Modelo de aprendizaje automático identifica con precisión pacientes quirúrgicos de alto riesgo

Antes de la pandemia de COVID-19, las complicaciones ocurridas dentro de los 30 días después de la cirugía eran la tercera causa principal de muerte en todo el mundo, responable de aproximadamente 4,2 millones de vidas al año. Reconocer a los pacientes con alto riesgo de complicaciones posquirúrgicas es crucial para mejorar las tasas de supervivencia y reducir los costos de atención médica. Los investigadores ahora han empleado el aprendizaje automático para desarrollar e implementar un modelo eficiente y adaptable para identificar pacientes hospitalizados con alto riesgo de complicaciones posquirúrgicas.

Investigadores y médicos de la Universidad de Pittsburgh (Pittsburgh, PA, EUA) y UPMC (Pittsburgh, PA, EUA) desarrollaron este modelo entrenando el algoritmo con los registros médicos de más de 1,25 millones de pacientes quirúrgicos. El modelo se centró en la mortalidad y la incidencia de eventos cerebrales o cardíacos importantes, como un accidente cerebrovascular o un ataque cardíaco, después de la cirugía. Luego, el modelo se validó utilizando los registros de otros 200.000 pacientes quirúrgicos de UPMC. Después de la validación, el modelo se implementó en 20 hospitales UPMC. Cada mañana, el programa revisa los registros médicos electrónicos de los pacientes programados para cirugía y marca a aquellos identificados como de alto riesgo. Esta alerta permite a los equipos clínicos mejorar la coordinación de los cuidados e introducir medidas de prehabilitación antes de la cirugía, como opciones de estilo de vida más saludables o una derivación al Centro de Atención Perioperatoria de la UPMC, disminuyendo así el riesgo de complicaciones. Los médicos también pueden activar el modelo a pedido en cualquier momento.

Además, el equipo de investigación comparó su modelo con el estándar de la industria, el Programa Nacional de Mejora de la Calidad Quirúrgica (ACS NSQIP) del Colegio Americano de Cirujanos, para medir aún más su eficacia. El ACS NSQIP, utilizado en hospitales de todo el país, requiere que los médicos ingresen manualmente la información del paciente y no puede hacer predicciones si faltan datos. Los investigadores encontraron que su modelo era más efectivo para identificar pacientes de alto riesgo que el ACS NSQIP. A medida que el modelo continúa ajustándose y desarrollándose, los investigadores planean entrenar el programa para predecir la probabilidad de otras complicaciones, como sepsis y problemas respiratorios, que a menudo resultan en hospitalizaciones prolongadas después de la cirugía.

“Diseñamos nuestro modelo pensando en el trabajador de la salud”, dijo Aman Mahajan, MD, Ph.D., MBA, presidente de Anestesiología y Medicina Perioperatoria, Escuela de Medicina de Pitt, y director de Servicios Quirúrgicos y Perioperatorios de UPMC. “Dado que nuestro modelo está completamente automatizado y puede hacer predicciones informadas incluso si faltan algunos datos, casi no agrega una carga adicional a los médicos y les brinda una herramienta confiable y útil”.

Enlaces relacionados:
Universidad de Pittsburgh  
UPMC