Predicción explicable mediante aprendizaje automático de la traqueostomía tras craneotomía por hemorragia intracerebral supratentorial

Por qué esto importa para pacientes y familias

Cuando alguien sufre un tipo grave de ictus causado por sangrado en el cerebro, con frecuencia necesita cirugía cerebral de urgencia y ventilación mecánica. Una de las decisiones más difíciles junto a la cama, tanto para médicos como para familias, es si el paciente necesitará más adelante una abertura en el cuello, llamada traqueostomía, para respirar durante un periodo prolongado. Este estudio muestra cómo una forma explicable de inteligencia artificial puede estimar ese riesgo de forma temprana, usando solo unas pocas mediciones médicas rutinarias, y convertirlo en una herramienta sencilla para uso junto a la cama.

Sangrado cerebral grave y soporte respiratorio

El sangrado en la parte superior del cerebro, conocido como hemorragia intracerebral supratentorial, es uno de los tipos de ictus más peligrosos. Muchos de estos pacientes en China y en otros lugares se someten a cirugía abierta del cráneo para extraer la sangre y aliviar la presión. Incluso tras la operación, casi la mitad necesitará soporte respiratorio prolongado, y una gran fracción recibe una traqueostomía para que la ventilación sea más segura y cómoda. Hasta ahora, los médicos debían fiarse de la experiencia y de escalas generales de ictus que no estaban adaptadas a este grupo quirúrgico específico, lo que dificultaba dar orientaciones claras a las familias o planificar los recursos de cuidados intensivos.

Convertir datos rutinarios en una herramienta de predicción

Los investigadores reunieron datos de dos hospitales sobre 924 adultos que habían sufrido este tipo de sangrado cerebral y luego fueron operados. Examinaron información básica que ya se recoge en el primer día de atención: edad, nivel de conciencia según la Escala de Coma de Glasgow, el tamaño del hematoma cerebral, la duración de la operación y un valor común en la química sanguínea llamado bicarbonato sérico, que refleja el equilibrio ácido–base del organismo. Mediante un enfoque de selección paso a paso, encontraron que estos cinco factores contenían la mayor parte de la información útil sobre si un paciente posteriormente recibiría una traqueostomía.

Cómo funciona el modelo de IA explicable

Con estos cinco datos, el equipo entrenó tres modelos informáticos diferentes: un modelo estadístico estándar, un bosque aleatorio y un método más avanzado basado en árboles llamado extreme gradient boosting. Ajustaron cuidadosamente cada modelo y los probaron usando validación cruzada en los datos del hospital principal, y luego contrastaron el rendimiento con los pacientes del segundo hospital. Los tres métodos distinguieron bien entre pacientes de alto y bajo riesgo, pero el modelo de gradient boosting ofreció el mejor equilibrio entre precisión y fiabilidad de sus estimaciones de riesgo, y proporcionó el mayor beneficio clínico potencial cuando los resultados se evaluaron de la manera en que un médico los utilizaría en la cabecera del paciente.

Haciendo transparente la caja negra

Una preocupación habitual con la inteligencia artificial en medicina es que actúa como una caja negra, dando respuestas sin razones. Para evitarlo, los investigadores usaron una técnica llamada SHAP que descompone cada predicción en las contribuciones de los cinco factores de entrada. En todo el grupo, las puntuaciones de conciencia más bajas y los hematomas cerebrales más grandes fueron los factores que más impulsaron la necesidad de una traqueostomía, seguidos de la edad avanzada, la mayor duración de la cirugía y niveles de bicarbonato más bajos. Para pacientes individuales, la herramienta puede mostrar una imagen simple tipo barra que indica cómo cada factor aumentó o disminuyó su riesgo personal, ofreciendo a clínicos y familias una explicación intuitiva en vez de solo un número.

Del modelo de investigación a la herramienta junto a la cama

Para que su trabajo fuera utilizable en la práctica diaria, los autores crearon una calculadora web gratuita. Un clínico puede introducir la edad del paciente, la puntuación en la Escala de Coma de Glasgow, el tamaño del hematoma, la duración de la operación y el nivel de bicarbonato, y la herramienta devuelve una probabilidad estimada de que el paciente necesite una traqueostomía, junto con una explicación visual. Aunque el estudio tiene limitaciones—es retrospectivo, procede de una sola región y aún no incorpora cambios a más largo plazo en la condición del paciente—muestra que un conjunto pequeño y transparente de factores puede capturar gran parte del riesgo.

Qué implica esto para las decisiones de atención

En términos sencillos, el estudio concluye que un modelo de IA explicable que usa solo cinco medidas rutinarias puede ofrecer una estimación temprana fiable sobre si un paciente sometido a cirugía cerebral por una hemorragia grave probablemente necesitará una traqueostomía. Este tipo de herramienta no puede reemplazar el juicio médico, pero puede apoyar conversaciones más informadas con las familias, ayudar a planificar personal y equipos en las unidades de cuidados intensivos y orientar futuros ensayos sobre cuándo debe realizarse la traqueostomía. Con pruebas adicionales en otros hospitales, podría integrarse en la atención estándar para algunos de los pacientes con ictus más graves.

Cita: Qiao, F., Xue, X., Yu, H. et al. Explainable machine learning prediction of tracheostomy after craniotomy for supratentorial intracerebral hemorrhage. Sci Rep 16, 11495 (2026). https://doi.org/10.1038/s41598-026-41953-x

Palabras clave: ictus, traqueostomía, cirugía cerebral, aprendizaje automático, cuidados intensivos