PhysioFusion: A Multi-Modal Ensemble using Static Preoperative Variables and Time Series Intraoperative Data to Predict Adverse Events Following Cardiothoracic Surgery

Cuando un paciente se somete a una cirugía mayor de corazón o pulmones, las horas que le siguen son una ventana crítica donde la recuperación del cuerpo puede estabilizarse o tomar un giro peligroso. En la unidad de cuidados intensivos, los equipos médicos monitorean constantemente una avalancha de información: el ritmo constante de un corazón, la presión de la sangre fluyendo a través de las venas y el equilibrio químico de la propia sangre. Durante décadas, los médicos han dependido de instantáneas estáticas de la salud de un paciente —como su edad, condiciones existentes o resultados de análisis de sangre tomados antes de la operación— para adivinar quién podría tener dificultades. Sin embargo, los cambios momento a momento que ocurren mientras un paciente está bajo anestesia y durante la cirugía misma ofrecen un tipo de historia diferente, una que se desarrolla en tiempo real. La pregunta central para los investigadores ha sido si combinar estos dos tipos de información —el trasfondo fijo de la salud de un paciente y las señales dinámicas y cambiantes del quirófano— crea una imagen más clara de quién está en riesgo, o si una fuente de información es simplemente suficiente por sí sola.

Un equipo de investigadores se propuso responder a esto construyendo un nuevo tipo de sistema informático diseñado para vigilar a los pacientes después de una cirugía toracocárdica. Llamaron a su creación PhysioFusion, una herramienta que actúa como un observador altamente atento, capaz de leer tanto la historia médica permanente de un paciente como los datos vivos y fluidos de su cirugía. El sistema fue entrenado con una vasta colección de registros de la Sociedad de Cirujanos Torácicos, que incluía detalles sobre miles de pacientes. Los investigadores alimentaron la computadora con dos corrientes distintas de datos: una lista de hechos estáticos sobre cada paciente, como si tenían antecedentes de insuficiencia cardíaca o cuántos glóbulos blancos tenían, y una corriente continua de números del quirófano, rastreando cosas como la presión arterial y la función cardíaca cada segundo a medida que la cirugía progresaba. Para dar sentido a esta complejidad, el equipo no dependió de un solo método. En su lugar, construyeron un ensamble, un grupo de diferentes modelos matemáticos trabajando juntos. Algunas partes del sistema fueron diseñadas para encontrar patrones en las listas estáticas, mientras que otras se especializaron en comprender el ritmo y el flujo de las señales basadas en el tiempo, de forma muy similar a cómo un músico podría leer una partitura frente a cómo podría improvisar sobre un ritmo.

El objetivo era predecir eventos adversos, que son complicaciones serias que pueden ocurrir en la unidad de cuidados intensivos después de la cirugía. Cuando los investigadores probaron su sistema, descubrieron que podía distinguir entre pacientes que permanecerían estables y aquellos que enfrentarían complicaciones con un alto grado de precisión. El modelo logró una puntuación de 0.87 en su capacidad para separar ambos grupos, un nivel de desempeño que sugiere que es una herramienta confiable para el cribado. Fue particularmente bueno identificando a los pacientes que no tendrían un mal desenlace, descartando correctamente las complicaciones en casi todos ellos. Esta es una característica vital para una herramienta de cribado, ya que otorga a los médicos la confianza de que un paciente marcado como de bajo riesgo es verdaderamente seguro, permitiéndoles concentrar sus recursos más intensos en los pocos que los necesitan. El sistema también señaló factores específicos que fueron más influyentes en sus predicciones, incluyendo si un paciente tenía insuficiencia cardíaca antes de la cirugía, si se necesitó un dispositivo para ayudar a bombear sangre durante la operación, cuánto tiempo se usó la máquina corazón-pulmón y el nivel de glóbulos blancos.

Sin embargo, el descubrimiento más sorprendente surgió cuando los investigadores probaron los dos tipos de datos por separado. Esperaban que combinar la historia estática con las señales en vivo del quirófano crearía una predicción superpotente que fuera mejor que cualquiera de las dos por sí sola. En cambio, encontraron que los datos estáticos del historial médico de un paciente, analizados por sí mismos, funcionaron tan bien como el sistema combinado, alcanzando la misma puntuación de 0.87. Las señales en vivo del quirófano, analizadas por sí solas, fueron ligeramente menos efectivas con un 0.83. Este hallazgo sugiere que, para este grupo específico de pacientes, los dos tipos de información actúan como sustitutos en lugar de compañeros. Los datos detallados, momento a momento, de la cirugía no añadieron nueva información que la historia estática no contuviera ya. En su lugar, la combinación de ambos simplemente desplazó el equilibrio entre detectar cada posible riesgo y evitar falsas alarmas, cambiando el compromiso entre sensibilidad y precisión sin aumentar la cantidad total de señal útil.

Una investigación más profunda en los datos en vivo reveló que ningún canal de monitoreo individual era el único héroe de la historia. El sistema no dependió de un solo número, como la frecuencia cardíaca o los niveles de oxígeno, para tomar sus decisiones. Si bien la presión arterial promedio y la presión en las venas centrales fueron las piezas de información menos reemplazables, el sistema demostró que podía funcionar sin que una señal específica fuera absolutamente crítica. Esta robustez significa que la herramienta no es frágil; no se rompe si un monitor falla. El estudio concluye que, si bien los sistemas avanzados pueden integrar flujos de datos complejos, los hospitales que solo tienen acceso a registros de pacientes estándar y datos de registros pueden lograr el mismo alto nivel de precisión de predicción que aquellos con monitoreo completo de series temporales. El trabajo demuestra que, para predecir complicaciones postquirúrgicas en este contexto, una comprensión profunda de la condición preexistente de un paciente es a menudo tan poderosa como observar el reloj avanzar a través de la cirugía misma.