Early detection of six-week post-discharge mortality and readmission among postpartum women and newborns in Uganda: development and temporal validation of multivariable prediction models

En muchas partes del mundo, el momento más peligroso para una madre y su recién nacido no es durante el parto en sí, sino en las semanas que le siguen. Si bien los hospitales han mejorado en la entrega segura de bebés, la atención que ocurre después de que una familia abandona el edificio a menudo se desmorona. Los sistemas de salud suelen estar sobrepasados, y las familias pueden irse del hospital antes de haber recibido un chequeo completo, solo para regresar días o semanas después cuando una simple infección se ha convertido en una emergencia de riesgo vital. El desafío para los médicos es saber qué familias están seguras para irse a casa y cuáles necesitan atención adicional, visitas extra o ayuda inmediata. Sin una forma de detectar estos riesgos tempranamente, los trabajadores de la salud deben tratar a todas las familias por igual, una estrategia que desperdicia recursos escasos en casos de bajo riesgo mientras pasa por alto a aquellos de alto riesgo que necesitan ayuda más.

Para resolver esto, un equipo de investigadores en Uganda se propuso construir una herramienta práctica que pudiera actuar como un sistema de triaje en el momento del alta. Querían ver si podían utilizar la información básica ya disponible en una historia clínica hospitalaria —cosas como la frecuencia cardíaca de la madre, el tipo de parto o si el bebé necesitó ayuda para respirar— para predecir quién se enfermaría de nuevo dentro de las seis semanas siguientes. Al analizar datos de miles de madres y bebés, desarrollaron modelos computacionales simples que podían clasificar a las familias en categorías de riesgo. El objetivo no era reemplazar a los médicos, sino darles una señal clara y basada en evidencia para ayudarles a decidir quién necesita una visita de seguimiento y quién puede irse a casa con tranquilidad.

El estudio se llevó a cabo en dos grandes hospitales regionales en Uganda, uno en el suroeste y otro en el este, que atienden a una población combinada de casi un millón de personas. Durante un periodo de más de un año, el equipo de investigación reclutó a miles de mujeres que acababan de dar a luz. Recopilaron una amplia gama de información, desde la presión arterial y la temperatura de la madre hasta el peso del bebé y los niveles de oxígeno. También registraron detalles sobre el embarazo, como si la madre había sido diagnosticada con malaria o VIH, y cuánto tiempo tuvo la familia que viajar para llegar al hospital. Una vez que las madres y los bebés fueron dados de alta, el equipo les hizo un seguimiento seis semanas después, ya sea por teléfono o en persona. Rastrearon si las madres habían sido readmitidas en el hospital por infecciones relacionadas con el parto, y si los bebés habían muerto o habían sido readmitidos por una enfermedad grave.

Los investigadores descubrieron que, si bien la mayoría de las familias lo hicieron bien, un número significativo enfrentó complicaciones graves. Entre las casi siete mil madres que completaron el estudio, ninguna murió, pero más del tres por ciento tuvo que regresar al hospital, siendo más de la mitad de esos retornos causados por infecciones como infecciones del sitio quirúrgico o sepsis. Para los bebés, la situación era ligeramente más precaria; alrededor del 3,8 por ciento de los recién nacidos fueron readmitidos, y una pequeña pero trágica fracción murió dentro de ese periodo de seis semanas. El equipo utilizó entonces estos datos para entrenar sus modelos de predicción. Probaron miles de combinaciones diferentes de variables para encontrar el conjunto más pequeño de hechos que aún pudiera identificar con precisión a las familias en riesgo. Descubrieron que no necesitaban una batería compleja de pruebas; un puñado de observaciones de rutina era suficiente para hacer una predicción fiable.

Para las madres, el modelo final dependía de ocho piezas clave de información. Estas incluían cómo nació el bebé, la frecuencia cardíaca de la madre al momento del alta, si tuvo una infección del tracto urinario durante el embarazo y si el bebé necesitó reanimación al nacer. Otros factores, como si la madre tuvo VIH o malaria durante su embarazo, y si se iba del hospital en contra del consejo médico, también jugaron un papel. Cuando los investigadores probaron este modelo, resultó bastante efectivo para detectar a las mujeres que se enfermarían de nuevo. Logró un AUC de 0,8 para identificar a las mujeres que eventualmente serían readmitidas por una infección, mientras que logró un AUC de 0,7 para identificar correctamente a aquellas que permanecerían sanas. Este equilibrio significaba que la herramienta podía señalar a las personas adecuadas para recibir atención adicional sin saturar el sistema con falsas alarmas.

El modelo para los recién nacidos era ligeramente diferente porque tenía que predecir dos cosas: muerte y readmisión. El equipo encontró que los mejores predictores para el riesgo de un bebé incluían el estado de VIH de la madre, si la madre tenía una producción de leche deficiente, el peso del bebé y cuánto tiempo tardó la familia en llegar al hospital. El modelo también consideró si la madre tuvo alguna condición diagnosticada durante el embarazo y si se utilizaron antibióticos durante la hospitalización. Aunque el modelo para recién nacidos era bueno identificando el riesgo, era menos preciso que el modelo materno, logrando un AUC de 0,8 para identificar a los bebés que morirían o serían readmitidos, pero con una mayor tasa de falsas alarmas. Esto se debe en parte a que el número de muertes era muy bajo, lo que hace estadísticamente más difícil construir un predictor perfecto para ese resultado específico.

Para asegurar que sus hallazgos no fueran solo una casualidad afortunada específica de un grupo de personas, los investigadores probaron su modelo materno en un conjunto diferente de datos del mismo hospital, recolectados unos años antes. El modelo funcionó tan bien con estos datos más antiguos como con los nuevos, lo que sugiere que las reglas que aprendió son estables y fiables a lo largo del tiempo. Esto dio al equipo la confianza de que la herramienta podría funcionar en el mundo real, incluso cuando las poblaciones de pacientes cambian ligeramente. El estudio también destacó que las razones más comunes para que las madres regresaran al hospital eran infecciones directamente relacionadas con el parto, como infecciones de la herida quirúrgica o del útero, en lugar de enfermedades no relacionadas como la malaria. Esto confirmó que centrarse en estas complicaciones específicas y prevenibles era la estrategia correcta para una herramienta de alta médica.

Los investigadores fueron cuidadosos al señalar los límites de su trabajo. Los modelos fueron construidos y probados solo en Uganda, y aunque los hospitales atendían a una población grande y diversa, los resultados podrían no aplicarse exactamente de la misma manera en otros países o en clínicas rurales más pequeñas. También señalaron que su herramienta fue diseñada específicamente para detectar infecciones obstétricas y no tiene en cuenta otras razones por las que una madre podría enfermar, como problemas de salud mental o lesiones. Además, debido a que el número de muertes de recién nacidos era muy pequeño, el modelo para predecir la mortalidad infantil era menos certero que el de las readmisiones. A pesar de estas limitaciones, el estudio demostró que es posible crear un sistema sencillo basado en el riesgo utilizando datos que ya se están recolectando en la atención rutinaria.

El valor último de este trabajo reside en su potencial para cambiar la forma en que se imparte la atención posnatal. En lugar de un enfoque generalizado donde cada familia recibe el mismo consejo, los trabajadores de la salud podrían utilizar estos modelos para identificar a los díadas específicos que necesitan más apoyo. Una madre señalada como de alto riesgo podría ser priorizada para una visita domiciliaria, recibir asesoramiento más detallado sobre signos de advertencia o ser referida a un trabajador de salud comunitaria de inmediato. Este enfoque dirigido respeta la realidad de los sistemas de salud sobrecargados al dirigir los recursos limitados a las personas que más los necesitan. Al convertir las observaciones clínicas de rutina en una señal clara para la acción, el estudio ofrece un camino hacia la prevención de lo prevenible, asegurando que la seguridad de una madre y su bebé se extienda mucho más allá de las puertas del hospital.