Predicción temprana del riesgo de lesión por presión en pacientes hospitalizados mediante modelos de aprendizaje supervisado basados en registros de enfermería

Por qué las escaras siguen importando en los hospitales modernos

Las lesiones por presión—conocidas a menudo como escaras—pueden parecer un problema del pasado, pero siguen siendo una complicación grave y costosa de la atención hospitalaria. Pueden desarrollarse rápidamente en personas muy enfermas o con movilidad reducida, provocando dolor, infecciones y estancias hospitalarias más largas. Este estudio investiga si la información que las enfermeras ya recogen en las primeras horas tras el ingreso puede combinarse con técnicas informáticas modernas para identificar a los pacientes con mayor probabilidad de desarrollar estas lesiones, de modo que el personal pueda intervenir antes de que se produzca el daño.

Peligros ocultos por permanecer inmóvil

Una lesión por presión se forma cuando la piel y los tejidos profundos quedan comprimidos entre una cama o silla y los huesos subyacentes durante demasiado tiempo. Más de uno de cada diez adultos hospitalizados desarrolla estas heridas, especialmente quienes están en cuidados intensivos o en urgencias y no pueden moverse con facilidad. Además del dolor y el riesgo de infección, estas lesiones suponen una carga económica elevada—decenas de miles de millones de dólares al año solo en Estados Unidos. Los controles tradicionales, como la ampliamente utilizada escala de Braden, ayudan a las enfermeras a estimar el riesgo, pero pueden pasar por alto a personas cuyo peligro no es evidente, por ejemplo quienes tienen incontinencia, obesidad o problemas médicos complejos.

Usar las notas rutinarias de enfermería como señales de alerta temprana

Los investigadores plantearon si es posible predecir las lesiones por presión usando únicamente la información básica que las enfermeras recopilan de forma rutinaria en las primeras ocho horas de estancia hospitalaria. En un gran hospital público de Santiago de Chile, recogieron datos de 446 pacientes de diversas unidades, desde urgencias y cirugía hasta cuidados intensivos. Las enfermeras registraron detalles sencillos como edad, altura, peso, la unidad a la que fue admitida la persona, su grado de dependencia para el cuidado, si presentaba incontinencia y si se usaban colchones especiales, cambios de posición o sujeciones físicas. Cualquier herida ya presente a la llegada se separó cuidadosamente de las que aparecieron después, de modo que el estudio se centró solo en las lesiones desarrolladas durante la hospitalización.

Enseñar a los ordenadores a detectar pacientes de alto riesgo

A partir de estos registros, el equipo construyó varios modelos de aprendizaje supervisado—programas informáticos que aprenden patrones a partir de ejemplos. Probaron cinco enfoques distintos, incluidos árboles de decisión, regresión logística, máquinas de vectores de soporte, extreme gradient boosting y un método popular llamado Random Forest, que combina muchos árboles de decisión simples para obtener un predictor más sólido. Antes de entrenar los modelos, limpiaron y organizaron las notas crudas de enfermería, completaron los valores faltantes usando métodos estadísticos establecidos y seleccionaron 13 de las características más informativas. Los datos se dividieron repetidamente en grupos de entrenamiento y prueba para evaluar qué tan bien cada modelo distinguía entre pacientes que sí y que no llegaron a desarrollar una lesión por presión.

Quiénes son los más vulnerables, según los datos

Unos 19 % de los pacientes del estudio desarrollaron una lesión por presión adquirida en el hospital. El análisis mostró que algunas observaciones tempranas de enfermería tenían un peso particular. Puntuaciones de riesgo más altas, mayor peso y altura corporal, elevada dependencia de los cuidados de enfermería y el ingreso en determinadas unidades, como las de medicina-quirúrgica para adultos y cuidados intensivos, se asociaron con más lesiones. La presencia de incontinencia—especialmente fecal o mixta—las sujeciones físicas y el uso previo de colchones especiales antipresión también señalaron un mayor riesgo. Entre los modelos informáticos probados, el método Random Forest fue el que mejor rendimiento ofreció: separó correctamente a pacientes de alto y bajo riesgo en más de cuatro de cada cinco casos y alcanzó una precisión muy alta, lo que significa que cuando marcaba a un paciente como de alto riesgo, normalmente acertaba.

De las puntuaciones informáticas a una mejor atención en la cama del paciente

Para que el sistema fuera práctico en unidades con gran carga de trabajo, los investigadores lo ajustaron para favorecer la precisión por encima de capturar todos los casos posibles. Esto reduce el número de falsas alarmas, de modo que las enfermeras puedan centrar los recursos preventivos—como cambios de posición frecuentes, revisiones cuidadosas de la piel y colchones especiales—en los pacientes que probablemente más se beneficien. Aunque esto implica que algunos pacientes en riesgo podrían no ser detectados, los autores sostienen que las alertas fiables son más propensas a ser confiadas y usadas en la práctica diaria. Enfatizan que el modelo está pensado para apoyar, no para reemplazar, el juicio clínico.

Qué significa esto para pacientes y hospitales

En términos sencillos, el estudio muestra que los hospitales podrían usar la información que ya recogen en las primeras horas tras el ingreso para alimentar un «sistema de alerta temprana» digital contra las escaras. Con solo 13 observaciones básicas de enfermería y un modelo informático bien entrenado, el personal puede identificar a un pequeño grupo de pacientes con alta probabilidad de desarrollar lesiones por presión e intervenir antes de que se produzca un daño grave. Aunque la herramienta aún necesita probarse en otros hospitales y sistemas sanitarios, ofrece una vía prometedora para convertir las notas rutinarias en la cabecera en una protección más inteligente y oportuna para algunos de los pacientes más vulnerables.

Cita: Barriga-Gallegos, F., Ríos-Vásquez, G., Tapia, G.M. et al. Early prediction of pressure injury risk in hospitalized patients using supervised machine learning models based on nursing records. Sci Rep 16, 6502 (2026). https://doi.org/10.1038/s41598-026-35709-w

Palabras clave: lesiones por presión, prevención de escaras, registros de enfermería, aprendizaje automático en hospitales, predicción de riesgo del paciente