Development and internal validation of a pre-operative machine-learning model for prolonged postoperative stay in older adults undergoing colorectal cancer surgery
Este estudio desarrolló y validó internamente un modelo de aprendizaje automático preoperatorio utilizando datos clínicos de rutina para predecir moderadamente las estancias hospitalarias prolongadas en adultos mayores sometidos a cirugía de cáncer colorrectal, identificando la fragilidad y las comorbilidades como predictores clave al tiempo que destaca la necesidad de una validación externa antes de su implementación clínica.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Los hospitales son lugares de curación, pero para los adultos mayores, una estancia prolongada puede convertirse en una fuente de nuevos daños. Cuando una persona de edad avanzada es ingresada para una cirugía mayor, el propio entorno hospitalario puede desencadenar un declive en sus capacidades físicas y mentales. Este fenómeno, conocido como discapacidad asociada al hospital, incluye la pérdida de fuerza muscular, confusión y una reducción en la capacidad para cuidarse a sí mismo, todo lo cual puede suceder simplemente porque un paciente permanece confinado a una cama o a una habitación durante demasiado tiempo. Para los pacientes que se enfrentan a una cirugía de cáncer colorrectal, el desafío se ve agravado por el hecho de que a menudo llegan con una mezcla de otros problemas de salud, una reserva física reducida y necesidades sociales complejas que dificultan el regreso a casa. Los médicos han sabido durante mucho tiempo que la fragilidad —un estado de mayor vulnerabilidad al estrés— es un mejor predictor de malos resultados que la edad por sí sola, aunque predecir exactamente quién necesitará una estancia hospitalaria prolongada sigue siendo difícil. Las herramientas tradicionales suelen centrarse en el riesgo de muerte o de complicaciones mayores, pasando por alto el riesgo más sutil pero igualmente dañino de una admisión prolongada que deja al paciente más débil de lo que llegó.
En un estudio reciente, investigadores de los hospitales universitarios de Southend y Southmead se propusieron construir una herramienta digital para resolver este problema específico. Querían saber si podían utilizar un programa informático para analizar los datos de salud de un paciente antes de la cirugía y predecir si ese paciente permanecería en el hospital durante más de diez días. El equipo se centró en 197 adultos mayores, todos de 65 años o más, que estaban siendo evaluados para una cirugía de cáncer colorrectal. De este grupo, analizaron los registros de 149 pacientes que realmente se sometieron a la operación. Los investigadores recopilaron una amplia gama de información disponible antes de que comenzara la cirugía, incluyendo la edad del paciente, una medida de su fragilidad llamada Escala de Fragilidad Clínica, el número de otras condiciones médicas que padecía, cuántos medicamentos tomaba y su situación social, como dónde vivía y qué ayuda tenía en casa. También incluyeron puntuaciones de riesgo quirúrgico estándar que estiman la dificultad de la operación.
Para dar sentido a esta compleja mezcla de datos, el equipo utilizó un método de aprendizaje automático llamado clasificador de gradiente aumentado (gradient-boosted classifier). Se puede pensar en esto como un programa informático que aprende construyendo una serie de árboles de decisión, donde cada nuevo árbol corrige los errores del anterior, creando finalmente un modelo altamente preciso para detectar patrones. Los investigadores entrenaron este modelo para distinguir entre pacientes que tendrían una estancia corta o moderada y aquellos que tendrían una estancia prolongada de más de diez días. Probaron el modelo rigurosamente dividiendo repetidamente los datos en diferentes grupos para asegurar que los resultados no fueran solo una suerte de coincidencia. El modelo demostró ser moderadamente exitoso en su tarea. Identificó correctamente a los pacientes en riesgo de una estancia larga aproximadamente el 75% de las veces, con una sensibilidad del 66%, lo que significa que detectó a dos tercios de las personas que realmente terminaron quedándose demasiado tiempo. También fue razonablemente bueno descartando a aquellos que tendrían una estancia más corta, con una especificidad del 75%.
El estudio reveló que las pistas más poderosas para predecir una estancia larga no eran simplemente la edad del paciente o el tipo de cirugía, sino más bien su nivel de fragilidad y su puntuación de riesgo quirúrgico general. El número de otras condiciones de salud y la movilidad del paciente también desempeñaron papeles significativos. Curiosamente, los investigadores encontraron que, si bien el modelo era decente para predecir un resultado binario —si la estancia sería larga o no—, era mucho menos fiable para predecir el número exacto de días que un paciente pasaría en el hospital. Cuando intentaron usar la computadora para pronosticar duraciones específicas, las predicciones a menudo fallaban por varios días, lo que sugiere que la duración exacta de una estancia hospitalaria está influenciada por demasiados factores impredecibles como para ser calculada con precisión de antemano. Esta distinción es crucial: la herramienta es mejor para señalar a un paciente de alto riesgo que necesita una planificación adicional que para decirle a un médico exactamente cuándo será dado de alta ese paciente.
Las implicaciones de poder identificar a estos pacientes de alto riesgo son significativas. Los investigadores estimaron que, si este modelo se aplicara a los aproximadamente 21,000 procedimientos de cáncer de colon importantes realizados anualmente en Inglaterra y Gales, podría ayudar a identificar a miles de pacientes que probablemente enfrentarán una estancia prolongada. Una admisión prolongada no es solo una cuestión de disponibilidad de camas hospitalarias; es una amenaza directa a la independencia del paciente. El estudio destacó que los pacientes que permanecen más tiempo están expuestos a tasas más altas de declive funcional, delirio y otras complicaciones adquiridas en el hospital. Al identificar a estos pacientes tempranamente, los equipos médicos podrían potencialmente intervenir con una preparación preoperatoria más intensiva o un apoyo postoperatorio para acortar su estancia. El argumento económico también es convincente; los investigadores calcularon que reducir la duración de la estancia en solo un día para el 10% de estos casos nacionales podría ahorrar casi £2 millones en costos de cama por sí solos, una cifra que ascendería a más de £5 millones si la reducción se lograra en el 20% de los casos.
A pesar de estos prometedores resultados, los autores advierten cuidadosamente que esta herramienta aún no está lista para su uso inmediato en todos los hospitales. El estudio se llevó a cabo en un solo centro y dependió de datos retrospectivos, lo que significa que el modelo fue probado con registros pasados en lugar de pacientes futuros. El rendimiento del modelo varió dependiendo de cómo se probaron los datos, y los investigadores enfatizaron que necesita ser validado en un grupo de pacientes más grande y diverso antes de que pueda confiarse para guiar decisiones clínicas. El estudio concluye que, si bien el aprendizaje automático muestra una gran promesa para ayudar a los médicos a planificar la atención de los adultos mayores sometidos a cirugía de cáncer colorrectal, el siguiente paso es probar el modelo en ensayos prospectivos en tiempo real para ver si actuar sobre sus predicciones realmente conduce a estancias hospitalarias más cortas y seguras. Hasta entonces, la herramienta sigue siendo un sofisticado apoyo para la estratificación de riesgos, ofreciendo una visión más clara de quiénes son más vulnerables a los peligros ocultos de una admisión hospitalaria prolongada.
¿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.