El estudio aprovecha la inteligencia artificial para predecir el riesgo de úlceras por decúbito en pacientes hospitalizados

Las úlceras por decúbito, también conocidas como lesiones por presión, son la afección hospitalaria de más rápido crecimiento, según la Agencia de Estados Unidos para la Investigación en Calidad de la Atención Médica y, como resultado, se han convertido en la segunda razón más común de demandas por negligencia médica en los Estados Unidos.

Aunque la mayoría de las lesiones por presión adquiridas en hospitales se pueden prevenir razonablemente, aproximadamente 2,5 millones de personas en los Estados Unidos desarrollan una lesión por presión en centros de cuidados intensivos cada año y 60.000 mueren. El costo anual total para los sistemas de salud estadounidenses para gestionar las necesidades agudas de las lesiones por presión de los pacientes durante la hospitalización supera los 26 mil millones de dólares y, sin embargo, las lesiones por presión han recibido relativamente poca atención como crisis de salud pública.

Investigadores de la USC, la Universidad Johns Hopkins y el Centro Médico de los Hospitales Universitarios de Cleveland han colaborado para aprovechar las técnicas de aprendizaje automático para desarrollar un nuevo modelo para predecir el riesgo futuro de lesiones por presión y una mejor atención directa al paciente que requiere mucha mano de obra.

Publicado hoy en Abierto BMJel nuevo modelo de evaluación de riesgos aumenta la precisión de la predicción a más del 74%, un aumento de más del 20% con respecto a los métodos existentes.

Las prácticas y pautas comunes para prevenir las lesiones por presión consumen mucho tiempo y son agotadoras para las enfermeras que trabajan junto a la cama. La herramienta estándar de la industria para predecir el riesgo de lesión por presión, la Escala Braden en papel, no ha cambiado desde su origen en la década de 1980 y tiene una tasa de precisión del 54%, señalan los investigadores.

Ahorrando tiempo, costes y vidas

Los investigadores señalan que el análisis predictivo ofrece el potencial de aliviar parte de la carga de las enfermeras y los proveedores de atención médica de primera línea al automatizar parte del proceso de evaluación de riesgos. Actualmente, los proveedores de cuidados intensivos deben realizar una revisión de la piel y una evaluación del riesgo de lesiones por presión al momento del ingreso y cada 12 a 24 horas posteriormente, utilizando un instrumento estandarizado como la Escala Braden, que evalúa principalmente la movilidad, la cognición, la nutrición y el manejo de la incontinencia.

«La prevención de lesiones por presión es un protocolo costoso de implementar a diario, y la herramienta existente para predecir las lesiones por presión es apenas mejor que lanzar una moneda al aire», dice William Padula, profesor asistente de economía farmacéutica y de la salud en USC Mann y miembro de el Centro Leonard D. Schaeffer de Política y Economía de la Salud de la USC. «Pensamos que tiene que haber una mejor manera de hacer esto. La pregunta fue: ¿podría una computadora realizar estas evaluaciones de riesgos mejor que las propias enfermeras al lado de la cama?»

El algoritmo predictivo desarrollado por el equipo ofrece una mayor eficiencia económica y ahorros sustanciales. Dado que una evaluación de riesgos puede tardar entre cinco y 15 minutos por paciente, esto podría representar hasta 250 horas de trabajo en una sola instalación de 500 camas por día, y entre 30.000 y 90.000 horas de trabajo por año.

«Estos datos podrían ayudar a los hospitales a conservar recursos dentro de un período crítico de vulnerabilidad del paciente a lesiones por presión adquiridas en el hospital que no son reembolsadas por Medicare de EE. UU.», dice Peter Pronovost, director de calidad y transformación del University Hospitals Cleveland Medical Center, ex director del Instituto Armstrong para la Seguridad del Paciente del Hospital Johns Hopkins.

La investigación también fomenta mejoras en la equidad sanitaria. Las herramientas existentes no tienen en cuenta la raza, el color de la piel o la edad. «Si no se pueden ver los hematomas en la piel de un paciente porque es negro, hispano o asiático, entonces no se podrán identificar tan rápidamente los mayores factores de riesgo que enfrenta», añade Padula. «Los métodos de aprendizaje automático no están sesgados por lo que vemos en la luz del sol. Esto nos permite mejorar la equidad en la prestación de atención médica cuando se trata de la prevención de estas afecciones que afectan de manera desigual a las minorías subrepresentadas».

Métodos de inteligencia artificial

Utilizando métodos de aprendizaje automático, los investigadores analizaron los registros médicos electrónicos de más de 35.000 hospitalizaciones durante cinco años en dos hospitales académicos para analizar los cambios en el riesgo de lesiones por presión a lo largo del tiempo. Examinaron variables que incluyen códigos de diagnóstico de admisión, medicamentos recetados, órdenes de laboratorio y otros factores más estrechamente asociados con los factores de riesgo de lesiones por presión.

«La detección temprana basada en IA supera significativamente el estándar de atención. Los hospitales pueden utilizar esto para iniciar un programa de mejora de la calidad para la prevención de lesiones por presión que mejore los resultados y reduzca significativamente la carga de enfermería derivada de los enfoques de seguimiento actuales. Además, pueden personalizar el algoritmo a la variación específica del paciente según el centro», dice Suchi Saria, catedrático John C. Malone y profesor de IA en Johns Hopkins y director ejecutivo de Bayesian Health, una empresa de plataforma clínica de IA.

Los investigadores realizaron análisis utilizando técnicas de aprendizaje automático como bosques aleatorios y redes neuronales para reducir aún más los pesos específicos de esas variables sobre los cambios y el riesgo de un caso de lesión por presión y generaron el modelo final. También identificaron una lista de medicamentos recetados (betabloqueantes, electrolitos, reemplazo de fosfato, reemplazo de zinc, agentes estimulantes de la eritropoyetina, tiazidas/diuréticos, vasopresores) que cambian el riesgo de los pacientes de sufrir lesiones por presión.

«Este es, hasta donde sabemos, el estudio metodológico más avanzado hasta el momento para utilizar inteligencia artificial para ayudar a detectar mejor las lesiones por presión», dice David Armstrong, profesor de cirugía en la Facultad de Medicina Keck de la USC.