Development and Validation of a Predictive Model of Major Adverse Kidney Events within 30 Days in Patients with Sepsis-Associated Acute Kidney Injury： Retrospective Cohort Study

En la unidad de cuidados intensivos, el cuerpo a menudo está luchando una guerra en dos frentes. Un enemigo es la sepsis, una reacción potencialmente mortal a una infección que envía al sistema inmunológico a un estado de hiperactividad, dañando órganos y tejidos. El otro es la lesión renal aguda, un fallo repentino de los riñones para filtrar los desechos de la sangre. Cuando estas dos condiciones atacan juntas, la situación se vuelve particularmente peligosa. Los riñones están entre los primeros órganos en sufrir cuando el cuerpo se ve abrumado por la sepsis, y cuando fallan, el riesgo de muerte o de discapacidad a largo plazo aumenta drásticamente. Durante décadas, los médicos han dependido de guías generales para diagnosticar y manejar estas condiciones, pero estas reglas están diseñadas para poblaciones amplias, no para la realidad única y compleja de un paciente individual tendido en una cama de hospital. El desafío ha sido pasar de las reglas generales a las predicciones precisas: saber, de manera temprana, qué pacientes específicos tienen mayor probabilidad de sufrir resultados renales graves dentro de un mes, para que la atención pueda adaptarse para salvarlos.

Un equipo de investigadores se propuso construir una herramienta que pudiera realizar esta predicción con mayor exactitud. Recurrieron a una vasta colección de registros médicos digitales de miles de pacientes que habían sido admitidos en unidades de cuidados intensivos en los Estados Unidos. Específicamente, se centraron en un grupo de 10,906 adultos que habían desarrollado una lesión renal aguda dentro de los dos días posteriores a haber sido diagnosticados con sepsis. Los investigadores querían ver si podían identificar un patrón en los datos que señalara un alto riesgo de "eventos renales adversos mayores" dentro de los 30 días. Este resultado es una combinación grave de tres cosas: morir en el hospital, necesitar una máquina para filtrar la sangre (diálisis) o tener una función renal que permanezca permanentemente dañada tras el alta. Para encontrar la respuesta, el equipo no se apoyó en una sola fórmula o en una lista de verificación simple. En su lugar, utilizaron un tipo sofisticado de aprendizaje computacional, a menudo llamado aprendizaje automático (machine learning), que permite a una computadora encontrar relaciones complejas y ocultas en cantidades masivas de datos que los ojos humanos podrían pasar por alto.

Los investigadores alimentaron a la computadora con una amplia gama de información sobre cada paciente, recolectada durante las primeras 24 horas de su estancia en la UCI. Esto incluyó detalles básicos como edad y género, un historial de otras enfermedades como enfermedades cardíacas o diabetes, y una instantánea de su estado físico actual. La computadora analizó signos vitales como la frecuencia cardíaca y la velocidad de la respiración, así como resultados detallados de análisis de sangre que medían qué tan bien funcionaban el hígado y los riñones, cuánto oxígeno había en la sangre y cómo el cuerpo estaba manejando la infección. También observaron si a los pacientes se les habían administrado medicamentos que podrían ser duros para los riñones o fármacos para apoyar la presión arterial. El equipo probó ocho tipos diferentes de algoritmos de aprendizaje automático, cada uno utilizando un enfoque matemático ligeramente diferente para aprender de los datos. Entrenaron estos modelos en un grupo grande de pacientes y luego los probaron en un grupo separado para ver si los modelos podían predecir correctamente el resultado para personas que nunca habían visto antes.

Después de realizar las pruebas, un modelo destacó como el más fiable. Era un sistema conocido como CatBoost, que demostró ser mejor para distinguir entre los pacientes que tendrían un buen resultado y aquellos que enfrentarían un evento renal mayor que cualquiera de los otros siete modelos con los que se comparó. Cuando los investigadores aplicaron este modelo de mejor rendimiento a un conjunto de pacientes completamente diferente de otra base de datos, mantuvo su precisión, lo que sugiere que los patrones que aprendió eran reales y no solo un azar del primer grupo de datos. El modelo alcanzó un nivel de precisión que se considera sólido en la predicción médica, identificando correctamente el riesgo para la gran mayoría de los pacientes. Esto significa que, para un nuevo paciente con sepsis y lesión renal, el modelo podría observar sus datos iniciales y proporcionar una estimación clara de su riesgo de sufrir un evento renal mayor dentro de un mes.

Para asegurar que los médicos pudieran confiar y comprender las decisiones del modelo, los investigadores no lo trataron como una "caja negra" que simplemente da una respuesta sin explicación. Utilizaron un método para desglosar la predicción y mostrar exactamente qué factores estaban elevando o bajando el riesgo para cada individuo. El análisis reveló que el predictor más poderoso de un mal resultado era simplemente la gravedad de la lesión renal en el momento de la admisión. Los pacientes con etapas más avanzadas de daño renal tenían muchas más probabilidades de tener un mal desenlace. Más allá de los riñones, el modelo resaltó la importancia de la historia clínica general del paciente, la gravedad de su insuficiencia orgánica y su frecuencia respiratoria. También mostró que la exposición a ciertos medicamentos que pueden dañar los riñones aumentaba el riesgo. Al mostrar cómo estos factores se combinaban para crear un perfil de riesgo específico para una sola persona, el modelo va más allá de una estadística genérica para ofrecer una visión personalizada de la situación del paciente.

El estudio confirma que es posible utilizar datos del primer día de estancia en la UCI para pronosticar complicaciones renales graves en pacientes con sepsis. Los hallazgos sugieren que, al combinar los signos vitales inmediatos de un paciente, sus análisis de sangre y su historial médico, un modelo computacional puede proporcionar una evaluación transparente y precisa de su riesgo futuro. Este enfoque no reemplaza el juicio de un médico, sino que ofrece una herramienta poderosa para apoyarlo. Permite a los equipos médicos identificar a los pacientes que son más vulnerables desde el principio, permitiendo potencialmente que intervengan más pronto o monitoreen más de cerca. Si bien el modelo fue probado con datos de hospitales estadounidenses y puede necesitar más validación en otras partes del mundo, el descubrimiento central es que las señales de un mal resultado renal están presentes y son mensurables desde el comienzo de una enfermedad crítica. Este trabajo representa un paso hacia un futuro donde la atención en la unidad de cuidados intensivos esté guiada por predicciones precisas e individualizadas en lugar de promedios generales, ayudando a asegurar que los pacientes con mayor riesgo reciban la atención que necesitan.