Los hospitales universitarios Fundación Jiménez Díaz, Rey Juan Carlos, Infanta Elena y General de Villalba, del grupo Quirónsalud, desarrollaron un algoritmo basado en el Big Data que predice la probabilidad de empeoramiento de los pacientes hospitalizados.
La nueva herramienta con la que los cuatro Hospitales Públicos gestionados por Quirónsalud en la Comunidad de Madrid -los hospitales universitarios Fundación Jiménez Díaz (Madrid), Rey Juan Carlos (Móstoles), Infanta Elena (Valdemoro) y General de Villalba (Collado Villalba)- cuentan para luchar contra el Covid-19 es un algoritmo predictivo, basado en el Big Data, que permite pronosticar en tiempo real la progresión de muchos pacientes afectados por el coronavirus.
El sistema ofrece un patrón de comportamiento que, como explica Antonio Herrero González, responsable de Big Data de la red asistencial, permite prever la evolución, en términos de mortalidad y de empeoramiento (riesgo de ingreso en la Unidad de Cuidados Intensivos en las siguientes horas), de aquellos pacientes hospitalizados que cumplen con determinados criterios.
El algoritmo parte de ciertos parámetros como los datos demográficos del paciente (edad, sexo), sus antecedentes personales (si es fumador o diabético, si tiene hipertensión o problemas cardiovasculares, pulmonares, neurológicos, oncológicos, renales, etc), fármacos administrados (antes y en el momento del ingreso), otras variables como el grupo sanguíneo, el Índice de Masa Corporal (IMC), si ha estado previamente en la UCI o ha sido sometido a ventilación mecánica, y hasta 382 variables de laboratorio y su evolución temporal.
“El análisis de esta información en los más de 15.000 pacientes con Covid que estuvieron hospitalizados en estos cuatro hospitales desde la primera ola y el inicio de la segunda, mediante el empleo de métodos de machine learning, permitió seleccionar las variables más relevantes, un total de 20, que ofrecen patrones de comportamiento de los pacientes positivos a través de los cuales se puede prever su evolución“, explica Herrero.
Y los doctores Alfonso Cabello y Felipe Villar, jefes asociados, respectivamente, de los servicios de Medicina Interna y Neumología de la Fundación Jiménez Díaz, también implicados en el proyecto, así como el Dr. José María Milicua, jefe asociado de la UCI del hospital madrileño, agregan que se trata de una herramienta que “permite constatar patrones con datos clínicos, mejorando la calidad y seguridad del proceso, y que ofrece una información adicional de gran utilidad para los profesionales médicos de cara a la toma de decisiones”.
En términos de gestión asistencial, el algoritmo ayuda a optimizar la eficiencia, ya que agiliza la actuación sobre los enfermos: “Poder prever la necesidad de determinados recursos con varios días de antelación nos ha permitido adelantarnos a las necesidades de los pacientes”, coinciden los especialistas, quienes también resaltan que “los beneficios del sistema son igualmente claros para los pacientes, ya que su experiencia en el hospital se mejora desde el momento que se cuenta con factores que van a indicar su evolución”.
A partir de las 20 variables identificadas como relevantes, los integrantes del proyecto realizaron un ajuste empleando árboles de decisión de hasta cuatro niveles de complejidad, para tener una visión global de cómo afectaría cada variable al triaje. Concretamente, sobre el conjunto de 20 variables se aplicó el algoritmo Bayesian Ruleset (que calcula la probabilidad de un suceso, teniendo información previa sobre ese suceso), “que proporciona el conjunto de reglas de umbrales que mejor predice la gravedad futura del paciente”, detalla Herrero.
Posteriormente, una vez identificadas las variables relevantes, se entrenaron dos modelos con el objetivo de identificar probabilidades asociadas a un paciente hospitalizado, de precisar su ingreso a la UCI o de fallecer. Finalmente, la información del enfermo y sus indicadores analíticos se pasan por estos modelos para obtener las estimaciones correspondientes: unos resultados que se cargan en tiempo real en la base de datos y se integran en la historia clínica del paciente, generando la alerta de predicción respectiva, que agiliza y facilita la toma de decisiones.
El algoritmo, en cuyo desarrollo e implementación están implicados los servicios más involucrados en la lucha contra la Covid-19 -Medicina Interna, Neumología, UCI y UCIR (Unidad de Cuidados Intermedios Respiratorios)- de esta red asistencial, además de su Departamento de Big Data, comenzó a implementarse en Urgencias el mes de septiembre pasado, para ampliarse a Hospitalización, UCI y UCIR a mediados de diciembre.
Actualmente todos estos departamentos se benefician del proyecto, pero también lo retroalimentan y mejoran constantemente con el análisis de los resultados en sus pacientes. “Esto ha permitido ampliar la muestra, ajustar los parámetros, incluir nuevas variables y optimizarlas, enriqueciendo y completando permanentemente el algoritmo”, indica el responsable de Big Data de los cuatro hospitales.
Así, tras entrenar los modelos y ajustarlos a los datos disponibles, se reevaluó la importancia de las variables para cada uno de ellos. Variables como la edad, el IMC o la fracción inspirado de oxígeno (FiO2) tuvieron un peso relevante en ambos modelos de predicción. Y, a corto plazo, se espera sumar otras que ayuden a mejorar la precisión de los resultados.
Fuente:
