AI-Enabled Early Prediction of Lassa Fever: A Clinical Decision Support System for Endemic Settings

En las regiones cálidas y húmedas de África Occidental, un juego silencioso y peligroso de triaje médico se desarrolla cada día en clínicas concurridas. Cuando un paciente llega con fiebre, dolor de cabeza y una sensación general de malestar, el médico se enfrenta a una decisión difícil. Estos síntomas son comunes a muchas enfermedades, desde la malaria hasta la fiebre tifoidea, pero también son los primeros signos de la fiebre de Lassa, una enfermedad viral hemorrágica que puede ser mortal si no se trata rápidamente. El problema es que confirmar un caso de fiebre de Lassa requiere una prueba de laboratorio especializada que suele estar lejos, es costosa o simplemente no está disponible en zonas remotas. Para cuando llega el resultado del laboratorio, es posible que el paciente ya haya contagiado el virus a otros en la sala de espera, o que su propia condición haya empeorado más allá de toda reparación. Durante décadas, los médicos han tenido que confiar en su propio juicio y en un conjunto de reglas generales para decidir quién necesita ser aislado inmediatamente y quién puede esperar. Esta incertidumbre crea un cuello de botella donde los casos más peligrosos podrían pasarse por alto, o donde los recursos limitados podrían desperdiciarse en pacientes que en realidad están sanos.

Un equipo de investigadores de Nigeria y socios internacionales ha desarrollado una nueva herramienta digital para ayudar a los médicos a navegar esta incertidumbre antes de que sea posible realizar una prueba de laboratorio. Crearon un sistema informático que actúa como un segundo par de ojos para los clínicos, analizando la información disponible en el mismísimo instante en que un paciente cruza la puerta. En lugar de esperar a un laboratorio, el sistema analiza quién es el paciente, cuánto tiempo lleva enfermo y exactamente qué síntomas presenta. Al aprender de una enorme colección de registros médicos pasados, el sistema puede detectar patrones que son demasiado sutiles para que el ojo humano los capte de manera constante. No pretende diagnosticar la enfermedad con certeza —eso todavía requiere un laboratorio—, pero puede decirle a un médico qué pacientes tienen más probabilidades de tener fiebre de Lassa y, por lo tanto, necesitan atención urgente. Este enfoque cambia el enfoque de adivinar a calcular, ofreciendo una forma de detectar la enfermedad antes en lugares donde cada minuto cuenta.

Los investigadores entrenaron este sistema utilizando una década de datos del mundo real del Hospital de Especialidades de Enseñanza de Irrua en Nigeria, uno de los centros más grandes para el tratamiento de la fiebre de Lassa en el mundo. Recopilaron registros de más de 31,000 visitas de pacientes entre 2015 y 2025, un periodo que cubrió muchos brotes diferentes y cambios en cómo se comportó la enfermedad. Para asegurar que la herramienta funcionara en el mundo real, fueron muy estrictos con la información que permitieron ver al ordenador. Solo le suministraron datos que un médico tendría al inicio de una visita: la edad del paciente, cuántos días habían pasado desde que comenzaron los síntomas y una lista de síntomas como fiebre, vómitos, dolor abdominal o ojos rojos. Dejaron fuera deliberadamente cualquier información que solo se conocería después de una prueba de laboratorio, asegurando que la herramienta pudiera utilizarse exactamente cuando más se necesita.

El equipo probó diferentes formas de enseñar al ordenador a reconocer la enfermedad, estableciéndose finalmente en un método llamado XGBoost, que es un tipo potente de algoritmo de aprendizaje que construye una compleja estructura de toma de decisiones combinando muchas reglas simples. Probaron este sistema no solo con fragmentos aleatorios de datos, sino con los registros de los años más recientes, simulando un futuro donde la enfermedad podría ser menos común de lo que fue en el pasado. Esta fue una prueba crucial porque la prevalencia de casos confirmados en sus datos disminuyó significantemente con el tiempo, pasando de casi un 11 por ciento en los primeros años a poco más del 6 por ciento en el periodo más reciente. El sistema tenía que demostrar que aún podía encontrar a los pacientes enfermos incluso cuando eran más difíciles de hallar.

Los resultados mostraron que la herramienta era excepcionalmente buena en su tarea principal: no pasar por alto a nadie que pudiera estar enfermo. En los datos más recientes, el sistema identificó correctamente casi el 98 por ciento de los pacientes que posteriormente fueron confirmados con fiebre de Lassa. Este alto nivel de sensibilidad es vital en un entorno de brote, donde el coste de perder un solo caso es la propagación continua de un virus mortal. Sin embargo, los investigadores fueron honestos sobre la compensación. Debido a que el sistema está ajustado para captar casi todos los casos posibles, también señaló a muchas personas que no tenían la enfermedad. En el grupo de prueba más reciente, solo alrededor del 6 por ciento de las personas que el sistema señaló tenían realmente el virus. Aunque esto parezca un número alto de falsas alarmas, los investigadores explican que, en una situación de triaje, es mucho mejor sobreprepararse e aislar a algunas personas sanas que pasar por alto a un solo infectado.

Para que la herramienta fuera útil para los médicos ocupados, el equipo no se limitó a dar una respuesta simple de "sí" o "no". En su lugar, organizaron las predicciones del ordenador en tres categorías claras: riesgo bajo, riesgo moderado y riesgo alto. Esto permitió al sistema clasificar a los pacientes en grupos que coincidían con diferentes niveles de urgencia. Por ejemplo, en los datos de la prueba más reciente, el grupo de "alto riesgo" contenía solo alrededor del 11 por ciento de todos los pacientes, pero incluía casi el 30 por ciento de todos los casos confirmados de fiebre de Lassa. Esto significa que la herramienta logró concentrar los casos más peligrosos en un grupo pequeño, permitiendo a los hospitales centrar sus limitadas habitaciones de aislamiento y pruebas de laboratorio en las personas que más los necesitaban. El grupo de "riesgo moderado" capturó otro 22 por ciento de los casos confirmados, asegurando que una gran mayoría de las amenazas potenciales fueran escaladas para una revisión posterior.

El sistema también proporciona una razón para su decisión, mostrando al médico qué factores específicos elevaron o bajaron la puntuación de riesgo. Por ejemplo, si un paciente es mayor y ha tenido síntomas durante solo unos pocos días, el sistema podría marcarlo como de mayor riesgo. Si tiene ojos rojos o debilidad general, esos síntomas podrían añadir puntos a la puntuación de riesgo. Esta transparencia ayuda a los médicos a confiar en la herramienta, ya que pueden ver la lógica detrás de la sugerencia en lugar de tratarla como una caja negra. Todo el sistema fue construido para ser ligero y accesible, ejecutándose en una página web sencilla que puede abrirse en un ordenador estándar o tableta sin necesidad de servidores potentes o conexiones a Internet costosas. Este diseño asegura que la tecnología pueda utilizarse en las mismas clínicas donde más se necesita, incluso en áreas con infraestructura limitada.

El estudio concluye que, si bien la herramienta no es un reemplazo para una prueba de laboratorio o el juicio de un médico, es un poderoso apoyo para los momentos críticos de la atención al paciente. Al utilizar una década de datos reales para aprender los patrones sutiles de la enfermedad, el sistema ofrece una forma de tomar decisiones más rápidas y consistentes en un entorno caótico. Los investigadores reconocen que la herramienta fue probada en una sola ubicación y que su rendimiento podría variar en otros lugares o bajo diferentes condiciones. También señalan que el alto número de falsas alarmas es parte de una estrategia de seguridad ante todo en un entorno de baja prevalencia. No obstante, la capacidad de captar casi todos los casos confirmados mientras se clasifican los pacientes en grupos de riesgo claros sugiere que este tipo de apoyo digital podría convertirse en un estándar de cómo los médicos luchan contra la fiebre de Lassa, cambiando el rumbo de un tratamiento reactivo hacia una contención proactiva.