Un transformador de alta resolución combinado con datos multimodales para predecir la duración de la estancia hospitalaria en el síndrome coronario agudo

Por qué importa la duración de la estancia hospitalaria

Para las personas que llegan al hospital con dolor torácico o un infarto, cuánto tiempo necesitarán quedarse es algo más que una mera curiosidad. Influye en la rapidez con la que obtienen una cama, en la disponibilidad para admitir a otros pacientes, en el número de enfermeras requerido por turno e incluso en los costes que afrontarán las familias. Este estudio presenta un nuevo sistema de inteligencia artificial que estima la duración de la estancia hospitalaria en pacientes con síndromes coronarios agudos —peligrosas afecciones cardíacas causadas por arterias coronarias bloqueadas— al analizar no solo los registros médicos, sino también imágenes cardíacas detalladas.

Mirando dentro de las arterias coronarias obstruidas

Los médicos ya confían en los escáneres por tomografía computarizada (TC) para ver los vasos sanguíneos del corazón y detectar estrechamientos u obstrucciones que pueden desencadenar síndromes coronarios agudos. Estos vasos son tubos largos y ramificados, y los pequeños segmentos enfermos pueden ocupar solo una fracción mínima de cada imagen. Los modelos informáticos tradicionales suelen resumir esas exploraciones en medidas generales, lo que puede pasar por alto los detalles finos sobre dónde y con qué severidad está dañada una arteria. El nuevo enfoque, llamado FRAME, trata las imágenes de TC con mucha más precisión, con el objetivo de capturar cambios sutiles en la forma de los vasos que indiquen la gravedad de la enfermedad y cuánto tiempo podrían necesitar atención hospitalaria los pacientes.

Enseñar al ordenador a leer las formas de los vasos

Los investigadores idearon primero una manera de que el ordenador aprendiera por sí mismo cómo son los vasos sanos y enfermos, sin que fuera necesario que un humano etiquetara cada imagen. Modificaron suavemente cada TC mediante ajustes seguros de brillo y forma que nunca borran las áreas lesionadas reales. Al comparar la versión original con las versiones alteradas de la misma exploración, el sistema aprendió qué características deberían permanecer constantes y cuáles cambiar cuando la imagen se transforma. Este entrenamiento «auto-supervisado» ayudó al modelo a centrarse en los patrones tridimensionales reales de los vasos —como curvas, estrechamientos y paredes irregulares— en lugar de distraerse con ruido o estructuras de fondo irrelevantes.

Acercándose a los pequeños puntos problemáticos

Tras este entrenamiento, FRAME analiza nuevas exploraciones de TC en pequeños mosaicos o parches, en lugar de tratar cada imagen como un bloque único. Un mecanismo de atención pondera cada parche y resalta aquellos que parecen más relacionados con la enfermedad, lo que equivale a hacer zoom en regiones vasculares estrechas y dañadas mientras se resta importancia a las áreas sanas. En paralelo, el sistema procesa información del historial médico electrónico, incluidos edad, frecuencia cardíaca, función renal, marcadores de inflamación y recuentos sanguíneos. Un paso de fusión de alta resolución permite entonces que los parches de TC y los datos del historial se influyan mutuamente, usando un Transformer —el mismo tipo de arquitectura detrás de muchos modelos de lenguaje modernos— para conectar patrones de daño vascular con patrones en analíticas y signos vitales.

Poniendo el modelo a prueba

Para evaluar el rendimiento de FRAME, el equipo lo aplicó a datos de 615 pacientes tratados en un gran hospital de enfermedades torácicas de Shanghái entre 2015 y 2021. Cada paciente contaba tanto con imágenes de TC como con registros médicos detallados, además de la duración registrada de la estancia hospitalaria. Los investigadores compararon FRAME con 16 alternativas de referencia, que iban desde fórmulas clásicas de aprendizaje automático hasta redes de imagen avanzadas y modelos multimodales. En el conjunto completo de pacientes y en cuatro rangos de estancia hospitalaria —desde menos de cinco días hasta más de dos semanas— el nuevo sistema realizó de forma consistente las predicciones más precisas, con errores de alrededor de un día de media y una correspondencia muy fuerte entre las estancias predichas y las reales.

Ver lo que el modelo observa

Más allá de la precisión bruta, el equipo examinó dónde «miraba» FRAME en las imágenes y en qué funciones del historial médico se apoyaba. Los parches de imagen resaltados casi siempre correspondían a segmentos vasculares con lesiones visibles, lo que sugiere que el modelo había aprendido patrones clínicamente significativos que podrían, en el futuro, ayudar a automatizar el contorno de lesiones para los radiólogos. Entre los datos del historial, la frecuencia cardíaca, marcadores de función renal, ácido úrico, proteínas inflamatorias y ciertas proporciones de células sanguíneas tuvieron el mayor peso, y cada uno mostró un vínculo estadístico claro con la duración de la estancia hospitalaria. Esto concuerda con estudios clínicos previos, lo que da a los médicos mayor confianza en que el razonamiento del sistema es médicamente coherente.

Qué significa esto para pacientes y hospitales

En términos sencillos, el estudio muestra que combinar cuidadosamente imágenes cardíacas detalladas con mediciones habituales de cabecera permite a los ordenadores estimar la duración de la estancia hospitalaria en pacientes con síndrome coronario agudo con más precisión que las herramientas existentes. Al prestar atención a las formas exactas de los vasos enfermos y a los resultados de laboratorio más informativos, FRAME podría ayudar a los hospitales a planificar camas y personal, identificar antes a los pacientes de alto riesgo y acelerar la revisión de imágenes para clínicos muy ocupados. Aunque los autores señalan que se necesitarán conjuntos de datos más grandes y diversos antes de que tales sistemas guíen la atención diaria, su trabajo demuestra un paso prometedor hacia una gestión de emergencias cardíacas más inteligente y eficiente.

Cita: You, L., Cen, X. & Wang, S. A fine-grained transformer combined with multimodal data for predicting hospital length of stay in acute coronary syndrome. Sci Rep 16, 11465 (2026). https://doi.org/10.1038/s41598-026-41279-8

Palabras clave: síndrome coronario agudo, duración de la estancia hospitalaria, imagen cardíaca por TC, IA médica, predicción multimodal