An interpretable machine learning model for early sepsis prediction in patients with heart failure and type 2 diabetes: a retrospective cohort study

En la unidad de cuidados intensivos, donde los riesgos son más altos y el tiempo es el recurso más preciado, los médicos sopesan constantemente el delicado equilibrio entre las condiciones crónicas de un paciente y las nuevas amenazas agudas. Dos de las condiciones crónicas más comunes y exigentes son la insuficiencia cardíaca, donde el corazón lucha por bombear sangre de manera efectiva, y la diabetes tipo 2, una condición en la que el cuerpo no puede gestionar adecuadamente los niveles de azúcar. Cuando estas dos condiciones existen juntas, crean una tormenta perfecta de vulnerabilidad. La capacidad del cuerpo para combatir la infección ya está comprometida por la tensión sobre el corazón y el caos metabólico de la diabetes, lo que hace que estos pacientes sean mucho más propensos a desarrollar sepsis. La sepsis es una reacción potencialmente mortal a una infección que puede provocar el fallo de órganos rápidamente y conducir a la muerte. Debido a que la ventana para tratar la sepsis es estrecha, identificarla tempranamente es crítico, aunque las herramientas actuales a menudo no logran detectar las señales de advertencia en este grupo específico de pacientes antes de que sea demasiado tarde.

Un equipo de investigadores se propuso construir un nuevo tipo de red de seguridad para estos pacientes, una que pudiera escuchar las señales sutiles ocultas dentro de los datos médicos de un paciente. Recurrieron al aprendizaje automático (machine learning), una rama de la inteligencia artificial donde las computadoras aprenden a reconocer patrones estudiando vastas cantidades de ejemplos pasados, en lugar de seguir un conjunto rígido de reglas escritas por humanos. El objetivo era crear un sistema que pudiera observar los datos rutinarios recopilados cuando un paciente con insuficiencia cardíaca y diabetes llega a la unidad de cuidados intensivos y predecir, con una precisión razonable, si está a punto de desarrollar sepsis. A diferencia de muchos modelos computacionales complejos que actúan como "cajas negras", dando una respuesta sin explicar el porqué, este equipo quería un sistema que también pudiera mostrar su trabajo, señalando exactamente qué factores inclinaron la balanza hacia el peligro.

Los investigadores comenzaron recopilando datos de dos bases de datos masivas y públicas que contenían registros de miles de pacientes de cuidados intensivos en los Estados Unidos. Se centraron específicamente en adultos que habían sido admitidos con insuficiencia cardíaca y diabetes tipo 2. De un grupo de más de 9,000 candidatos potenciales, redujeron su enfoque a 7,806 pacientes de una base de datos para construir su modelo, y luego lo probaron en un grupo separado de 633 pacientes de un conjunto diferente de hospitales para ver si se mantenía en el mundo real. Analizaron una amplia gama de información registrada durante las primeras 24 horas de la estancia del paciente, incluyendo signos vitales como la frecuencia cardíaca y la temperatura, resultados de análisis de sangre y si el paciente estaba conectado a un respirador mecánico.

Para encontrar las pistas más importantes, el equipo no se limitó a adivinar qué factores importaban. Utilizaron un proceso riguroso para filtrar los datos, comparando diferentes métodos estadísticos para ver qué variables señalaban consistentemente hacia la sepsis. Este proceso redujo una larga lista de posibilidades a solo siete indicadores clave. Estos incluían si el paciente presentaba lesión renal aguda, si estaba con un ventilador mecánico para ayudarle a respirar, su recuento de glóbulos blancos, su temperatura corporal, su nivel de conciencia medido mediante una escala estándar, una medida del equilibrio ácido en su sangre y el nivel de lactato, una sustancia que se acumula cuando los tejidos no están recibiendo suficiente oxígeno.

El equipo entrenó entonces siete algoritmos diferentes para aprender de estos siete indicadores. Probaron cada uno para ver cuál podía distinguir mejor entre los pacientes que desarrollarían sepsis y aquellos que no. Un algoritmo, conocido como XGBoost, resultó ser el más fiable. En la fase inicial de pruebas, identificó correctamente el riesgo en aproximadamente el 71 por ciento de los casos. Cuando los investigadores aplicaron este mismo modelo al grupo separado de pacientes de los otros hospitales, mantuvo un rendimiento respetable, identificando correctamente el riesgo en aproximadamente el 66 por ciento de los casos. Aunque esto no es perfecto, representa un paso significativo hacia adelante para un grupo de pacientes que anteriormente no contaba con una herramienta especializada para ayudar a los médicos a detectar el peligro a tiempo.

Lo que hace que este trabajo sea particularmente valioso es que los investigadores no se detuvieron en la predicción. Utilizaron una técnica llamada SHAP para abrir la "caja negra" y ver exactamente cómo el modelo tomaba sus decisiones. Descubrieron que la computadora no estaba adivinando al azar; estaba priorizando las mismas cosas que un médico experimentado buscaría, pero con una precisión matemática. El modelo determinó que la lesión renal aguda, un nivel bajo de conciencia y recuentos elevados de glóbulos blancos eran las señales más fuertes de una sepsis inminente. También aprendió que la temperatura corporal importaba de una manera específica: tanto una fiebre alta como una temperatura peligrosamente baja eran señales de advertencia, mientras que una temperatura normal resultaba tranquilizadora. Del mismo modo, reconoció que los niveles altos de lactato y la necesidad de un respirador mecánico aumentaban significamente el riesgo.

Los investigadores fueron cuidadosos al señalar que, si bien su modelo funcionó bien, aún no está listo para reemplazar el juicio de un médico ni para tomar decisiones de tratamiento por sí solo. Las pruebas externas demostraron que, aunque el modelo es útil, no es infalible, y necesita ser probado más a fondo en diferentes hospitales y con diferentes poblaciones de pacientes antes de que pueda utilizarse en la práctica clínica cotidiana. El estudio sirve como una prueba de concepto, demostrando que es posible construir una herramienta interpretable que utilice datos médicos rutinarios y cotidianos para alertar sobre pacientes de alto riesgo con insuficiencia cardíaca y diabetes. Al resaltar la combinación específica de insuficiencia renal, dificultades respiratorias y cambios en la química sanguínea que señalan problemas, este trabajo ofrece una nueva forma de ayudar a los clínicos a mantenerse un paso por delante de una condición que se mueve demasiado rápido para ser ignorada.