Un ensayo aleatorizado y controlado de análisis basados en inteligencia artificial para la deterioración clínica

Por qué es tan difícil mantener a salvo a los pacientes hospitalizados

Cuando las personas ingresan en el hospital, médicos y enfermeras se esfuerzan por detectar señales tempranas de que alguien puede empeorar de forma importante. Pero los ojos humanos pueden pasar por alto cambios sutiles en la frecuencia cardíaca, la respiración o la presión arterial, sobre todo en plantas con mucha actividad. Este estudio planteó una pregunta urgente: ¿puede un sistema de inteligencia artificial (IA) que vigila discretamente los signos vitales en segundo plano ayudar a prevenir emergencias graves como paro cardíaco, insuficiencia respiratoria o ingresos urgentes en cuidados intensivos?

Un nuevo tipo de “radar meteorológico” para pacientes

El equipo de investigación probó un sistema llamado CoMET, que convierte flujos de datos de monitores junto a la cama, resultados de laboratorio y constantes registradas por las enfermeras en una imagen visual fácil de interpretar del riesgo. Cada paciente aparece en una pantalla grande como un icono de cometa cuyo “cabeza” muestra el riesgo actual y cuya “cola” indica cómo ha cambiado ese riesgo en las últimas tres horas. Una puntuación de 1 representa la probabilidad media de un evento grave en el próximo día; puntuaciones más altas significan mayor riesgo. A diferencia de las alarmas estridentes, este sistema muestra información permanentemente de forma pasiva. La idea era que una vista silenciosa y siempre disponible del riesgo ayudaría al personal a detectar tendencias preocupantes temprano y revisar a los pacientes antes de que colapsaran.

Poner a prueba la IA en plantas hospitalarias reales

Para ver si esta visualización realmente marcaba la diferencia, el equipo llevó a cabo un gran ensayo aleatorizado y controlado en una planta de cardiología y cirugía cardíaca de 85 camas en un hospital universitario. Se incluyeron más de diez mil estancias hospitalarias durante casi dos años, en la era de la COVID-19. En lugar de aleatorizar pacientes individuales, los investigadores aleatorizaron grupos de habitaciones. Algunos grupos de habitaciones tenían la pantalla CoMET activada; otros siguieron la atención habitual sin la pantalla. Todos recibieron la atención médica estándar; la única diferencia fue si el personal podía ver las trayectorias de riesgo en grandes monitores y en el registro electrónico. No se exigieron acciones específicas: se animó a los clínicos, pero no se les obligó, a responder cuando las puntuaciones subían.

Qué ocurrió con los resultados de los pacientes

La medida principal fue cuántas horas, en los primeros 21 días de una estancia hospitalaria, los pacientes permanecieron libres de deterioro grave: eventos como muerte, traslado urgente a la unidad de cuidados intensivos, colocación de tubo para respiración de emergencia, paro cardíaco o cirugía urgente. La mayoría de los pacientes nunca tuvo un evento de ese tipo, por lo que recibieron la puntuación máxima de 21 días sin eventos. En conjunto, alrededor del 5% de los pacientes experimentaron un evento grave. Los modelos predictivos subyacentes del sistema de IA funcionaron bien e incluso superaron a una puntuación de alerta temprana común, sin embargo, cuando los investigadores compararon el grupo con pantalla activada frente al grupo sin pantalla, no encontraron una diferencia significativa en las horas sin eventos ni en las muertes. Entre el grupo más pequeño de pacientes que sí tuvieron un evento, los del brazo con pantalla tendieron a mostrar más horas estables antes del evento, pero este patrón no fue lo bastante robusto como para ser estadísticamente concluyente.

Cómo las decisiones humanas sesgaron el experimento

Uno de los hallazgos más llamativos tuvo menos que ver con las matemáticas y más con el comportamiento humano. Durante el ensayo, los clínicos movieron con frecuencia a los pacientes entre camas: cientos pasaron de camas de atención habitual a camas con la pantalla activada y viceversa. Un análisis más detallado mostró que los pacientes más enfermos tendían a ser trasladados a habitaciones con la pantalla de IA. En otras palabras, el personal pareció considerar útil a CoMET e intentó dar a los pacientes de mayor riesgo el beneficio de una monitorización adicional, aunque el diseño del ensayo buscaba mantener las asignaciones al azar. Estos cambios de cama tuvieron que tratarse como eventos de censura en el análisis y probablemente diluyeron cualquier efecto real que el sistema pudiera haber tenido. El estudio también se llevó a cabo en medio de las tensiones de la pandemia de COVID-19, lo que redujo las tasas de eventos y añadió complejidad adicional.

Qué significa esto para el futuro de la IA en los hospitales

Para pacientes y familias, la conclusión es a la vez prudente y esperanzadora. Este ensayo bien diseñado en condiciones reales mostró que añadir simplemente una visualización pasiva de riesgo basada en IA, sin alarmas ni reglas estrictas de respuesta, no mejoró claramente resultados como la mortalidad o los traslados de emergencia en estas plantas. Sin embargo, la tendencia del personal a concentrar a los pacientes más graves en las camas equipadas con IA sugiere que percibieron valor en la información. Los autores concluyen que los futuros estudios de herramientas de IA hospitalaria deben ir más allá de la precisión y el tamaño del ensayo: deberían rastrear cómo los clínicos interpretan las puntuaciones de riesgo, cómo los equipos comunican y actúan sobre ellas, y cómo las asignaciones de camas, la carga de trabajo y los eventos raros influyen en los resultados. La IA aún puede ayudar a detectar problemas temprano, pero para proteger verdaderamente a los pacientes, los diseñadores e investigadores tendrán que combinar algoritmos inteligentes con una atención igualmente reflexiva al juicio humano, los flujos de trabajo y la cultura hospitalaria.

Cita: Keim-Malpass, J., Ratcliffe, S.J., Clark, M.T. et al. A randomized controlled trial of artificial intelligence-based analytics for clinical deterioration. Sci Rep 16, 7345 (2026). https://doi.org/10.1038/s41598-026-39051-z

Palabras clave: deterioro clínico, monitorización predictiva, IA hospitalaria, sistemas de alerta temprana, planta de cardiología