Un modelo de aprendizaje automático para la predicción de sepsis postoperatoria en pacientes quirúrgicos agudos: un estudio multicéntrico prospectivo

Por qué esto importa para pacientes y familias

La sepsis es una reacción potencialmente mortal a una infección que puede aparecer tras una cirugía de urgencia, sobre todo en personas mayores. Los médicos saben que detectar el riesgo de sepsis de manera temprana puede salvar vidas, pero es difícil evaluar quiénes son los más vulnerables en la carrera previa a una operación urgente. Este estudio explora si el reconocimiento de patrones por ordenador, una rama de la inteligencia artificial llamada aprendizaje automático, puede rastrear los datos rutinarios del hospital para señalar a los pacientes ancianos que probablemente desarrollarán sepsis tras una cirugía de urgencia, dando a los equipos más tiempo para actuar.

La sepsis y los peligros tras una cirugía de urgencia

La sepsis es una de las principales causas de muerte a nivel mundial, asociada a millones de casos y varios millones de fallecimientos cada año. La cirugía de urgencia añade una carga extra: los pacientes suelen ser mayores, más frágiles y ya están muy enfermos cuando llegan al quirófano. Las infecciones pueden desarrollarse o empeorar rápidamente tras el procedimiento, y los síntomas pueden parecer similares a una recuperación postoperatoria normal hasta que el paciente empeora de forma súbita. Las listas de verificación y los sistemas de puntuación tradicionales ayudan, pero no fueron diseñados específicamente para personas mayores que necesitan operaciones urgentes, y pueden pasar por alto a quienes están en mayor riesgo.

Convertir los datos hospitalarios rutinarios en señales de alerta temprana

Los investigadores utilizaron información de un gran estudio italiano de pacientes de 65 años o más que fueron intervenidos de urgencia en 29 hospitales. De más de 150 elementos registrados, se centraron únicamente en los datos disponibles antes de la cirugía, como edad, enfermedades previas, estado funcional, signos vitales, análisis básicos de sangre y medidas de fragilidad. Etiquetaron a los pacientes como sépticos o no sépticos según una puntuación clínica llamada qSOFA, que emplea la frecuencia respiratoria, la presión arterial y el estado mental para señalar una infección peligrosa. En total se analizaron 2563 pacientes, de los cuales 119 cumplían los criterios de sepsis tras la cirugía.

Cómo se construyeron y evaluaron los modelos informáticos

El equipo comparó varios tipos de modelos de aprendizaje automático, incluidos regresión logística, k-vecinos más cercanos, bosques aleatorios y árboles potenciados por gradiente. Para evitar engañarse a sí mismos, usaron un método de prueba estricto de dos capas conocido como validación cruzada anidada: en cada ejecución, reservaron algunos pacientes como grupo de prueba y ajustaron los modelos solo con los casos restantes. También abordaron el hecho de que la sepsis era relativamente rara equilibrando cuidadosamente los datos, rellenando pequeños huecos en la información y estandarizando las mediciones. El rendimiento se juzgó con métricas habituales como la precisión, que indica con qué frecuencia el modelo acertaba en general, y sensibilidad y especificidad, que muestran con qué frecuencia detectaba correctamente o descartaba la sepsis.

Qué revelaron los modelos sobre el riesgo de sepsis

Todos los modelos de aprendizaje automático superaron claramente una estrategia simple que asume que nadie desarrollará sepsis. Entre los modelos individuales, los bosques aleatorios y los árboles potenciados por gradiente ofrecieron la mejor combinación de detección correcta de sepsis y minimización de falsas alarmas, con una precisión global superior al 95% y una fuerte capacidad para distinguir pacientes de alto riesgo de los de bajo riesgo. Los investigadores también combinaron los cuatro modelos principales en un único conjunto (ensemble) que tomaba la votación mayoritaria de sus predicciones. Este enfoque combinado alcanzó una precisión muy alta, buena sensibilidad y una excelente capacidad de tranquilizar cuando declaraba a un paciente de bajo riesgo, lo que significa que muy pocas personas que luego desarrollaron sepsis fueron pasadas por alto por el sistema de alerta temprana.

Qué podría significar esto en el hospital

Si se confirma en estudios futuros, este tipo de herramienta de riesgo previa a la cirugía podría proporcionar a los equipos quirúrgicos una lista de verificación práctica potenciada por datos. Antes de que una persona mayor entre en el quirófano, el modelo podría analizar silenciosamente su información rutinaria y sugerir quién puede necesitar un seguimiento más estrecho, antibióticos anticipados o una atención postoperatoria distinta. Podría guiar decisiones sobre dónde se recupera el paciente, como una planta convencional o una unidad de mayor intensidad, y ayudar a los hospitales a centrar el personal y los recursos limitados en quienes tienen más probabilidad de desarrollar una infección grave. El estudio no afirma que el modelo esté listo para el uso cotidiano todavía, pero demuestra que el aprendizaje automático puede convertir en advertencias tempranas significativas la información que ya se recopila en la cirugía de urgencia respecto al riesgo de sepsis.

Cita: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

Palabras clave: sepsis postoperatoria, cirugía de urgencia, pacientes ancianos, aprendizaje automático, predicción de riesgo