Detección de predictores de mortalidad mediante inteligencia artificial en situaciones de emergencia sanitaria: estudio de caso en pacientes con COVID-19

Abstract

Desde los primeros casos identificados en diciembre de 2019, la pandemia de la COVID-19 ha supuesto una crisis sanitaria global que ha puesto en jaque a los sistemas sanitarios de todo el mundo. El cuadro clínico de la infección abarca desde casos asintomáticos hasta pacientes muy críticos, pudiendo provocar la muerte. Esta variabilidad se debe a factores que influyen en la capacidad del sistema inmune para responder al proceso inflamatorio y la “tormenta de citoquinas” que se puede producir tras la infección. Su alta transmisibilidad, las nuevas variantes emergentes y las características de cada población han evidenciado la necesidad de implementar protocolos de atención y diagnóstico adaptados y personalizados.

La inteligencia artificial y, en concreto, los algoritmos de aprendizaje automático o “machine learning” (ML), han adquirido importancia durante la pandemia como herramienta útil para el análisis estadístico de datos clínicos debido a su capacidad para identificar patrones en grandes conjuntos de datos rápidamente. Este estudio propone estos sistemas para la determinación de predictores de mortalidad en pacientes hospitalizados por COVID-19. Se tomaron como muestra tres cohortes de pacientes hospitalizados por COVID-19 en el Hospital Universitario Río Hortega de Valladolid en diferentes periodos de la pandemia. Tras analizar sus características demográficas, clínicas y analíticas en el momento del ingreso y durante su estancia hospitalaria, se concluyó que era una muestra sólida para el estudio.

En la identificación de predictores de mortalidad de la COVID-19 destacó la edad avanzada en todas las cohortes, y otros parámetros como la escala CURB-65 y el recuento de linfocitos en algunos periodos. Se concluyó que el análisis de citoquinas no era una herramienta fiable para la identificación de biomarcadores de mortalidad en este grupo de pacientes. Se observaron cambios en los predictores de mortalidad a lo largo de la pandemia, evidenciando la evolución tanto de la enfermedad, como de la respuesta inmunológica gracias al aumento del porcentaje de población inmunizada de forma natural y a través de la vacunación. Se seleccionaron e implementaron los modelos EXtreme Gradient Boosting (XGB) y Random Forest (RF) por su alto rendimiento y precisión, superando en, al menos, un 5 % al siguiente modelo, y mostrando un área bajo la curva muy elevado (AUC > 90 %) en cada caso.

El presente estudio expone cómo los sistemas de ML son una herramienta útil para la predicción de mortalidad por COVID-19 utilizando una muestra pequeña de pacientes, evidenciando su efectividad como herramienta analítica para futuras emergencias sanitarias similares. Dada la heterogeneidad de las poblaciones y de este tipo de enfermedades, estas técnicas podrían llegar a incorporarse a la práctica clínica habitual como herramienta de apoyo al diagnóstico, permitiendo una atención médica personalizada y adaptada, mejorando así la calidad de los sistemas sanitarios y la optimización de recursos.