El avance de la inteligencia artificial en el sector de la salud ha dado un paso significativo con un modelo de aprendizaje automático capaz de predecir eventos de hipoglucemia en pacientes hospitalizados utilizando solo glucosa en sangre capilar (CBG). Este innovador enfoque, presentado por el Dr. Chris Sainsbury y su equipo en la Conferencia Profesional de Diabetes del Reino Unido, ha demostrado un excelente rendimiento en la identificación de riesgos para los pacientes.
La importancia de esta tecnología radica en su capacidad para evaluar de manera precisa y oportuna el riesgo de hipoglucemia, un problema crítico en pacientes hospitalizados con diabetes, que puede tener graves implicaciones en la morbilidad y mortalidad de los pacientes. El modelo produjo un número entre cero y uno, el cual predijo el riesgo del paciente de tener un evento de hipoglicemia en la siguientes 24 horas, demostrando el aumento hasta un máximo en el día 7.
En palabras del Dr. Sainsbury “Aumentó de alrededor de 0,78 en el día 2 a 0,85 en el día 7 y luego permaneció en alrededor de 0,85 hasta el día 31, con intervalos de confianza crecientes a medida que se reduce el número de admisiones de cada duración”
El modelo, basado en datos de CBG transmitidos en tiempo real, ha demostrado un aumento en la precisión de predicción, brindando a los profesionales de la salud una herramienta invaluable para la toma de decisiones clínicas.
El modelo fue creado para ser utilizado en pacientes hospitalizados a través de la evaluación exclusiva de mediciones de CBG. En contraste, otros modelos se apoyan en una gama de datos clínicos obtenidos de registros hospitalarios electrónicos, lo que introduce un grado de complejidad que restringe su utilidad y transferibilidad entre diversos entornos hospitalarios.
¿Qué desafíos en los tratamientos de la hipoglucemia enfrentan pacientes hospitalizados?
La hipoglucemia en pacientes hospitalizados, especialmente en aquellos con diabetes que toman insulina o sulfonilureas, es un problema significativo. Durante la hospitalización, los cambios en los hábitos alimenticios pueden desencadenar episodios de hipoglucemia, lo que puede llevar a complicaciones graves e incluso a la muerte.
Es crucial prevenir estos eventos, ya que representan un desafío importante en la atención de pacientes con diabetes en entornos hospitalarios. Detectar y tratar de forma preventiva a los pacientes en riesgo de hipoglucemia podría no solo evitar episodios agudos, sino también prevenir complicaciones secundarias.
Construcción del modelo de aprendizaje
Durante el proceso de entrenamiento de su modelo, el Dr. Sainsbury y su equipo tuvieron que tomar la decisión inicial de si utilizar únicamente los datos de CBG o combinarlos con otros datos clínicos. Optaron por emplear medidas de CBG de pacientes hospitalizados debido a su transferibilidad y a la transmisión en tiempo real a través de Wi-Fi a los registros de los pacientes.
El análisis retrospectivo se realizó sobre una muestra de 259.274 pacientes del Servicio Nacional de Salud (NHS) en el Gran Glasgow y la región de Clyde, recopilando cerca de 5 millones de filas de información de CBG entre los años 2009 y 2022. La validación interna se llevó a cabo en un conjunto de datos separado que incluía 70.353 pacientes.
Se procedió a entrenar varias versiones de XGBoost, un modelo de aprendizaje automático basado en árboles de decisión, con el objetivo de predecir la probabilidad de un evento de hipoglucemia (definido como un CBG < 4 mmol/L) entre los días 2 y 31 de la admisión.
Se examinaron diversas características de los datos de CBG para cada día de ingreso, las cuales se utilizaron para estimar el riesgo de un evento de hipoglucemia. Estas características incluyeron los niveles máximos y mínimos de CBG por día de ingreso, el número de pruebas realizadas, así como la edad y el género de los pacientes.
Los investigadores también identificaron las características que tenían un mayor impacto en la predicción. Por ejemplo, si en el día 1 de ingreso el valor de CBG de un paciente era < 4 mmol/L, se tomaba una decisión distinta en comparación con un valor de CBG < 3 mmol/L, según explicó Sainsbury.
Finalmente, los investigadores validaron con éxito el modelo, primero utilizando datos internos de su hospital y luego confirmaron la transferibilidad del uso exclusivo de valores de CBG al emplear datos de una cohorte de pacientes similar en Edimburgo.
Al centrarse en características específicas de los datos de CBG, como la edad, la variabilidad glucémica y la tendencia de la glucosa en sangre, el modelo identifica patrones predictivos que permiten una intervención preventiva efectiva. La implementación de esta tecnología en la práctica clínica podría transformar la atención hospitalaria al alertar al personal sobre posibles eventos de hipoglucemia y guiar acciones preventivas personalizadas.
Este avance prometedor no solo mejora la seguridad y el cuidado de los pacientes con diabetes hospitalizados, sino que también allana el camino para futuras intervenciones educativas y preventivas impulsadas por la inteligencia artificial. Con el potencial de reducir la incidencia de hipoglucemia y mejorar los resultados clínicos, este modelo de IA marca un hito en la atención personalizada y basada en datos en el sector de la salud.
