La inteligencia artificial se está convirtiendo en una herramienta clave en muchos hospitales. En España esta tecnología sirve de apoyo médico para tratar enfermedades como el cáncer o la COVID-19. Pueden utilizarse para acompañar a los pacientes en sus dudas, así como para acelerar la detección de casos graves de sepsis y alertar a los médicos cuando un enfermo se acerca a un punto crítico donde ya no podrán salvarlo.

La Sociedad Española de Quimioterapia (SEQ) describe la sepsis como un problema "cada vez más frecuente, que se encuentra entre las principales causas de enfermedad crítica y mortandad", en un estudio donde indica la necesidad de mejorar el pronóstico de esta emergencia ocasionada por una infección.

Investigadores del MIT (Instituto Tecnológico de Massachusetts) en Estados Unidos han desarrollado un sistema de aprendizaje automático que identifica los tratamientos que pueden suponer un mayor riesgo para el paciente, además de advertir a los médicos cuándo el paciente séptico se acerca a una muerte segura.

Punto de no retorno

La sepsis es una respuesta extrema del cuerpo humano que se produce cuando una infección provoca una reacción en cadena. Sin un tratamiento óptimo y rápido, el problema se traduce en daños en los tejidos, fallo orgánico y el fallecimiento del paciente.

Las infecciones pueden comenzar por un simple corte o un problema pulmonar, de estómago o riñones. Y las personas que tienen mayor probabilidad de que una infección se traduzca en una sepsis son aquellas con enfermedades crónicas como la diabetes, con sistemas inmunitarios debilitados, personas de avanzada edad o recién nacidas.

Paciente en la cama de un hospital

En España se registran al año 50.000 casos de sepsis, mientras que en Estados Unidos este problema médico se cobra la vida de 270.000 personas. Cifras alarmantes que derivan de la dificultad para encontrar un tratamiento óptimo en poco tiempo. "Durante las primeras horas de una sepsis grave, administrar demasiado líquido (antibióticos) por vía intravenosa puede aumentar el riesgo de muerte del paciente" explica el MIT en su informe.

El modelo de aprendizaje automático desarrollado por los investigadores de esta institución tecnológica pretende ayudar a los médicos a tomar decisiones en esas horas clave. Entre las capacidades del algoritmo está la de reconocer cuándo un paciente "se acerca a un callejón sin salida", es decir, cuando el enfermo empieza a empeorar y se encamina a un punto en el que ningún tratamiento servirá para salvarle.

Inteligencia Artificial como herramienta médica

El estudio realizado para nutrir con datos a esta inteligencia artificial ha revelado que el 3% de los pacientes que murieron de sepsis entraron en ese callejón sin salida médico 48 horas antes de fallecer. "Nuestro modelo reacciona casi ocho horas antes de que un médico reconozca el deterioro del paciente" explica Taylor Killian, miembro del equipo de desarrollo y estudiante de posgrado en el Grupo de ML Saludable del Laboratorio de Informática e Inteligencia Artificial (CSAIL).

Killian trabaja junto a Marzyeh Ghassemi, autora principal del proyecto y directora del grupo Healthy ML, quien, a sabiendas de siniestro que puede resultar que una máquina indique quién tiene más probabilidades de sobrevivir en urgencias, recalca que el modelo está destinado a ayudar a los médicos, no a reemplazarlos. "Los médicos humanos son quienes queremos que tomen decisiones sobre la atención y los consejos (de la IA) sobre qué tratamiento deben evitar no cambiarán eso" asegura.

Biotecnología

Tras dos años de lucha internacional contra la pandemia, en la que la saturación hospitalaria ha forzado a la comunidad sanitaria a decidir qué pacientes se iban a beneficiar mejor de los escasos tratamientos y recursos. La idea de que un algoritmo determine cuando un paciente se acerca a una alta probabilidad de muerte despierta muchas alarmas. No obstante, los investigadores de este modelo de aprendizaje automático reiteran que su objetivo es ofrecer la mayor información posible al personal sanitario y que sean ellos quienes determinen cómo tratar al enfermo.

Descartando tratamientos

Durante el estudio, los investigadores determinaron la importancia que tiene el tipo de tratamiento en ese momento clave. "Descubrimos que más del 11% de los tratamientos subóptimos podrían haberse evitado porque había mejores alternativas disponibles para los médicos en esos momentos" dice Killian.

La tecnología como apoyo para curar enfermedades Unplash Omicrono

Los investigadores han utilizado un conjunto de datos de más de 19.000 pacientes de la unidad de cuidados intensivos del Beth Israel Deaconess Medical Center, para entrenar al modelo y que sea capaz de determinar los tratamientos que deberían evitarse, pues tienen un mayor impacto negativo en el paciente y potencian la caída del enfermo a ese callejón sin salida que se quiere evitar.

Explican los investigadores, que tuvieron que diseñar una nueva estrategia para entrenar al algoritmo, pues el aprendizaje por refuerzo, que se basa en prueba y error, no era ético ante casos médicos. En su lugar, optaron por un enfoque llamado Dead-end Discovery (DeD) que se sustenta en dos copias de una red neuronal, una se dedica a estudiar los datos de pacientes que murieron y otra analiza los datos y tratamientos usados en pacientes que sobrevivieron.

Paciente en un hospital Unplash Omicrono

Los resultados obtenidos reflejaron que entre el 20 y el 40% de los pacientes que fallecieron por sepsis mostraron dos fases de empeoramiento, que se han nombrado como una primera bandera amarilla y una segunda bandera roja, esta última 48 horas antes de morir. Para los enfermos que sobrevivieron, esa primera bandera amarilla supuso un punto crítico en el que las decisiones tomadas por los médicos sobre el tratamiento les salvaron la vida.

Así esta tecnología está aprendiendo a analizar cada detalle de ese proceso médico por el que pasan los enfermos en pocos días. No obstante, esta inteligencia artificial no llegará a los hospitales en breve, solo se encuentra en sus primeras fases de desarrollo y los investigadores se proponen continuar mejorando el modelo para estimar las relaciones causales entre el tratamiento y la evolución del paciente.

También te puede interesar...

Noticias relacionadas