Los investigadores construyeron un modelo de aprendizaje automático, un tipo de software que aprende de datos pasados, para examinar los registros de salud electrónicos y seleccionar automáticamente los factores de riesgo. Probaron este sistema con un grupo de pacientes y compararon su rendimiento con los formularios completados realmente por los médicos. El modelo informático, utilizando únicamente la información disponible dentro de las primeras 14 horas del ingreso, funcionó tan bien como los médicos para predecir quién desarrollaría un coágulo de sangre. De hecho, el ordenador fue capaz de identificar a los mismos pacientes de alto riesgo que los médicos encontraron, pero lo hizo utilizando datos que ya estaban presentes en el sistema, datos que los médicos a menudo habían pasado por alto al completar el formulario en papel.
El estudio sugiere que los propios datos del hospital son lo suficientemente ricos como para sustentar estas comprobaciones de seguridad sin requerir que los médicos vuelvan a introducir todo desde cero. Los modelos informáticos demostraron que podían encontrar los mismos patrones de riesgo que los clínicos humanos y, en algunos casos, encontraron factores de riesgo que los humanos habían pasado por alto. Los investigadores concluyeron que el mejor camino a seguir no es reemplazar al médico, sino permitir que el ordenador complete previamente el formulario con la información que ya conoce. El médico procedería entonces simplemente a revisar las respuestas prellenadas, confirmarlas y añadir cualquier detalle nuevo. Este enfoque reduciría el tiempo que los médicos dedican al papeleo, garantizaría que no se olviden los factores de riesgo críticos y ayudaría a los hospitales a cumplir con el estricto plazo de 14 horas para las evaluaciones de seguridad. Al utilizar los datos que ya están allí, los hospitales podrían fortalecer sus redes de seguridad y hacerlas más fiables, asegurando que la protección adecuada llegue al paciente adecuado en el momento adecuado.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.