La sepsis es una respuesta clínica a una infección que puede ser bacteriana, viral, fúngica o parasitaria, y se origina en cualquier parte del organismo. Los grados más graves suelen implicar la disfunción de múltiples órganos y son la principal causa de fallecimiento hospitalaria en el mundo.

Recurriendo a los datos: la tasa de mortalidad de la sepsis grave puede alcanzar hasta el 70%, superando a enfermedades como la cardiopatía isquémica, el ictus y algunos tipos de cáncer. Además, su incidencia crece alrededor de un 3% anual debido a factores como el envejecimiento de la población, el aumento de pacientes con múltiples patologías, inmunodeprimidos y aquellos que son sometidos a terapias agresivas.

Junto a la incidencia en la salud de las personas –en los países desarrollados, se reporta un nuevo caso de sepsis grave por cada 100.000 habitantes al día–, los costes asociados a su tratamiento son elevados, estimándose en 28.000 euros por episodio en Europa y España

Poca precisión

Aunque 170 hospitales españoles han implantado un código sepsis para su detección temprana, el sistema tradicional presenta un 65% de falsos positivos y negativos. La complejidad de su diagnóstico se debe su variabilidad y a diferentes características genéticas de los pacientes. 

En este contexto, el Instituto de Ingeniería del Conocimiento (IIC) comenzó a desarrollar en 2018 un algoritmo que permitiera predecir la sepsis 24 horas antes de su aparición. Un proyecto que pusieron en marcha en colaboración con el Hospital Universitario Son Llàtzer, de Palma de Mallorca, y del que ahora se han conocido los primeros resultados: la plataforma BIAlert Sepsis ha registrado una capacidad predictiva del 96%.

Para ello, se entrenó un modelo de machine learning del que Marcio Borges, coordinador de la Unidad Multidisciplinar de Sepsis del Hospital Universitario Son Llàtzer, desvela a DISRUPTORES – EL ESPAÑOL que se han usado datos de “todos los pacientes de más de 14 años ingresados en el Hospital Son Llátzer, desde 2014 hasta 2018”. Fueron incluidos más de 203.000 enfermos, de los cuales 9.300 tenían sepsis, en todos los servicios del hospital, desde Urgencias, plantas de hospitalización hasta los enfermos críticos en la Unidad de Cuidados Intensivos (UCI).

Los métodos tradicionales “están basados en el análisis de diferentes variables de la historia clínica del paciente y alertan cuando se alcanza una puntuación determinada”, explica Borges, quien también reconoce que “la precisión era demasiado baja”. Demostraron que el suyo registraba más aciertos, con menos de un 9% de falsos positivos.

24 horas antes

La segunda fase del desarrollo fue la prospectiva: el objetivo era ver si el algoritmo era capaz de avisar en tiempo real al equipo médico si los pacientes iban a tener sepsis o no. Se llevó a cabo desde enero de 2019 a abril de 2022, periodo durante el que se emitieron 64.524 alertas de posible sepsis, de las cuales fueron revisadas un 30% (alrededor de 20.000). La herramienta demostró una enorme capacidad predictiva con menos del 1% de falsos negativos.

La plataforma, que según los investigadores del proyecto, es “la de mayor envergadura para predecir la sepsis en todas las áreas del hospital”, recoge cada 30 minutos información del paciente desde el momento que ingresa en el hospital y lanza alertas al equipo médico. Permite aplicar un mínimo de 70 variables clínicas y un máximo de 200, lo que le otorga una capacidad de predicción imposible para el ser humano e indicando si existe riesgo de sepsis 24 horas antes de que se desencadene el síndrome.

“Ha sido un cambio radical en nuestro centro. Tenemos un protocolo desde 2006, luego creamos la primera Unidad Multidisciplinar de Sepsis de España en 2010, y en 2011 introdujimos un programa informatizado de detección de posibles casos basado en un score clínico”, añade Borges. El investigador explica que este programa ya generaba una alerta en tiempo real de todos los pacientes ingresados, pero “de cada 100 avisos, 70 eran considerados falsos positivos”.

Esto generaba fatiga en los médicos, un aumento del esfuerzo y de los recursos, e incluso de costes. “Ahora ya no tenemos que esperar a que se presenten las primeras disfunciones orgánicas”, apunta Borges. En esa segunda fase, además, también trabajaron para que el código fuera “reproducible y escalable de forma industrializada”, explica Elisa Martín, directora del área de Salud del IIC.

Pronóstico personalizado

A partir de ahí, se logró crear un modelo que se adapta al perfil de los pacientes y a la variabilidad de la práctica asistencial. Y es que cada población tiene unas características que se reflejan en los registros sanitarios. “La sepsis no se define de la misma manera en todos los centros hospitalarios”, explica Martín. “Por ello es fundamental la colaboración con el equipo médico para llevar a cabo esa adaptación local".



“Nuestro trabajo es diferente de la mayoría de los estudios realizados que generan modelos predictivos, ya que estos se restringen a enfermos ingresados en UCI, pero muy pocos en todas las áreas del hospital. De ahí que se pueda exportar a otros centros, pero es fundamental que siempre se adapte al hospital en el que se implante”, resalta el investigador.

La razón es que los modelos predictivos basados en IA y machine learning (IA-ML) deben tener un periodo de entre uno y tres meses en el cual los expertos clínicos validan el modelo, y este ‘aprende’ a reconocer las características del nuevo grupo de pacientes. “Por ejemplo, nuestro modelo BIAlert original, realizado en nuestro hospital, no incluye pacientes neuroquirúrgicos o tras cirugía cardíaca porque que no tenemos esos servicios. Por lo que cuando se implante en un hospital que cuente con ellos, BIAlert debe ‘aprender' y adaptarse”, explica. 

Para implementar BIAlert Sepsis, es necesario que lo apruebe el comité ético del hospital, firmar un acuerdo de protección de datos y contar con un servidor básico. Además, se crea un diccionario de criterios clínicos estándar y se instala el sistema de forma remota. Después de leer los datos de la historia clínica cada 30 minutos y emitir alertas sobre el riesgo de sepsis, el equipo médico realiza pruebas para detectar patógenos y administrar medicación preventiva al paciente.

“BIAlert se ha creado para ser una herramienta que ayude al médico, no que lo sustituya. El facultativo siempre será quien decida si el paciente tiene o no una sepsis y el tratamiento a seguir según nuestra decisión clínica. Esta plataforma ha generado para que nos dé más tiempo para dedicarnos a otras tareas en una sanidad en la que cada día es mayor la falta de profesionales sanitarios”, incide Borges.

Tras dos años y medio en funcionamiento en el Hospital Universitario Son Llàtzer, se ha convertido en el primer software de inteligencia artificial certificado por la Comunidad Europea (CE) para la predicción de sepsis en España. Su implantación  para la gestión de pacientes ya está también en marcha en el Hospital 12 de Octubre de Madrid y el Complejo Hospitalario Universitario de Albacete.