Un modelo predictivo de trombosis relacionada con PICC en pacientes con sepsis usando el algoritmo XGBoost

Por qué esto importa para pacientes y familias

Muchas personas con infecciones potencialmente mortales, como la sepsis, dependen de tubos largos y flexibles colocados en sus venas para recibir medicación y nutrición. Estas líneas, llamadas catéteres PICC, son esenciales pero a veces pueden provocar coágulos sanguíneos peligrosos. Este estudio muestra cómo los médicos utilizaron una técnica informática moderna para predecir qué pacientes con sepsis tienen más probabilidades de desarrollar coágulos alrededor de estos catéteres, con el objetivo de prevenir complicaciones antes de que ocurran.

Catéteres que ayudan y a veces dañan

Cuando los pacientes tienen sepsis, a menudo necesitan semanas de antibióticos intravenosos, líquidos y nutrición. Los catéteres centrales de inserción periférica, o PICC, se introducen desde una vena del brazo hacia el corazón para permitir esto. Aunque son convenientes, los PICC también pueden alterar el flujo sanguíneo e irritar la pared del vaso, favoreciendo la formación de coágulos. Estos coágulos pueden obstruir venas, prolongar la estancia en cuidados intensivos y, en casos graves, desprenderse y viajar hasta los pulmones. Hasta ahora, ha sido difícil para los clínicos saber con antelación qué pacientes corren mayor riesgo, porque intervienen al mismo tiempo muchos factores de salud y sanguíneos.

Usando big data y algoritmos inteligentes

Los investigadores recurrieron a una gran base de datos de cuidados críticos abierta de un importante hospital estadounidense, que contiene registros detallados de más de 94.000 estancias en cuidados intensivos entre 2008 y 2022. A partir de este recurso identificaron 8.128 adultos con sepsis que tenían un catéter PICC colocado al menos dos días y no presentaban ciertas condiciones que complican el cuadro, como cánceres hematológicos. Entre estos pacientes, 538 desarrollaron un coágulo relacionado con el catéter, la mayoría dentro del primer mes tras la inserción. El equipo dividió a los pacientes en dos grupos: uno para entrenar su modelo informático y otro para probar cómo funcionaría en casos nuevos.

Lo que el modelo aprendió sobre el riesgo de coágulos

Para detectar patrones demasiado complejos para reglas simples, el equipo usó un enfoque llamado XGBoost, un tipo de aprendizaje automático que combina muchos pequeños árboles de decisión en un único predictor potente. Alimentaron el modelo con información que los clínicos recogen de forma rutinaria, incluyendo edad, sexo, resultados de análisis de sangre, otras enfermedades y el tiempo que el PICC había estado en su lugar. El modelo produjo una probabilidad de que un paciente concreto desarrollara un coágulo. Su precisión se evaluó mediante el área bajo la curva ROC, una medida estándar para herramientas predictivas. Puntuaciones alrededor de 0,76 tanto en los grupos de entrenamiento como de prueba indicaron que el modelo fue capaz de distinguir claramente a los pacientes de mayor riesgo de los de menor riesgo.

Asomarse dentro de la caja negra

Una preocupación común con el aprendizaje automático es que puede sentirse como una caja negra. Para abordar esto, los investigadores emplearon un método de interpretabilidad llamado SHAP para estimar cuánto cada factor empujaba la predicción hacia mayor o menor riesgo. Las características más influyentes incluyeron el recuento de glóbulos blancos, el recuento de plaquetas, antecedentes de infarto de miocardio, hemoglobina, función renal, tiempo que el PICC llevaba colocado, edad, enfermedad hepática leve, una medida de coagulación sanguínea llamada tiempo de protrombina y diabetes sin complicaciones graves. En conjunto, estos elementos dibujan un panorama de aumento del riesgo de coágulo cuando la inflamación es alta, la sangre y la coagulación están desequilibradas, y la sonda permanece más tiempo en la vena. Un análisis de curva de decisión sugirió además que usar el modelo para orientar el tratamiento preventivo beneficiaría a más pacientes que tratar a todos o no tratar a nadie.

Qué podría significar en la cabecera del paciente

Para la atención diaria, este trabajo sugiere que los médicos podrían usar información rutinaria para estimar la probabilidad de que un paciente con sepsis desarrolle un coágulo relacionado con un PICC antes de que surja el problema. Aquellos identificados como de alto riesgo podrían recibir vigilancia más estrecha, un tiempo de catéter más corto, tipos de catéter especiales o anticoagulación preventiva temprana, mientras que los pacientes de bajo riesgo podrían evitar tratamientos innecesarios. El estudio tiene limitaciones: proviene de un único sistema hospitalario y usa datos retrospectivos en lugar de un ensayo clínico prospectivo, pero ofrece un paso concreto hacia un uso más personalizado y seguro de las líneas intravenosas que salvan vidas en algunos de los pacientes más graves.

Cita: Hao, W., She, Ty., Yuan, Zn. et al. A predictive model for PICC-related thrombosis in sepsis patients using XGBoost algorithm. Sci Rep 16, 14378 (2026). https://doi.org/10.1038/s41598-026-44999-z

Palabras clave: sepsis, catéter PICC, coágulo de sangre, aprendizaje automático, cuidados intensivos