Desarrollo y validación de un modelo de aprendizaje automático para la dosificación individualizada de meropenem en pacientes con TRRC

Por qué esto importa para los pacientes en cuidados intensivos

Cuando las personas desarrollan infecciones potencialmente mortales en la unidad de cuidados intensivos, los médicos suelen recurrir a antibióticos potentes y a máquinas de reemplazo renal para mantenerlas con vida. Sin embargo, calcular la dosis correcta de antibiótico para cada paciente sometido a un tratamiento continuo similar a la diálisis es sorprendentemente difícil. Este estudio muestra cómo una herramienta basada en aprendizaje automático puede ayudar a los médicos a elegir dosis más seguras y efectivas del antibiótico de amplio espectro meropenem para algunos de los pacientes más graves del hospital.

El dilema de la dosificación en riñones frágiles

La sepsis, una infección grave que afecta a todo el organismo, daña con frecuencia los riñones hasta el punto de que los pacientes necesitan terapia renal sustitutiva continua (TRRC), una forma de diálisis lenta y continua. El meropenem se usa comúnmente para tratar estas infecciones, pero su comportamiento en el organismo cambia drásticamente en la enfermedad crítica. Los desplazamientos de líquido, el fallo de órganos y la propia máquina de TRRC alteran la rapidez con la que se elimina el fármaco. Una dosis insuficiente de meropenem aumenta el riesgo de fracaso del tratamiento y de resistencia bacteriana; una dosis excesiva incrementa la probabilidad de efectos adversos, como toxicidad cerebral y renal. Las fórmulas tradicionales de dosificación basadas en pacientes promedio a menudo fallan en individuos cuya fisiología está muy alterada.

Construyendo una población virtual de cuidados intensivos

Dado que los grandes estudios farmacológicos de alta calidad en pacientes tan inestables son raros, los investigadores crearon primero una población virtual de 48.000 pacientes simulados con TRRC usando un modelo farmacocinético existente de meropenem. Para cada paciente simulado variaron la edad, el peso corporal, la función renal, los parámetros de TRRC, la dosis de meropenem, el intervalo de dosificación, el tiempo de infusión y la dureza de la bacteria infectante (resumida como la concentración mínima inhibitoria, o CMI). A continuación calcularon si cada plan de dosificación mantenía los niveles de meropenem lo suficientemente altos en sangre durante todo el periodo entre dosis, tanto en un umbral estándar (100% del tiempo por encima de la CMI) como en uno muy estricto (100% por encima de cuatro veces la CMI), que se considera más protector frente al fracaso del tratamiento y la resistencia.

Entrenando máquinas para predecir el éxito

Usando estos pacientes virtuales, el equipo entrenó varios tipos de modelos de aprendizaje automático para responder a una simple pregunta sí o no: ¿alcanzará un paciente concreto, con una configuración de TRRC y un plan de dosificación determinados, el objetivo de exposición deseado del fármaco? Algoritmos como bosques aleatorios, gradient boosting y árboles de decisión aprendieron patrones que relacionan las características del paciente, la depuración por TRRC, el tamaño de la dosis, el intervalo de dosificación, la duración de la infusión y la CMI con la probabilidad de éxito. En los datos de prueba simulados, la mayoría de los modelos fueron muy precisos, con muchos clasificando correctamente los resultados en más del 95% de los casos. Para abrir la “caja negra” del aprendizaje automático, los investigadores usaron SHAP (Shapley Additive Explanations) para jerarquizar qué entradas eran las más importantes. La CMI bacteriana fue el factor único de mayor peso, seguida de la frecuencia y la cantidad de meropenem administrada y de la eficiencia con la que el paciente y la máquina de TRRC eliminaban el fármaco.

Pruebas en el mundo real y una herramienta junto a la cama

El siguiente paso fue ver cómo se comportaban estos modelos en pacientes reales. Los autores se basaron en datos de 78 individuos críticamente enfermos en distintos sistemas de TRRC, recopilados a partir de nueve estudios publicados. Para cada paciente, un modelo poblacional tradicional reconstruyó curvas detalladas de concentración del fármaco, que sirvieron como estándar de referencia para determinar si la dosificación alcanzaba los objetivos estrictos de exposición a lo largo de un rango de valores plausibles de CMI. Cuando se pidió a los modelos de aprendizaje automático que predijeran los mismos resultados usando solo las características del paciente, los parámetros de TRRC y la información de dosificación, en general superaron el enfoque farmacocinético convencional. En particular, un modelo de gradient boosting logró una mayor discriminación para ambos objetivos de exposición que el modelo establecido. Este modelo de mejor rendimiento se incorporó después en una aplicación web sencilla, llamada “MeroDose”, construida con el marco Streamlit.

De datos complejos a decisiones más claras

En la cabecera, la herramienta MeroDose permite a los clínicos introducir la información básica del paciente, la función renal, los parámetros de TRRC, la dosis y el calendario propuestos de meropenem y una CMI asumida. El sistema estima al instante la probabilidad de que este régimen mantenga los niveles del fármaco suficientemente altos durante todo el intervalo entre dosis, tanto para los objetivos estándar como para los muy estrictos. Aunque no sustituye al control de niveles en sangre ni al juicio clínico, ofrece un punto de partida específico para el paciente en lugar de una dosis única para todos. El estudio concluye que este sistema de soporte impulsado por aprendizaje automático puede mejorar de forma significativa la elección inicial de las dosis de meropenem en pacientes con TRRC, y plantea la necesidad de ensayos prospectivos para confirmar que tales herramientas se traducen en mejores resultados y en menos infecciones resistentes.

Cita: Li, D., Qiao, Z., Xiong, X. et al. Development and validation of a machine learning model for individualised meropenem dosing in CRRT patients. Sci Rep 16, 12398 (2026). https://doi.org/10.1038/s41598-026-43012-x

Palabras clave: sepsis, terapia renal sustitutiva continua, dosificación de meropenem, aprendizaje automático en medicina, soporte a la decisión clínica