Predicción de la concentración de plaquetas mediante aprendizaje automático a partir de mediciones ROTEM

Por qué importan las comprobaciones rápidas de las plaquetas

Cuando una persona sangra durante una cirugía o en cuidados intensivos, los médicos deben decidir con rapidez si administrar transfusiones de plaquetas para ayudar a la coagulación. Las pruebas de laboratorio estándar pueden contar las plaquetas con precisión, pero a menudo tardan una hora o más, retrasando decisiones urgentes. Los dispositivos junto a la cama que registran cómo se forma un coágulo en tiempo real son mucho más rápidos, aunque no muestran directamente cuántas plaquetas hay en la sangre. Este estudio explora si los modelos informáticos pueden traducir esas mediciones rápidas en información fiable sobre niveles peligrosamente bajos de plaquetas.

Una mirada rápida a la coagulación en tiempo real

Las pruebas modernas en el punto de atención, como la tromboelastometría rotacional o ROTEM, observan cómo una muestra de sangre coagula desde el primer indicio de coagulación hasta el momento en que el coágulo está firme y posteriormente se degrada. Estas pruebas proporcionan curvas y valores que reflejan cuán fuerte y estable se vuelve el coágulo, pero no el número real de plaquetas. Investigaciones previas mostraron que algunas lecturas de ROTEM están relacionadas con los niveles de plaquetas, sin embargo, fórmulas simples que usan un único valor derivado de ROTEM no predijeron los recuentos de plaquetas con la suficiente precisión para guiar el tratamiento. Los autores se preguntaron si técnicas informáticas más avanzadas que consideran muchas características de ROTEM a la vez podrían hacerlo mejor.

Construcción de modelos informáticos a partir de datos hospitalarios

El equipo recopiló 2.333 pruebas sanguíneas emparejadas de cuatro hospitales universitarios, todas tomadas a pacientes quirúrgicos o de cuidados intensivos entre 2014 y 2023. Para cada caso disponían de un conjunto completo de mediciones ROTEM y de un recuento de plaquetas de laboratorio tomado en un plazo de tres horas. Tras limpiar cuidadosamente los datos y completar los valores faltantes, introdujeron 29 variables relacionadas con ROTEM en varios métodos de aprendizaje automático. Algunos modelos intentaron predecir la concentración exacta de plaquetas, mientras que otros abordaron preguntas más simples: ¿está el recuento de plaquetas por debajo de 100.000 millones por litro, o por debajo de 50.000 millones por litro?, niveles que se usan ampliamente como umbrales de seguridad en cirugía y hemorragia crítica.

Qué tan bien podían contar las plaquetas los modelos

Al pedirles estimar el recuento exacto de plaquetas, todos los modelos de aprendizaje automático superaron a las fórmulas antiguas de una sola línea que se basaban en un único valor derivado de ROTEM. El mejor enfoque, un modelo en conjunto apilado que combina varios métodos, mostró sin embargo sólo una precisión moderada. Sus predicciones diferían del recuento real en un promedio de aproximadamente 40.000 millones de plaquetas por litro, lo que los autores consideran demasiado impreciso para decisiones de dosificación con confianza. Gráficas que comparan los recuentos predichos y reales, así como comprobaciones estadísticas de sesgo y dispersión, confirmaron que los modelos a menudo fallaban en casos de pacientes individuales incluso cuando captaban tendencias generales.

Detectar niveles peligrosamente bajos funciona mejor

Los modelos funcionaron mucho mejor en una tarea más simple y clínicamente crucial: identificar a los pacientes con recuentos claramente bajos de plaquetas. Para detectar recuentos por debajo de 100.000 millones por litro, los modelos de bosque aleatorio y los modelos en conjunto alcanzaron valores altos en una medida estándar de calidad diagnóstica llamada área bajo la curva. Fueron especialmente eficaces para descartar plaquetas bajas, con probabilidades muy altas de que un resultado “seguro” realmente indicara que el paciente estaba por encima del umbral. El rendimiento fue aún más sólido para detectar recuentos por debajo de 50.000 millones por litro, donde de nuevo destacó el modelo en conjunto. Estos resultados se mantuvieron con diferentes formas de juzgar la precisión y fueron claramente superiores a confiar únicamente en el único valor derivado de ROTEM.

Qué podría significar esto junto a la cama del paciente

Los autores concluyen que los modelos de aprendizaje automático actuales aún no son lo suficientemente precisos como para reemplazar un recuento de plaquetas de laboratorio, porque sus estimaciones del número exacto varían demasiado entre pacientes individuales. Sin embargo, esos mismos modelos son muy buenos respondiendo a una pregunta de sí o no sobre si las plaquetas han caído por debajo de cortes de seguridad clave. En situaciones de hemorragia urgente, esa orientación rápida junto a la cama podría ayudar a los médicos a retrasar o evitar transfusiones de plaquetas de forma segura mientras esperan los resultados de laboratorio, reduciendo tanto los retrasos en la atención como la exposición innecesaria a productos sanguíneos.

Cita: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

Palabras clave: recuento de plaquetas, trombocitopenia, ROTEM, aprendizaje automático, transfusión de plaquetas