Electronic Health Record-Based Machine Learning Models for Predicting Revascularization, Amputation, and Cardiovascular Mortality in At-Risk Patients

Cada año, miles de personas se enfrentan a una elección aterradora: la pérdida de una extremidad o la pérdida de su vida. Esta lucha suele comenzar con una condición silenciosa y progresiva en la que los vasos sanguíneos de las piernas se estrechan y endurecen, privando a los músculos y a la piel de oxígeno. Cuando este bloqueo se vuelve grave, puede provocar llagas abiertas que se niegan a sanar o un estado en el que la extremidad está en constante peligro de morir. Los médicos llaman a esto enfermedad arterial periférica y, en su forma más crítica, isquemia crónica amenazante de la extremidad. Para los pacientes con estas condiciones, o con úlceras de pie diabético, el camino a seguir está lleno de incertidumbre. Un médico debe decidir si realizar una cirugía compleja para restaurar el flujo sanguíneo, amputar la extremidad dañada para salvar la vida del paciente o centrarse en cuidados paliativos. Estas decisiones son increíblemente difíciles porque cada paciente es diferente, portando una mezcla única de otros problemas de salud, desde la diabetes hasta enfermedades cardíacas, y factores sociales que influyen en cómo responden al tratamiento.

Durante décadas, los médicos han dependido de sistemas de puntuación y calculadoras de riesgo para guiar estas elecciones, pero estas herramientas a menudo no han logrado ganar una confianza generalizada. Son demasiado rígidas para una enfermedad que es tan desordenada y personal, o dependen de datos que son difíciles de recopilar de manera consistente. Ahora, un equipo de investigadores de la Universidad de Carolina del Norte ha recurrido a un tipo diferente de guía: los registros digitales masivos del cuidado de los pacientes en sí. Al utilizar una nueva forma de organizar millones de registros médicos electrónicos, construyeron un conjunto de modelos computacionales diseñados para predecir qué le sucederá a un paciente a continuación. Su objetivo no era reemplazar al médico, sino darle una visión más clara del futuro, ayudando a decidir quién necesita cirugía, quién podría perder una extremidad y quién corre el riesgo de morir por causas cardíacas.

Los investigadores comenzaron con un vasto grupo de casi 179,000 pacientes adultos que habían recibido atención dentro del Sistema de Salud de la UNC entre 2014 y 2024. Estas eran personas ya conocidas por estar en riesgo de pérdida de extremidades, incluyendo aquellas con enfermedad arterial periférica, isquemia crónica amenazante de la extremidad o úlceras de pie diabético. Para dar sentido a esta enorme cantidad de información, el equipo utilizó un sistema estandarizado llamado Modelo de Datos Común OMOP, que actúa como un traductor universal para los datos médicos, permitiendo que diferentes hospitales hablen el mismo lenguaje. Añadieron una extensión especial a este sistema, llenándola con 127 variables específicas relacionadas con la enfermedad de los vasos sanguíneos que suelen faltar en los registros estándar. Esto les permitió observar a los pacientes no solo como una colección de síntomas, sino como personas completas con miles de puntos de datos, que van desde su presión arterial y resultados de laboratorio hasta su historial de tabaquismo, su movilidad e incluso su estado cognitivo.

Utilizando este conjunto de datos rico y armonizado, el equipo entrenó algoritmos computacionales para buscar patrones que los médicos humanos podrían pasar por alto. Construyeron tres modelos de predicción separados. El primero intentaba adivinar si un paciente recibiría un procedimiento de revascularización, una cirugía destinada a abrir las arterias bloqueadas. El segundo intentaba predecir si un paciente eventualmente necesitaría una amputación. El tercero intentaba pronosticar si un paciente moriría de un evento cardiovascular, como un ataque al corazón o un derrame cerebral. La computadora no solo miró los signos obvios de la enfermedad de las piernas; escaneó miles de factores potenciales, desde la presencia de infecciones específicas hasta el tipo de medicamentos que un paciente tomaba, para ver cuáles de ellos realmente importaban para el desenlace.

Los resultados revelaron una historia de claridad sorprendente para algunos resultados y de complejidad obstinada para otros. El modelo diseñado para predecir quién recibiría una cirugía de revascularización fue excepcionalmente preciso. Identificó correctamente a los pacientes que se someterían al procedimiento con un nivel de precisión que se acercaba a la perfección. Los factores que impulsaban esta predicción eran exactamente lo que un cirujano vascular esperaría: el modelo encontró que las señales más fuertes eran las enfermedades específicas de las arterias mismas, como bloqueos en las extremidades inferiores y coágulos sanguíneos. La computadora aprendió que cuando estos problemas arteriales específicos están presentes, el sistema médico responde consistentemente con cirugía. Fue una confirmación de que la decisión de operar está impulsada por signos claros y objetivos de insuficiencia arterial.

La predicción para la amputación también fue fuerte, aunque la historia detrás de ella fue más matizada. El modelo mostró que si un paciente pierde una extremidad depende en gran medida de cómo su cuerpo y su mente manejen el estrés del tratamiento. Los predictores más poderosos no fueron solo la gravedad de la herida en la pierna, sino cómo el tratamiento interactuaba con la fragilidad general del paciente. Por ejemplo, si un paciente con demencia o debilidad física severa se sometía a una revascularización, el modelo predecía una mayor probabilidad de amputación eventual. Por el contrario, para los pacientes que eran demasiado frágiles para someterse a una cirugía, el modelo sugería que tenían menos probabilidades de tener una amputación, probablemente porque su equipo de atención los orientaba hacia opciones paliativas en su lugar. Este hallazgo resalta una realidad difícil: el camino hacia la pérdida de una extremidad a menudo está determinado no solo por la enfermedad en la pierna, sino por la capacidad del paciente para sobrevivir al viaje del tratamiento.

Sin embargo, el modelo para predecir la muerte cardiovascular contó una historia diferente. Aunque la computadora podía identificar a los sospechosos habituales —condiciones como insuficiencia cardíaca, complicaciones de la diabetes y niveles altos de azúcar en sangre—, no pudo predecir la muerte con la misma confianza que mostró para los otros resultados. La precisión de este modelo fue modesta, sugiriendo que, si bien los factores de riesgo son conocidos, el momento real de la muerte está influenciado por demasiadas variables impredecibles para ser capturadas por una sola fórmula. Los investigadores señalaron que la cirugía de revascularización, que corrige el problema local en la pierna, no parecía cambiar el riesgo de morir por un evento cardíaco. Esto implica que salvar una extremidad y salvar una vida de una enfermedad del corazón son dos batallas separadas, y arreglar una no garantiza la victoria en la otra.

El estudio también abordó una esperanza común en la investigación médica: que la inteligencia artificial pudiera descubrir factores de riesgo nuevos y ocultos que los médicos nunca hayan considerado. En este caso, la computadora no encontró códigos secretos. Las variables más importantes que identificó fueron aquellas que los clínicos ya sabían que eran críticas. El enfoque de aprendizaje automático no inventó conocimiento nuevo; en cambio, confirmó que la comprensión existente de la enfermedad vascular es robusta. Demostró que si se reúne suficiente información de una manera limpia y organizada, los patrones de la enfermedad se vuelven claros. El hecho de que el modelo pudiera predecir la amputación tan bien sugiere que, con los datos adecuados, podemos prever estos resultados, pero también muestra que predecir la muerte sigue siendo un desafío mucho más difícil porque el cuerpo humano puede fallar de muchas maneras diferentes.

Este trabajo representa un paso significativo en la forma en que utilizamos los datos para cuidar a los pacientes con condiciones que amenazan la extremidad. Al organizar los registros de salud electrónicos en un formato estándar y añadir detalles específicos sobre la enfermedad de los vasos sanguíneos, los investigadores crearon una herramienta que puede aprender de las experiencias de casi 180,000 personas. Los modelos que construyeron no son perfectos, y fueron probados en pacientes de un solo sistema de salud, lo que significa que deben ser verificados con datos de otros hospitales para asegurar que funcionen en todas partes. Sin embargo, los resultados ofrecen un vistazo prometedor a un futuro donde los médicos pueden usar la sabiduría colectiva de millones de registros de pacientes para tomar decisiones mejores y más personalizadas. Para el paciente que enfrenta la pérdida de una extremidad, este tipo de claridad podría significar la diferencia entre un plan de tratamiento que funciona y uno que no, convirtiendo una incertidumbre aterradora en un camino manejable a seguir.