Modelos de aprendizaje automático basados en datos de servicios médicos de emergencia mejoran la clasificación de accidentes cerebrovasculares en el entorno prehospitalario

Por qué importan las decisiones más rápidas en el ictus

Cada minuto cuenta cuando alguien sufre un ictus. Las células cerebrales mueren rápidamente y la probabilidad de volver a caminar, hablar y vivir de forma independiente disminuye con cada retraso. Sin embargo, muchos ictus son vistos por primera vez no por médicos, sino por paramédicos en una ambulancia. Este estudio explora si los sistemas informáticos que aprenden de casos anteriores pueden ayudar a los servicios médicos de emergencia (SME) a detectar ictus antes y dirigir a los pacientes al hospital adecuado más rápido—posiblemente salvando tejido cerebral y mejorando la calidad de vida a largo plazo.

Qué ocurre antes de llegar al hospital

El proceso para un paciente con ictus suele comenzar con una llamada al 9-1-1. Los despachadores deciden qué tipo de ayuda enviar y las tripulaciones de SME examinan entonces a los pacientes en casa o en el lugar del incidente. Registran información básica como edad y peso, además de signos vitales como la frecuencia cardíaca, la presión arterial, la frecuencia respiratoria, la saturación de oxígeno y el nivel de alerta. Estos datos se toman a menudo antes de que el hospital vea al paciente. Los investigadores plantearon una pregunta sencilla: ¿son estas mediciones tempranas lo bastante fiables y completas para que un ordenador las use para señalar posibles ictus en tiempo real?

Cómo se llevó a cabo el estudio

El equipo revisó retrospectivamente 8.221 traslados en ambulancia que implicaron a 4.333 adultos llevados a un gran hospital cercano a Chicago entre 2015 y 2020. Solo alrededor del 2 % de estos encuentros fueron ictus confirmados, y casi dos tercios de esos casos fueron graves: pacientes que acabaron en cuidados intensivos o con ventilación mecánica. Los investigadores compararon lo que los SME registraron en el lugar con las mediciones que el personal hospitalario tomó poco después de la llegada. La frecuencia cardíaca, la presión arterial, la glucemia, los niveles de oxígeno y una puntuación simple de consciencia estuvieron disponibles para la mayoría de los pacientes y, en general, coincidieron con las lecturas hospitalarias, lo que demuestra que los datos de la ambulancia reflejaban bastante bien la condición real de los pacientes.

Enseñar a los ordenadores a reconocer el peligro

Utilizando estos números prehospitalarios más detalles básicos sobre la llamada al 9-1-1 y el lugar de recogida, los investigadores entrenaron varios tipos de modelos de aprendizaje automático para resolver dos tareas: distinguir ictus de no-ictus y distinguir ictus graves del resto de casos. Probaron tres enfoques comunes—bosques aleatorios (random forests), XGBoost y una red neuronal simple—en conjuntos de datos separados para evaluar los modelos de forma justa. Dado que los ictus eran poco frecuentes, los modelos se ajustaron para prestar atención adicional al pequeño número de casos de ictus y se verificaron cuidadosamente para que sus puntuaciones de riesgo se ajustaran lo más posible a las probabilidades del mundo real.

Qué tan bien funcionaron las herramientas

En todo el conjunto de traslados en ambulancia, el mejor modelo para detectar cualquier ictus fue un modelo XGBoost, y el mejor para identificar ictus graves fue un bosque aleatorio. Estas herramientas resultaron buenas para clasificar quién tenía más o menos probabilidad de sufrir un ictus y, cuando se ajustaron a un umbral razonable, detectaron más ictus que los métodos de cribado actuales de los SME al tiempo que evitaban la mayoría de las falsas alarmas. Por ejemplo, en un punto operativo el modelo de ictus identificó correctamente aproximadamente dos tercios de los casos de ictus y descartó correctamente casi nueve de cada diez casos que no eran ictus. Las señales más influyentes fueron pistas clínicas familiares: presión arterial elevada, cambios en la consciencia, pulso anómalo, edad avanzada y códigos de llamada al 9-1-1 que insinuaban problemas similares al ictus, como debilidad súbita o dificultad para hablar.

Qué podría significar esto para los pacientes

Puesto que los ictus son poco comunes entre todos los pacientes trasladados en ambulancia, incluso un modelo con buen rendimiento generará algunas falsas alarmas. En la práctica, eso significaría que varios pacientes señalados como «posible ictus» resulten no padecerlo. Los autores sostienen que, para una emergencia en la que el tiempo es crítico, ese intercambio puede ser aceptable si la alerta simplemente provoca una evaluación más rápida en lugar de sustituir el juicio humano. Sus resultados sugieren que las herramientas de aprendizaje automático podrían actuar como un par de ojos adicionales sobre los datos que los SME ya recogen, orientando a paramédicos y hospitales hacia pacientes de mayor riesgo que de otro modo podrían pasar desapercibidos.

Hacia dónde se dirige este trabajo

En términos sencillos, el estudio muestra que las cifras registradas en la parte trasera de la ambulancia pueden alimentar herramientas informáticas inteligentes que ayudan a decidir quién podría estar sufriendo un ictus y con qué urgencia necesita cuidados avanzados. Estos sistemas no están pensados para diagnosticar por sí mismos, sino para apoyar a paramédicos y médicos de urgencias mientras toman decisiones rápidas sobre a qué hospital enviar a los pacientes y con qué celeridad movilizar los equipos de ictus. Con un mejor intercambio de datos, una documentación más completa y pruebas en distintas regiones, tales herramientas podrían ayudar a que más personas lleguen al hospital adecuado, antes, y salgan de un ictus con menos secuelas duraderas.

Cita: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

Palabras clave: triage de ictus, servicios médicos de emergencia, aprendizaje automático, atención prehospitalaria, inteligencia artificial en medicina