Herramienta de IA predice con precisión signos de lesión renal en pacientes gravemente enfermos

La lesión renal aguda (IRA), caracterizada por un rápido aumento de la creatinina sérica o una disminución de la producción de orina, es una causa principal de complicaciones y aumento de la mortalidad entre los pacientes en la unidad de cuidados intensivos (UCI). A pesar de la importancia de la detección e intervención tempranas en la IRA, los métodos de seguimiento actuales, como los signos vitales, los análisis de sangre y los análisis de orina, no ofrecen soluciones eficaces. La creatinina sérica, una herramienta de diagnóstico común para la IRA, no siempre es confiable para la detección temprana. El auge de la inteligencia artificial (IA) ha dado lugar a numerosos modelos de aprendizaje automático que han demostrado una alta precisión en la predicción de los resultados en los pacientes de la UCI, incluida la detección de IRA. Sin embargo, no se ha investigado exhaustivamente el uso del aprendizaje automático para predecir la oliguria, un componente crítico de la IRA que se asocia con una mayor mortalidad.

Investigadores de la Facultad de Medicina de la Universidad de Chiba (Chiba, Japón) han desarrollado un modelo de aprendizaje automático que podría predecir la aparición de oliguria en pacientes de la UCI. Desarrollaron el modelo y evaluaron su precisión utilizando datos de una UCI mixta médica y quirúrgica de un solo centro de gran tamaño. El modelo se basó en 28 variables clínicamente relevantes, incluida la diuresis, la puntuación SOFA, la creatinina sérica, la pO2, la PDF, la IL-6 y la temperatura periférica. Mostró un área bajo la curva (AUC) alta de más de 0,90 para predecir oliguria entre 6 y 72 horas. Esta alta precisión se atribuyó al gran conjunto de datos de más de 10.000 pacientes, que proporcionó una gran cantidad de datos de entrenamiento. La alta precisión del modelo y su capacidad para predecir oliguria durante períodos más largos con el AUC permaneciendo sin cambios incluso después de reducir las variables en el desarrollo del modelo, indican su solidez.

Además, el método de predecir la aparición de oliguria a partir de un momento arbitrario podría haber mejorado la precisión al aumentar la cantidad de conjuntos de datos de entrenamiento. El modelo se construyó sobre la base de 28 variables clínicamente relevantes, aunque la superposición de las principales variables enumeradas en el modelo con las de un conjunto de datos de 1.018 valores respalda la viabilidad de las variables elegidas para la predicción. Dado que la oliguria puede identificar la IRA antes que la creatinina sérica y está relacionada con malos resultados en pacientes gravemente enfermos, este modelo de aprendizaje automático podría ser fundamental en la detección temprana de la IRA. Esta detección temprana podría conducir a un mejor manejo de los pacientes e intervenciones oportunas, lo que podría mejorar el pronóstico para este grupo de pacientes.

Enlaces relacionados:
Facultad de Medicina de la Universidad de Chiba