Development and Cross-Database Evaluation of 6-Hour Landmark Prediction Models for a Subsequent Packed Red Blood Cell Transfusion Record in Adult Trauma ICU Patients

En el entorno de alto riesgo de una unidad de cuidados intensivos, el tiempo es a menudo el recurso más crítico. Cuando un paciente llega con un trauma grave, la primera prioridad del equipo médico es detener la hemorragia y estabilizar el cuerpo. Pero el trabajo no termina una vez que el paciente se ha asentado en el hospital. Durante el día siguiente, los médicos deben permanecer vigilantes, observando señales de que el paciente podría necesitar más sangre. Las transfusiones de sangre salvan vidas, pero no están exentas de riesgos, y administrarlas demasiado pronto o demasiado tarde puede complicar la recuperación. El desafío radica en predecir quién necesitará esa sangre adicional antes de que la necesidad sea obvia. Tradicionalmente, los médicos confían en su experiencia y en los datos disponibles en el momento del ingreso. Sin embargo, la condición de un paciente cambia rápidamente en las primeras horas. Ha surgido una nueva pregunta: ¿puede un modelo informático observar la información disponible seis horas después de que un paciente ingresa en la unidad de cuidados intensivos y predecir con precisión si necesitará una transfusión de sangre más tarde ese mismo día? Esto no se trata de reemplazar el juicio del médico, sino de proporcionar una señal oportuna que incite a una revisión más cercana de un paciente que, de otro modo, podría pasar desapercibido.

Un equipo de investigadores se propuso responder a esta pregunta construyendo y probando un nuevo tipo de herramienta de predicción. Se centraron específicamente en pacientes adultos con trauma que no habían recibido una transfusión de sangre dentro de las primeras seis horas de su estancia hospitalaria. Utilizando bases de datos masivas y anonimizadas de hospitales de todo Estados Unidos, entrenaron algoritmos informáticos para buscar patrones en las constantes vitales y los resultados de laboratorio de los pacientes. El objetivo era crear un sistema que pudiera identificar a los pacientes que probablemente requerirían glóbulos rojos empaquetados —el producto sanguíneo estándar utilizado para reemplazar el volumen perdido— dentro de las siguientes dieciocho horas. Los investigadores no solo construyeron un modelo; desarrollaron cinco enfoques matemáticos diferentes para ver cuál funcionaba mejor. Luego, probaron estos modelos en un conjunto de registros de pacientes completamente distinto, proveniente de diferentes hospitales, para asegurar que los resultados no fueran solo una casualidad del primer grupo de datos.

El estudio encontró que estos modelos informáticos podían, de hecho, distinguir entre los pacientes que necesitarían más sangre y aquellos que no. El modelo más exitoso, que utilizó un método sofisticado llamado XGBoost ponderado para dar peso a la importancia de diferentes factores, funcionó bien en ambos conjuntos de datos. En el grupo inicial de pacientes, el modelo identificó correctamente el riesgo en aproximadamente 84 de cada 100 casos en los que se podía establecer una distinción. Al probarlo en el segundo grupo independiente de pacientes de 176 hospitales diferentes, el rendimiento se mantuvo sólido, identificando correctamente el riesgo en aproximadamente 85 de cada 100 casos. Esta consistencia sugiere que la herramienta es lo suficientemente robusta como para funcionar en diferentes entornos hospitalarios, no solo en aquel donde fue creada.

Sin embargo, los investigadores descubrieron un detalle crucial que determinaba qué tan bien funcionaba la herramienta: la disponibilidad de una prueba de laboratorio específica. La precisión del modelo dependía en gran medida de si se había realizado una prueba de hemoglobina —una medida de la capacidad de transporte de oxígeno de la sangre— temprano en la estancia del paciente. Cuando esa prueba estaba disponible, la capacidad del modelo para predecir necesidades futuras era significativamente mayor. Cuando la prueba faltaba, el rendimiento del modelo caía notablemente. Este hallazgo resalta que la herramienta no solo está leyendo la biología del paciente; también está leyendo el flujo de trabajo del hospital. Si el equipo médico aún no ha solicitado la prueba de sangre necesaria, la computadora no puede ver el panorama completo. Esto no significa que la herramienta falle, sino que su efectividad está ligada a la información que los médicos ya han recopilado.

Los investigadores también examinaron a qué estaba "mirando" realmente la computadora para tomar sus decisiones. Encontraron que las pistas más importantes fueron el nivel más bajo de hemoglobina registrado, la presión arterial más baja y la frecuencia cardíaca más alta durante esas primeras seis horas. Estos son indicadores lógicos de un cuerpo bajo estrés, pero la computadora también prestó atención a si faltaban ciertas pruebas. En el mundo de los cuidados intensivos, el hecho de que no se haya solicitado una prueba puede ser tan revelador como el resultado de la propia prueba. Por ejemplo, si un paciente está estable, los médicos podrían no solicitar extracciones de sangre frecuentes, mientras que un paciente que se está deteriorando podría ser sometido a pruebas constantemente. El modelo aprendió a reconocer estos patrones de atención como parte de la historia del paciente.

A pesar de estos éxitos, los autores tienen cuidado en declarar lo que esta herramienta no es. No es un diagnóstico de hemorragia activa, ni es una orden de transfundir sangre. El modelo predice un registro documentado de una transfusión, que es un evento específico en el sistema informático del hospital, no necesariamente una necesidad biológica de sangre. Los investigadores enfatizan que la herramienta está diseñada para actuar como un aviso para la revisión humana. Si el modelo marca a un paciente, sugiere que un médico debe realizar una nueva revisión de la condición del paciente, verificar sus laboratorios y decidir si una transfusión es realmente necesaria. En sus pruebas, utilizar un umbral específico para activar estas revisiones habría marcado a unos 17 de cada 100 pacientes. Este grupo incluiría aproximadamente al 70% de los pacientes que realmente terminaron necesitando sangre, lo que significa que la herramienta podría captar a la mayoría de los pacientes en riesgo evitando, al mismo tiempo, una avalancha de falsas alarmas que abrumaría al personal.

El estudio también exploró cómo se comportaría el modelo si el hospital diera el alta a un paciente antes de que terminara el periodo completo de observación de veinticuatro horas. En la vida real, los pacientes abandonan la unidad de cuidados intensivos en diferentes momentos, y esto puede complicar las predicciones. Los investigadores encontraron que, incluso con estas interrupciones, el modelo mantenía su capacidad para clasificar a los pacientes por riesgo. Aquellos que fueron marcados como de alto riesgo por el modelo, de hecho, tenían más probabilidades de haber recibido sangre antes de su salida, en comparación con los marcados como de bajo riesgo. Esto sugiere que la herramienta puede manejar la realidad desordenada de los traslados hospitalarios sin perder su poder predictivo.

En última instancia, este trabajo representa un paso hacia un soporte más inteligente y oportuno para la atención de traumas. Los investigadores demostraron que una ventana de datos de seis horas es suficiente para construir una evaluación de riesgo fiable para necesidades de sangre futuras. Mostraron que, si bien los algoritmos informáticos complejos pueden encontrar estos patrones, la calidad de la predicción está inextricablemente ligada a la calidad de la información disponible en ese momento. La herramienta no reemplaza al médico; en cambio, ofrece un segundo par de ojos que nunca se cansa, escaneando constantemente los datos para asegurar que ningún paciente en necesidad pase desapercibido. El siguiente paso, como señalan los autores, es probar este sistema en los flujos de trabajo hospitalarios en tiempo real para ver si realmente mejora los resultados de los pacientes y ayuda a los equipos a gestionar su carga de trabajo de manera más efectiva. Hasta entonces, sigue siendo una poderosa prueba de concepto: un asistente digital que puede ver las señales de advertencia de una necesidad de sangre mucho antes de que la crisis sea innegable.