La sepsis es una de las principales causas de muerte infantil en todo el mundo. Con el fin de prevenir esta afección, investigadores del Hospital Infantil Ann y Robert H. Lurie de Chicago, Estados Unidos, desarrollaron y validaron modelos de inteligencia artificial (IA) que identifican con precisión a los niños con alto riesgo de sepsis en un plazo de 48 horas. El avance resulta especialmente valioso, dado que esta patología puede deteriorar el organismo de manera rápida y severa.
La enfermedad se produce cuando el sistema inmunitario reacciona de manera extrema a una infección, provocando una disfunción orgánica. Tal reacción daña los propios tejidos y órganos, lo que puede provocar un choque, una insuficiencia multiorgánica y, en ocasiones, la muerte, sobre todo si no se detecta y trata a tiempo, detalla la OMS.
«Un gran avance hacia la medicina de precisión»
El estudio se centró en el entrenamiento de modelos de IA con datos de historias clínicas de más de 2,3 millones de visitas pediátricas de pacientes entre los dos meses y 18 años de edad.
Así, se analizaron las constantes vitales, el triaje, la edad y otra información clínica temprana, datos que suelen estar disponibles durante las primeras cuatro horas en el servicio de urgencias. Los expertos definieron la enfermedad utilizando los criterios de sepsis de Phoenix, que combinan la sospecha de infección y la disfunción orgánica, realizando un seguimiento de los menores que desarrollaron sepsis o fallecieron en las 48 horas siguientes después de llegar al hospital.
«Los modelos predictivos que desarrollamos representan un gran avance hacia la medicina de precisión para la sepsis pediátrica», afirmó Elizabeth Alpern, autora principal del estudio. «Estos modelos demostraron un sólido equilibrio en la identificación de niños en urgencias que posteriormente desarrollarían sepsis, sin sobrediagnosticar a aquellos que no están en riesgo. Esto es fundamental, ya que queremos evitar tratamientos agresivos en niños que no los necesitan», continuó.
Principales limitaciones
Los datos utilizados procedían de hospitales grandes y bien equipados, lo que significa que los centros más pequeños o rurales podrían no obtener los mismos resultados. Asimismo, los modelos se basaron en casos anteriores, no en ensayos hospitalarios en tiempo real, por lo que se requieren nuevas pruebas en entornos reales.
Integrar la tecnología sin problemas en el flujo de trabajo diario supone otro reto. Un exceso de alertas podría provocar ‘fatiga de alarmas’, haciendo que el personal ignore advertencias críticas. Las diferencias en la calidad de los datos o en las poblaciones de pacientes también podrían afectar los resultados. Aun así, los especialistas consideran que el potencial es evidente.
