Un nuevo estudio ha revelado como gracias a los avances de la inteligencia artificial (IA) transparente, puede ser detectado el nivel de envenenamiento en la sangre. Todo esto ocurre a raíz de un caso muy sonado en Estados Unidos, hace 10 años lo que llevó a los expertos a cuestionarse sobre la detección temprana de la sepsis.
Para entrar en contexto, hace diez años, una pequeña niña llamada Rory Staunton, de 12 años, murió a causa de sepsis luego de que tres días antes se raspara el brazo al intentar buscar una pelota en su clase de gimnasia. La muerte ocurrió tres días después, previo a ello, la pequeña había presentado fiebre con temperatura muy alta por lo que los padres, en su momento, decidieron llevarla de inmediato a Emergencias.
Lo que al principio fue diagnosticado como una gastroenteritis viral finalmente terminó siento una sepsis lo que acabó con la vida de Rory. Con base a todo esto, el padre de Rory no hizo más que cuestionar los avances tecnológicos y cómo podría haber ocurrido en esta sociedad tan “avanzada con la tecnología.”
Lo primero, es también entender ¿qué es la sepsis?
La sepsis o septicemia es una afección médica grave, causada por una respuesta inmunitaria fulminante a una infección. El cuerpo libera sustancias químicas inmunitarias en la sangre para combatir la infección. Estas sustancias químicas desencadenan una inflamación generalizada, la cual produce coágulos de sangre y fugas en los vasos sanguíneos. Como resultado, se altera la circulación sanguínea lo que, a su vez, priva a los órganos de nutrientes y oxígeno causando daños en los órganos.
La sepsis es uno de los mayores desafíos en los hospitales, en donde es una de las principales causas de muerte. También es uno de los principales motivos por los que las personas deben reingresar en el hospital. La sepsis se presenta de modo imprevisible y puede avanzar rápidamente.
A menudo, los casos graves de sepsis son el resultado de una infección generalizada que se propaga por todo el cuerpo a través del torrente sanguíneo. En algunos casos, no se puede detectar la infección en el torrente sanguíneo y los médicos recurren a otra información, como la temperatura corporal y el estado mental, para diagnosticar la sepsis.
Con frecuencia, la sepsis es el resultado de infecciones en los pulmones, el estómago, los riñones o la vejiga. A veces, la sepsis puede ocurrir en personas que no sabían que tenían una infección.
Cada año en los Estados Unidos, la sepsis mata a más de un cuarto de millón de personas, más que un derrame cerebral, diabetes o cáncer de pulmón.
Por este motivo, investigadores han estudiado a detalle cómo detectar de manera rápida y eficaz la sepsis.
Un grupo de investigadores de Johns Hopkins publicó un trío de estudios en Nature Medicine y npj Digital Medicine, mostrando un sistema de alerta temprana que utiliza inteligencia artificial. El sistema detectó el 82% de los casos de sepsis y redujo las muertes en casi un 20%. Si bien la IA, en este caso, el aprendizaje automático, ha prometido durante mucho tiempo mejorar la atención médica, la mayoría de los estudios que demuestran sus beneficios se han realizado en conjuntos de datos históricos. Las fuentes aseguraron que, según su leal saber y entender, cuando se usa en pacientes en tiempo real, ningún algoritmo de IA ha mostrado éxito a escala. Suchi Saria, directora del Laboratorio de Aprendizaje Automático y Cuidado de la Salud de la Universidad Johns Hopkins y autora principal de los estudios, dijo que la novedad de esta investigación es cómo “la IA se implementa al lado de la cama, es utilizada por miles de proveedores y dónde estamos, viendo vidas salvadas”.
¿Cómo funciona este sistema?
El Sistema de Alerta Temprana en Tiempo Real Dirigido (TREWS por sus siglas en inglés), escanea los registros de salud electrónicos de los hospitales (versiones digitales de los historiales médicos de los pacientes) para identificar signos clínicos que predicen la sepsis, alertar a los proveedores sobre pacientes en riesgo y facilitar el tratamiento temprano. Aprovechando una gran cantidad de datos, TREWS proporciona información del paciente en tiempo real y un nivel único de transparencia en su razonamiento, según el coautor del estudio y médico de medicina interna de Johns Hopkins, Albert Wu.
Wu dijo que este sistema también ofrece un vistazo a una nueva era de electronización médica. Desde su introducción en la década de 1960, los registros de salud electrónicos han reformado la forma en que los médicos documentan la información clínica, pero décadas más tarde, estos sistemas sirven principalmente como “un block de notas electrónico”, agregó. Con una serie de proyectos de aprendizaje automático en el horizonte, tanto de Johns Hopkins como de otros grupos, Saria dijo que el uso de registros electrónicos de nuevas maneras podría transformar la prestación de atención médica, brindando a los médicos un par de ojos y oídos adicionales y ayudarlos a tomar mejores decisiones.
Es una visión tentadora, pero en la que Saria, como CEO de la empresa que desarrolla TREWS, tiene una participación financiera. Esta visión también descarta las dificultades de implementar cualquier nueva tecnología médica: los proveedores pueden ser reacios a confiar en las herramientas de aprendizaje automático y estos sistemas pueden no funcionar tan bien fuera de los entornos de investigación controlados. Los registros de salud electrónicos también vienen con muchos problemas existentes, desde enterrar a los proveedores bajo el trabajo administrativo hasta poner en riesgo la seguridad del paciente debido a fallas en el software
Sin embargo, Saria es optimista. “La tecnología existe, los datos están ahí”, dijo. “Realmente necesitamos herramientas de aumento de atención de alta calidad que permitan a los proveedores hacer más con menos”.
Actualmente, no existe una prueba única para la sepsis, por lo que los proveedores de atención médica deben armar sus diagnósticos revisando el historial médico del paciente, realizando un examen físico, realizando pruebas y confiando en sus propias impresiones clínicas. Dada tal complejidad, durante la última década, los médicos se han apoyado cada vez más en los registros de salud electrónicos para ayudar a diagnosticar la sepsis, principalmente mediante el empleo de criterios basados en reglas: si esto, entonces aquello.
Uno de esos ejemplos, conocido como los criterios SIRS, dice que un paciente está en riesgo de sepsis si dos de los cuatro signos clínicos (temperatura corporal, frecuencia cardíaca, frecuencia respiratoria, recuento de glóbulos blancos) son anormales. Esta amplitud, si bien es útil para detectar las diversas formas en que se puede presentar la sepsis, desencadena innumerables falsos positivos. Tome un paciente con un brazo roto. “Un sistema computarizado podría decir: ‘Oye, mira, frecuencia cardíaca rápida, respiración rápida’. Podría lanzar una alerta”, dijo Cyrus Shariat, médico de la UCI en el Hospital Washington en California. Es casi seguro que el paciente no tiene sepsis, pero, no obstante, dispararía la alarma.
Estas alertas también aparecen en las pantallas de las computadoras de los proveedores como una ventana emergente, lo que los obliga a detener lo que estén haciendo para responder. Entonces, a pesar de que estos sistemas basados en reglas ocasionalmente reducen la mortalidad, existe el riesgo de fatiga de alerta, donde los trabajadores de la salud comienzan a ignorar la avalancha de recordatorios irritantes. Según M. Michael Shabot, cirujano traumatólogo y exdirector clínico del Sistema de Salud Memorial Hermann, “es como una alarma contra incendios sonando todo el tiempo. Tiende a estar insensible. No le prestas atención.”
Los registros electrónicos ya no son particularmente populares entre los médicos. En una encuesta de 2018, el 71% de los médicos dijo que los registros contribuyen en gran medida al agotamiento y el 69% que les quitan un tiempo valioso a los pacientes. Otro estudio de 2016 encontró que, por cada hora dedicada a la atención del paciente, los médicos deben dedicar dos horas adicionales a los registros de salud electrónicos y al trabajo de escritorio. James Adams, presidente del Departamento de Medicina de Emergencia de la Universidad Northwestern, calificó los registros de salud electrónicos como un “pantano de información congestionado”.
Pero Adams también dijo que la industria del cuidado de la salud está en un punto de inflexión para transformar los archivos. Un registro electrónico no tiene que implicar simplemente que un médico o una enfermera introduzcan datos, dijo, sino que "debe transformarse para convertirse en una herramienta de prestación de atención clínica". Con su implementación universal y datos de pacientes en tiempo real, los registros electrónicos podrían advertir a los proveedores sobre la sepsis y otras condiciones, pero eso requerirá más que un enfoque basado en reglas.
Lo que los médicos necesitan, según Shabot, es un algoritmo que pueda integrar varios flujos de información clínica para ofrecer una imagen más clara y precisa cuando algo anda mal.
Los algoritmos funcionan buscando patrones en los datos para predecir un resultado particular, como el riesgo de sepsis de un paciente. Los investigadores entrenan los algoritmos en conjuntos de datos existentes, lo que ayuda a los algoritmos a crear un modelo de cómo funciona ese mundo y luego hacen predicciones sobre nuevos conjuntos de datos. Los algoritmos también pueden adaptarse y mejorar activamente con el tiempo, sin la interferencia de los humanos.
TREWS sigue este molde general. Primero, los investigadores entrenaron el algoritmo con datos de registros electrónicos históricos de 175,000 encuentros con pacientes, para que pudiera reconocer los primeros signos de sepsis. Después de que esta prueba mostró que TREWS podría haber identificado pacientes con sepsis horas antes de que realmente recibieran tratamiento, el algoritmo se implementó dentro de los hospitales para influir en la atención del paciente en tiempo real.
Por su parte, Saria y Wu publicaron tres estudios sobre TREWS. El primero trató de determinar qué tan preciso era el sistema, si los proveedores realmente lo usarían y si el uso condujo a un tratamiento más temprano de la sepsis. El segundo fue un paso más allá para ver si el uso de TREWS realmente reducía la mortalidad de los pacientes. Finalmente, el tercero describió lo que 20 proveedores que probaron la herramienta pensaron sobre el aprendizaje automático, incluidos los factores que facilitan y dificultan la confianza.
En estos estudios, TREWS monitoreó a los pacientes en el departamento de emergencias y las salas de hospitalización, analizando sus datos (signos vitales, resultados de laboratorio, medicamentos, historias clínicas y notas del proveedor) en busca de señales tempranas de sepsis. (Los proveedores podrían hacer esto por sí mismos, dijo Saria, pero podría tomarles entre 20 y 40 minutos). Si el sistema sospechaba una disfunción orgánica, según su análisis de millones de otros puntos de datos, marcaba al paciente y pedía a los proveedores que confirmaran la sepsis. Descartar la alerta o pausarla temporalmente.
TREWS no alerta a los proveedores con cuadros emergentes incesantes. El sistema utiliza un enfoque más pasivo, con alertas que llegan como íconos en la lista de pacientes en los que los proveedores pueden hacer clic más tarde.