Herramienta de IA ayuda a prevenir la propagación de infecciones por C. difficile en entornos hospitalarios

Clostridioides difficile (C. difficile) es un tipo de bacteria que puede ser particularmente dañina para pacientes con problemas de salud. Fuera del cuerpo humano, C. difficile se transforma en esporas que pueden permanecer en superficies durante períodos prolongados, a veces durante meses. Este patógeno resistente, que provoca diarrea intensa e inflamación en el intestino, no se elimina fácilmente con muchos desinfectantes, incluidos los desinfectantes de manos a base de alcohol. Su persistencia y la presencia de pacientes susceptibles convierten a C. difficile en una amenaza seria en los entornos de atención médica.

Este peligro se ve agravado por la prescripción de antibióticos, que incrementan la probabilidad de infección en pacientes de riesgo (haciéndolos diez veces más susceptibles), ya que los antibióticos eliminan las defensas microbianas naturales del intestino, debilitando la resistencia del organismo a patógenos como C. difficile. Ahora, herramientas basadas en inteligencia artificial (IA), implementadas por primera vez en un hospital, han ayudado a los médicos a reducir la propagación de esta infección.

En un estudio dirigido por la Universidad de Michigan (Ann Arbor, MI, EUA), el nuevo protocolo implementado en un entorno hospitalario condujo a una reducción significativa en las prescripciones de antibióticos, disminuyendo el uso de antimicrobianos entre un 10 % y un 15 %. Cabe destacar que esta disminución en el uso de antibióticos no se tradujo en hospitalizaciones más prolongadas, un aumento en las tasas de reingreso ni una mayor mortalidad. . Aunque la incidencia de C. difficile mostró una tendencia a la baja durante el periodo del estudio, no alcanzó un umbral de significación estadística. Esta aplicación clínica representó la culminación de un proceso de desarrollo que tomó una década.

Inicialmente, los investigadores crearon un modelo predictivo que analizaba datos hospitalarios históricos para identificar a los pacientes con alto riesgo de infección por C. difficile. El algoritmo de aprendizaje automático se entrenó con datos como la medicación de los pacientes, resultados de laboratorio, ingresos hospitalarios previos, afecciones coexistentes, datos demográficos y proximidad a otros pacientes infectados. Al probarlo con un nuevo grupo de pacientes que no formaban parte del conjunto de datos original, las predicciones del modelo coincidieron con los riesgos reales de infección, lo que confirmó su precisión. El enfoque mantuvo su eficacia incluso al ser adaptado específicamente para su uso en Michigan Medicine.

Avanzando hacia la implementación práctica, el equipo realizó un estudio de validación en tiempo real en 2022 en dos hospitales universitarios. El modelo generó estimaciones inmediatas de riesgo para los pacientes, las cuales fueron comparadas posteriormente con los resultados reales de infección. Tras este éxito, los investigadores desarrollaron una estrategia de prevención de infecciones que proporcionaría puntuaciones de riesgo en tiempo real y recomendaciones específicas a los médicos a través del sistema de historial clínico electrónico del hospital.

Esta estrategia multifacética fue desarrollada por un equipo de ingenieros, médicos y personal hospitalario. Las directrices ofrecidas a los profesionales sanitarios incluyeron medidas como el lavado obligatorio de manos con agua y jabón antes de entrar en la habitación del paciente, la limitación del uso de antibióticos de alto riesgo y la reevaluación de las alergias a la penicilina. Dado que muchos pacientes que antes eran alérgicos a la penicilina podrían ya no serlo, una reclasificación adecuada podría ampliar las opciones de antibióticos disponibles, opciones que presentan un menor riesgo de desencadenar infecciones por C. difficile.

Un equipo de enfermería de cuidados intensivos también ideó un uso novedoso para la puntuación de riesgo del paciente. Al asignar habitaciones, la enfermera encargada se aseguraba de que una enfermera que atendía a un paciente con una infección activa no fuera responsable de un paciente con alto riesgo, lo que ayudaba a reducir la posibilidad de transmisión. Para evaluar el impacto de la herramienta de IA, los investigadores compararon los datos del período de intervención de un año con un período de referencia antes de la introducción del sistema de IA.

Según los resultados publicados en JAMA Network Open, las tasas de infección por C. difficil disminuyeron ligeramente, pasando de 5.76 a 5.65 por cada 10,000 días-paciente, aunque este cambio no fue estadísticamente significativo. Sin embargo, hubo una reducción estadísticamente significativa en el uso de antibióticos, con una disminución del 10 % al 15 % en la cantidad de días que los pacientes pasaron bajo tratamiento antimicrobiano.

"Es gratificante ver cómo un algoritmo se convierte en algo con un impacto medible en la práctica", dijo Jenna Wiens, profesora asociada de informática e ingeniería en la UM y autora principal del estudio, que está en proceso de transferir el proyecto de monitoreo de C. difficile a Michigan Medicine, mientras se prepara para futuros proyectos de modelado con IA orientados a soluciones en el ámbito de la salud.

Enlaces relacionados:
Universidad de Michigan