Estudio sobre el establecimiento de una base de datos de enfermedades interventional cardiovasculares y la predicción del riesgo de mortalidad postoperatoria

Por qué esto importa para pacientes y familias

Los procedimientos cardiovasculares pueden salvar vidas, pero también conllevan riesgos reales, especialmente en pacientes de mayor edad o con enfermedades crónicas. Una de las preguntas más importantes tras una intervención es: “¿Qué probabilidades hay de que yo o un ser querido fallezca en los meses posteriores a la cirugía?” Este estudio muestra cómo unos datos hospitalarios cuidadosamente organizados y un modelo moderno de inteligencia artificial (IA) pueden ayudar a los médicos a estimar ese riesgo con mayor precisión, de modo que puedan monitorizar más de cerca a los pacientes vulnerables y actuar antes cuando aparecen signos de complicación.

De registros dispersos a una historia completa del paciente

Tradicionalmente, la información sobre pacientes cardiacos estaba dispersa entre muchos sistemas hospitalarios: informes de laboratorio en un lugar, pruebas de imagen en otro y notas de seguimiento en otro distinto. Gran parte está escrita en texto libre y no estandarizada, lo que dificulta que los ordenadores e incluso los médicos vean el panorama completo. Los investigadores abordaron esto construyendo una base de datos dedicada exclusivamente a las intervenciones cardiovasculares en un hospital de la provincia de Zhejiang, China. Durante un año reunieron datos detallados y estructurados de 728 pacientes sometidos a procedimientos cardíacos mínimamente invasivos, y acabaron centrando el análisis en 638 casos con información completa desde el ingreso hasta seis meses tras la cirugía. Esta visión de “ciclo completo” recoge quiénes son los pacientes, qué ocurre antes y durante el procedimiento y cómo se recuperan después.

Qué contiene la base de datos de riesgo cardíaco

La base de datos integra información procedente de varios sistemas hospitalarios, como la historia clínica electrónica, sistemas de laboratorio, plataformas de imagen y clínicas de seguimiento. El equipo agrupó los datos en cuatro bloques principales: datos básicos del paciente e historial médico; pruebas y exploraciones realizadas antes de la cirugía; lo que ocurrió durante el procedimiento; e indicadores de seguimiento como constantes vitales, análisis sanguíneos y puntuaciones de capacidad para las actividades diarias. A continuación limpiaron los datos: eliminaron campos con demasiados valores faltantes, rellenaron huecos pequeños de forma razonable y convirtieron categorías textuales (por ejemplo, fumador o no, sangrado o no) en códigos numéricos que los ordenadores pueden analizar. También resumieron las enfermedades existentes en una única puntuación de comorbilidad, lo que facilita reflejar la carga global de enfermedad de cada paciente.

Enseñar a un modelo de IA a detectar señales de alarma tempranas

Con los datos organizados, los investigadores formularon una pregunta concreta: con toda esta información, ¿podemos predecir quién morirá dentro de los seis meses posteriores al procedimiento? Solo 41 de los 638 pacientes fallecieron en ese periodo, lo que hace que el problema predictivo sea especialmente difícil: hay muchos más supervivientes que fallecimientos, y muchos modelos tienden a pasar por alto los casos raros pero críticos de alto riesgo. El equipo usó primero un método de selección de variables para elegir 30 de las variables más informativas a lo largo del recorrido completo del paciente. Entre ellas figuraban factores como la edad, el índice de masa corporal, la carga de comorbilidad, ciertos resultados de análisis sanguíneos, detalles operatorios como el tiempo de permanencia de instrumentos y medidas de seguimiento como la función renal y hepática y la capacidad para las actividades diarias.

Un motor de IA híbrido diseñado para rapidez y precisión

Para analizar estos datos con componente temporal, los investigadores diseñaron un modelo híbrido que combina dos técnicas de IA. La primera, conocida como red de memoria a largo y corto plazo (LSTM), es buena para rastrear patrones en el tiempo, por ejemplo cómo cambian los valores de laboratorio antes y después de la cirugía, pero puede volverse lenta y propensa al sobreajuste si se usa sola. La segunda, llamada sistema de aprendizaje amplio (broad learning), construye rápidamente conexiones entre características sin el pesado ajuste de pesos típico de las redes profundas. En su diseño, los datos del ciclo vital del paciente pasan primero por la parte sensible al tiempo del modelo, luego por un paso de regularización para reducir el sobreajuste y, finalmente, por la capa de aprendizaje amplio que calcula rápidamente la predicción final. Esta estructura conserva las fortalezas del aprendizaje profundo a la vez que recorta sus debilidades.

Qué significan los resultados para la atención clínica real

Cuando compararon su modelo híbrido con tres enfoques de redes neuronales comunes, el nuevo diseño mostró un rendimiento claramente superior. Clasificó correctamente a los pacientes en torno al 87% de las veces y, lo que es importante, identificó a más del 93% de quienes realmente murieron dentro de los seis meses —una ventaja clave cuando el objetivo es no pasar por alto a individuos de alto riesgo. En términos prácticos, esto significa que al organizar los datos hospitalarios en una base de datos dedicada a intervenciones cardíacas y someterlos a un modelo de IA a medida, los médicos pueden obtener una alerta temprana más fiable sobre qué pacientes necesitan atención adicional tras el procedimiento. Aunque el estudio procede de un solo hospital y aún debe probarse en otros centros, apunta a un futuro en que un uso más inteligente de los datos y herramientas predictivas especializadas contribuyan a que las intervenciones cardiacas sean más seguras y la recuperación más protegida.

Cita: Qi, P., Hu, C., Li, Y. et al. Study on establishment of cardiovascular interventional disease database and prediction of postoperative mortality risk. Sci Rep 16, 12493 (2026). https://doi.org/10.1038/s41598-026-39788-7

Palabras clave: intervención cardiovascular, riesgo postoperatorio, predicción de mortalidad, bases de datos médicas, inteligencia artificial en la salud