Un estudio reciente mostró que gracias a un modelo de predicción de ocupación de camas UCI se logró evitar muertes por COVID-19. Se realizaron distintos informes, considerando las posibilidades de evolución de estado de los pacientes y sus características personales, lo que permitió un uso más eficiente y eficaz de las camas UCI.
Al inicio de la pandemia, el rápido incremento de contagios por COVID-19 comenzó a amenazar la capacidad de los servicios de salud. Esto llevó a que el Ministerio de Salud tomara el control de todas las camas UCI del país para coordinar los hospitales públicos y privados en un solo sistema. Además, impulsó la adición de capacidad UCI y el traslado interregional de pacientes a las ciudades menos congestionadas, debido a la preocupante tasa de ocupación de camas UCI, que alcanzaba más del 95% en Santiago.
Para hacer posible esta gestión, era necesaria una previsión detallada de cuántas camas se iban a necesitar en cada región. Un equipo de investigación liderado por el investigador del Instituto Milenio MIPP, Marcel Goic, realizó el estudio “COVID-19: Short-term forecast of ICU beds in times of crisis” y desarrolló modelos de predicción a corto plazo de la ocupación UCI para todas las regiones.
La metodología se basó en una variedad de modelos de pronóstico que capturan diferentes componentes de la evolución del brote.
«El primer modelo que se construyó fue un modelo compartimental que describía el flujo de pacientes como una progresión estocástica a través de diferentes estados clínicos. Los nuevos pacientes requerirían una cama de UCI después de un número específico de días con una probabilidad dada, y serían dados de alta después de un número de días de acuerdo con una distribución determinada», explica Goic y agrega que, «en el contexto de COVID-19, la demora entre la identificación de un nuevo caso y el requisito de una cama de UCI, la duración de la ventilación mecánica y la probabilidad de requerir atención urgente eran algunos de los parámetros que podían cambiar con el tiempo. Y como estos no son capturados adecuadamente por este tipo de modelo, se incluyeron varios modelos autorregresivos y de machine learning que podrían capturar mejor las variaciones dinámicas en el entorno. Luego, se combinaron los resultados de los pronósticos de los diferentes modelos utilizando un conjunto de media recortada».
Los errores de predicción promedio fueron de 4% y 9% para horizontes de una y dos semanas, respectivamente. Estas fueron informativas para apoyar a los tomadores de decisiones durante la crisis sanitaria.
De esta forma, la estimación del impacto de estos modelos demostró que fueron útiles para evitar aproximadamente 850 muertes, ya que los pronósticos de esta investigación tuvieron una alta precisión. Goic explica que la exactitud en los pronósticos era fundamental, debido a que “una subestimación de las camas podría haber dejado a los pacientes sin tratamientos críticos, y al mismo tiempo una sobreestimación de camas era costosa”.
