Development and External Validation of a Transparent Regression-Based In-Hospital Mortality Prediction Model for Critically Ill Patients With Liver Cancer Using MIMIC-IV and eICU-CRD

Cada año, el cáncer de hígado se cobra millones de vidas en todo el mundo, pero para un grupo más pequeño de pacientes, la amenaza inmediata no proviene del tumor en sí, sino de las complicaciones repentinas y potencialmente mortales que los obligan a ingresar en una unidad de cuidados intensivos. Cuando un paciente con cáncer de hígado llega a la UCI, los médicos se enfrentan a una realidad difícil: el cuerpo suele estar fallando en múltiples sistemas a la vez, y la ventana para tomar las decisiones correctas es increíblemente estrecha. Para ayudar, los equipos médicos han dependido durante mucho tiempo de sistemas de puntuación generales que miden qué tan enfermo está un paciente basándose en los signos vitales y la función de los órganos. Sin embargo, estas herramientas amplias no fueron creadas específicamente para la biología única del cáncer de hígado, y a menudo pasan por alto las señales de advertencia específicas que más importan a este grupo. La pregunta ha sido si se podría crear un método más simple y claro, uno que utilice únicamente la información disponible en el primer día de atención para predecir quién tiene más probabilidades de sobrevivir a la estancia hospitalaria.

Un equipo de investigadores se propuso construir precisamente ese tipo de herramienta, centrándose en la transparencia y la detección temprana. No recurrieron a algoritmos complejos y ocultos que actúan como una caja negra, donde el razonamiento detrás de una predicción es imposible de ver. En su lugar, construyeron un modelo matemático sencillo utilizando datos de dos enormes colecciones de registros hospitalarios disponibles públicamente. Una colección procedía de un único hospital de gran tamaño en los Estados Unidos, mientras que la otra recopiló datos de más de doscientas instituciones hospitalarias en todo el país. Al combinar estas fuentes, el equipo pudo primero construir un modelo con un conjunto de pacientes y luego probarlo inmediatamente en un conjunto completamente diferente para ver si se mantenía en el mundo real. Su objetivo era crear un sistema que cualquier clínico pudiera entender, donde cada factor utilizado para realizar una predicción fuera una medición de rutina tomada dentro de las primeras veinticuatro horas de la estancia en la UCI.

Los investigadores comenzaron analizando a miles de pacientes adultos con cáncer de hígado que habían pasado al menos un día en la UCI. Examinaron una vasta gama de posibles pistas, incluyendo la edad, la presencia de cáncer que se había extendido a otras partes del cuerpo y una amplia variedad de mediciones físicas como la frecuencia cardíaca, la presión arterial y los niveles de oxígeno. También examinaron los resultados de los análisis de sangre que mostraban qué tan bien funcionaban el hígado y los riñones. Utilizando un riguroso proceso estadístico, redujeron la lista a los doce factores más importantes que señalaban consistentemente un mayor riesgo de muerte. Estos factores incluían el nivel de bilirrubina en la sangre, que indica estrés hepático; la creatinina, un marcador de la función renal; y la temperatura, la frecuencia cardíaca y la frecuencia respiratoria del paciente. También incluyeron el nivel de conciencia del paciente, medido mediante una escala estándar, y si el cáncer se había extendido más allá del hígado.

Cuando probaron este modelo de doce factores en el primer grupo de pacientes, funcionó muy bien, distinguiendo correctamente entre los que sobrevivieron y los que no lo hicieron en la gran mayoría de los casos. El modelo fue capaz de asignar una puntuación de riesgo que se alineaba estrechamente con los resultados reales. Sin embargo, la verdadera prueba de cualquier herramienta de predicción médica es si funciona con pacientes que no ha visto antes. Los investigadores aplicaron entonces su modelo al segundo grupo independiente de pacientes de los diferentes hospitales. Aquí, los resultados fueron más modestos pero aun así significativos. El modelo fue capaz de separar a los supervivientes de los no supervivientes mejor que el azar, aunque no fue tan preciso como lo había sido en el primer grupo. Esta caída en el rendimiento es común cuando se pasa de un sistema hospitalario a otro, ya que diferentes hospitales registran los datos de maneras ligeramente distintas y tratan a los pacientes con distintos niveles de intensidad. El modelo también mostró que tendía a subestimar ligeramente el riesgo en este nuevo grupo, lo que sugiere que, si bien la herramienta es útil, puede necesitar ajustes para las condiciones locales específicas antes de ser utilizada para guiar decisiones en el mundo real.

El estudio también comparó su nuevo modelo específico para el hígado contra un sistema de puntuación general de la UCI ampliamente utilizado que ya estaba disponible en la segunda base de datos. El sistema general, que no fue diseñado para pacientes con cáncer, funcionó deficientemente en este grupo específico, al no lograr captar los matices de las complicaciones del cáncer de hígado. En contraste, el nuevo modelo, a pesar de ser más simple y centrarse solo en el primer día de atención, proporcionó una imagen más clara del destino del paciente. Los investigadores descubrieron que las predicciones del modelo estaban impulsadas por una mezcla lógica de factores: cuanto más luchaban el hígado y los riñones, más inestables se volvían los signos vitales, y cuanto más se había extendido el cáncer, mayor era el riesgo de muerte. Curiosamente, el modelo también observó que los pacientes con una temperatura corporal más baja presentaban un mayor riesgo, una señal de que el cuerpo estaba perando su capacidad para regularse ante una enfermedad grave.

A pesar de estos resultados prometedores, los autores advierten cuidadosamente que esta herramienta no está lista para reemplazar el juicio de un médico. El estudio fue retrospectivo, lo que significa que analizó registros pasados en lugar de probar el modelo en tiempo real en pacientes vivos. El grupo de pacientes utilizado para la segunda prueba era relativamente pequeño, lo que dificultó tener la certeza sobre qué tan bien calibraba sus predicciones el modelo. Los investigadores enfatizan que su trabajo es un punto de partida, un marco transparente que demuestra que es posible construir un calculador de riesgo específico y comprensible para esta población vulnerable. Antes de que tal modelo pueda ser utilizado en un hospital, tendría que ser probado más a fondo en grupos más grandes y ajustado para adaptarse a las prácticas específicas de los centros médicos individuales. El objetivo final no es automatizar la decisión de salvar una vida, sino proporcionar a los clínicos un sistema de alerta temprana y claro que les ayude a comunicarse mejor con las familias y a asignar los recursos donde más se necesitan.