Nursing Assessment–Derived Risk Profiles and VALENF Instrument–Based Classification in Adult Inpatients: A Two-Stage Machine Learning Study

Los hospitales son lugares donde la complejidad de la enfermedad humana a menudo se esconde tras etiquetas sencillas. Un paciente llega con un diagnóstico, pero ese único término médico rara vez cuenta la historia completa de lo que necesita. Dos personas pueden tener la misma enfermedad y, sin embargo, una es lo suficientemente fuerte como para caminar y comer de forma independiente, mientras que la otra es frágil, está confundida y tiene un alto riesgo de sufrir caídas o desarrollar úlceras por presión. Durante décadas, los registros hospitalarios se han centrado principalmente en los diagnósticos médicos y los códigos administrativos, que son útiles para la facturación y el seguimiento de enfermedades, pero a menudo pasan por alto la realidad diaria de la condición física y las necesidades de seguridad de un paciente. Sin embargo, las enfermeras están formadas para ver esta imagen faltante. Cada día, evalúan qué tan bien puede moverse un paciente, qué tan probable es que resbale y si su piel está en riesgo de romperse. Estas observaciones crean un mapa rico y detallado de la vulnerabilidad del paciente que los registros médicos estándar suelen pasar por alto.

El desafío siempre ha sido cómo convertir estas observaciones humanas y detalladas en un sistema que pueda ayudar a médicos y enfermeras a tomar decisiones más rápidas y mejores para miles de pacientes. Si una enfermera puede detectar un patrón de riesgo en un paciente, ¿puede una computadora aprender a detectar ese mismo patrón en el siguiente? Esta es la pregunta que un equipo de investigadores en España se propuso responder. Querían ver si podían utilizar las notas específicas y estructuradas que las enfermeras escriben cuando llega un paciente para agrupar a los pacientes en categorías de riesgo claras. Su objetivo no era solo clasificar a los pacientes, sino construir una herramienta digital que pudiera asignar automáticamente a un nuevo paciente al grupo de riesgo adecuado basándose en un chequeo de enfermería corto y rutinario, asegurando que las personas más vulnerables reciban la atención necesaria sin demora.

Los investigadores trabajaron con datos de un hospital en España, analizando miles de estancias hospitalarias. Comenzaron recopilando una colección masiva de registros de más de 2.600 pacientes. Para cada uno de estos pacientes, tenían acceso a las evaluaciones de enfermería completas y detalladas realizadas durante su ingreso. Estas evaluaciones incluían puntuaciones sobre qué tan bien podía un paciente realizar tareas diarias como comer y caminar, qué tan probable era que desarrollara úlceras por presión y su riesgo de caídas. También incluían la edad del paciente, el sexo y una puntuación que contaba cuántos otros problemas de salud presentaba. Utilizando un método informático que busca patrones ocultos sin que se le indique qué buscar, el equipo dejó que los datos hablaran por sí mismos. Pidieron a la computadora que encontrara grupos naturales entre los pacientes basándose en estos factores combinados.

La computadora encontró cinco grupos distintos, o perfiles, que tenían sentido para los expertos humanos. El primer grupo consistía en pacientes jóvenes que eran muy saludables e independientes, con casi ningún riesgo de caídas o de sufrir úlceras. El segundo grupo era similar en términos de independencia física, pero estaba compuesto por pacientes mayores con más problemas de salud crónicos. El tercer grupo representaba a pacientes con dificultades moderadas; todavía podían hacer algunas cosas por sí mismos, pero tenían dificultades evidentes. El cuarto grupo incluía a pacientes que dependían significativamente de otros para su cuidado y enfrentaban altos riesgos. Finalmente, el quinto grupo era el más vulnerable: pacientes muy ancianos con muchos problemas de salud que eran completamente dependientes de otros para el movimiento y tenían los mayores riesgos de caídas y daños en la piel. Estas cinco categorías crearon una escala clara de riesgo, moviéndose desde aquellos que necesitaban poca ayuda hasta aquellos que necesitaban cuidados constantes e intensivos.

Una vez establecidos estos cinco grupos, los investigadores se enfrentaron a una nueva tarea. Necesitaban una forma de asignar a los nuevos pacientes a estos grupos sin tener que realizar la evaluación detallada y laboriosa cada vez. Recurrieron a una herramienta más corta llamada instrumento VALENF, que es una lista de verificación de siete ítems que las enfermeras utilizan de forma rutinaria. Esta lista hace preguntas sencillas que estiman los mismos riesgos que las pruebas más largas y detalladas. El equipo entrenó un programa informático para observar las respuestas a estas siete preguntas y predecir a qué uno de los cinco grupos de riesgo pertenecía el paciente. Probaron varios tipos diferentes de algoritmos de aprendizaje computacional, intentando encontrar el que fuera más preciso y, crucialmente, el que cometiera los errores de la forma más segura.

En el mundo de la evaluación de riesgos, un error puede ir en dos direcciones: la computadora podría pensar que un paciente está seguro cuando en realidad está en riesgo, o podría pensar que un paciente está en riesgo cuando en realidad está seguro. Los investigadores descubrieron que un tipo específico de algoritmo, conocido como bosque aleatorio (random forest), era la mejor opción. Aunque otro método era ligeramente más preciso en general, el bosque aleatorio era mejor siendo cauteloso. Era más propenso a asignar a un paciente a un grupo de mayor riesgo si había alguna duda, en lugar de poner accidentalmente a una persona vulnerable en una categoría de bajo riesgo. Este enfoque de "priorizar la seguridad" es vital en un entorno hospitalario, donde omitir un riesgo puede tener consecuencias graves. El modelo informático elegido asignó correctamente a los pacientes a sus grupos de riesgo aproximadamente el 82 por ciento de las veces durante las pruebas, un nivel de desempeño que los investigadores consideraron lo suficientemente sólido como para seguir adelante.

Para ver si este sistema funcionaría en el mundo real, el equipo lo probó con un conjunto de pacientes completamente nuevo, que involucraba más de 8.000 estancias hospitalarias registradas unos años después. No cambiaron el programa informático en absoluto; simplemente introdujeron los nuevos datos para ver qué sucedía. Los resultados fueron alentadores. El sistema clasificó con éxito a los nuevos pacientes en los cinco grupos de riesgo, y el patrón general de riesgo se mantuvo constante. Los pacientes en los grupos de alto riesgo eran, de hecho, mayores, tenían más problemas de salud y eran menos móviles que los de los grupos de bajo riesgo. Las asignaciones de la computadora coincidían con la realidad clínica de las condiciones de los pacientes en la gran mayoría de los casos.

Sin embargo, el estudio también reveló algunos matices importantes. El sistema funcionó mejor para los pacientes en las categorías de riesgo medio y alto. Para los dos grupos de pacientes que eran generalmente saludables, la computadora a veces los desplazaba entre las categorías de "bajo riesgo" y "bajo riesgo con problemas de salud". Esto sucedió porque el nuevo grupo de pacientes era ligeramente mayor y tenía ligeramente más problemas crónicos de salud que el grupo original con el que la computadora fue entrenada. Si bien la computadora manejó los casos complejos y de alto riesgo con gran estabilidad, las sutiles diferencias en la población más sana mostraron que el sistema es sensible a los cambios en la mezcla de pacientes. Los investigadores señalaron que, aunque la herramienta es técnicamente sólida y clínicamente lógica, aún no es un producto terminado listo para cada hospital.

El estudio concluye que es posible traducir la imagen compleja y multidimensional de la salud de un paciente en un perfil de riesgo simple y automatizado utilizando datos de enfermería de rutina. Los cinco grupos identificados proporcionan una forma clara y ordenada de entender la vulnerabilidad del paciente, yendo más allá del simple diagnóstico médico para capturar la realidad de la función y la seguridad diaria. La herramienta informática desarrollada para asignar estos perfiles funciona bien, particularmente para identificar a quienes necesitan más cuidados. No obstante, los investigadores advierten cuidadosamente que esto es un punto de partida, no una solución final. Antes de que tal sistema pueda utilizarse para tomar decisiones sobre la atención al paciente en los hospitales, debe probarse en muchos hospitales diferentes y vigilarse a lo largo del tiempo para asegurar que ayude a mejorar los resultados y no cree nuevos problemas. El trabajo demuestra que la idea es viable y que los datos están ahí, pero el viaje desde un experimento informático exitoso hasta una parte confiable del cuidado diario de enfermería requiere más pruebas y una planificación cuidadosa.