Predicción temprana de colonización por enterobacterias productoras de carbapenemasas al ingreso en UCI mediante aprendizaje automático

Por qué importan los gérmenes ocultos en el hospital

Muchos de los pacientes más graves de un hospital son atendidos en las unidades de cuidados intensivos (UCI), donde son frecuentes los antibióticos potentes y los dispositivos invasivos. En ese entorno, un grupo peligroso de bacterias intestinales —enterobacterias productoras de carbapenemasas, o EPC— puede asentarse silenciosamente. Las personas que portan estos gérmenes pueden no encontrarse enfermas, pero pueden transmitirlos a otros o desarrollar más adelante infecciones potencialmente mortales y difíciles de tratar. Este estudio plantea una pregunta práctica: ¿es posible predecir, en el momento en que alguien ingresa en la UCI, quién probablemente ya porta EPC para que el personal pueda proteger mejor a los demás pacientes?

Una amenaza silenciosa en la UCI

Las EPC son bacterias intestinales que han aprendido a resistir los carbapenemes, algunos de los antibióticos más potentes usados cuando fallan otros fármacos. En Corea del Sur, las infecciones por EPC han aumentado en los últimos años, reflejando una tendencia global. Los pacientes de la UCI están especialmente en riesgo porque suelen permanecer más tiempo en el hospital, someterse a más procedimientos y recibir más antibióticos que otros pacientes. Los hospitales pueden detectar EPC mediante hisopos rectales, pero los resultados tardan y no es realista aislar a todos los nuevos pacientes de la UCI hasta que llegue el informe del laboratorio. Los autores se propusieron crear una herramienta que use información ya disponible en la historia clínica al ingreso en la UCI para estimar qué pacientes probablemente son portadores de EPC.

Rastreando pistas en los registros hospitalarios

Los investigadores analizaron 4.915 ingresos de adultos en la UCI de un gran hospital surcoreano entre 2022 y 2023. A todos estos pacientes se les tomaron hisopos rectales dentro de las 48 horas tras su llegada a la UCI. Aproximadamente el 9,2 por ciento —453 personas— resultaron colonizadas por EPC. A partir de las historias clínicas electrónicas, el equipo extrajo 42 datos disponibles al ingreso, incluidos edad, ingresos recientes en hospitales o residencias de larga duración, cirugías previas, enfermedades de base, uso previo de antibióticos y si el paciente tenía sondas o catéteres. Con estas variables, compararon diez enfoques diferentes de aprendizaje automático para ver cuál diferenciaba mejor a los portadores de EPC de los no portadores.

Un modelo sencillo con fuerte poder para descartar

En lugar de favorecer el algoritmo más complejo, el estudio halló que un método relativamente directo —la regresión logística— ofrece el mejor equilibrio para el uso en el mundo real. Con un umbral de riesgo elegido, el modelo identificó correctamente alrededor del 73 por ciento de los portadores y clasificó al 96 por ciento de los predichos como no portadores como verdaderamente negativos. En términos prácticos, cuando la herramienta indica que es poco probable que un paciente porte EPC, casi siempre acierta. Esto es crucial para los equipos de control de infecciones que deben decidir quién necesita realmente las habitaciones de aislamiento, escasas. Otros modelos más sofisticados fueron más específicos pero pasaron por alto muchos portadores reales, lo que los hace menos seguros para este propósito.

¿Quién corre más riesgo?

Para mantener la herramienta comprensible para los clínicos, los autores se centraron en 12 predictores clave. Tener un drenaje biliar —un tubo que drena la bilis del hígado— se asoció con las odds más altas de portar EPC. Otras señales fuertes incluyeron residencia reciente en una institución de cuidados de larga duración, la presencia de una sonda nasogástrica o un catéter venoso central, tratamiento reciente con esteroides, uso previo de múltiples antibióticos y más días hospitalizado antes de ingresar en la UCI. Un antecedente de colonización o infección por otro germen resistente, enterococos resistentes a vancomicina, también aumentó las probabilidades. El equipo usó SHAP (Shapley Additive Explanations), un método que muestra cómo cada factor eleva o reduce el riesgo de un paciente, de modo que las predicciones individuales no sean una "caja negra" misteriosa.

De los números a las decisiones en la cama del paciente

Para que la investigación sea útil más allá del conjunto de datos, el equipo creó una calculadora web gratuita (www.cpepredictor.com). Los clínicos pueden responder 14 preguntas sencillas al ingreso en la UCI —por ejemplo, si el paciente tomó recientemente ciertos antibióticos o tiene determinados dispositivos— y la herramienta estima al instante la probabilidad de colonización por EPC. Los autores enfatizan que el modelo se usa mejor para descartar a pacientes de bajo riesgo, no para etiquetar de forma definitiva a las personas como portadoras. Un resultado positivo debería impulsar el aislamiento temprano o pruebas moleculares rápidas, no sustituir a los cultivos de laboratorio estándar. Aunque el estudio se realizó en un solo hospital y requerirá validación en otros sitios, muestra cómo herramientas de aprendizaje automático interpretables y bien diseñadas pueden ayudar a los hospitales a dirigir los recursos de control de infecciones donde más se necesitan, reduciendo la propagación de bacterias altamente resistentes sin sobrecargar unas UCIs ya tensionadas.

Cita: Kim, J.H., Yang, E., Lee, Y.W. et al. Early prediction of colonization by carbapenemase-producing enterobacterales at ICU admission using machine learning. Sci Rep 16, 6705 (2026). https://doi.org/10.1038/s41598-026-37927-8

Palabras clave: resistencia a los antibióticos, unidad de cuidados intensivos, control de infecciones, aprendizaje automático en medicina, infecciones nosocomiales