El aprendizaje automático predice las trayectorias de empeoramiento en sepsis

Por qué importa esto para pacientes y familias

La sepsis es una complicación común y a menudo mortal de las infecciones en cuidados intensivos, y su curso puede cambiar con rapidez. Las familias y los clínicos tienen dificultades para saber qué pacientes se recuperarán y cuáles se encaminan hacia una insuficiencia orgánica potencialmente letal. Este estudio investiga si los algoritmos informáticos pueden leer patrones en los datos de la cabecera para prever hacia dónde se dirige la enfermedad de un paciente horas antes de que sea evidente, abriendo una ventana para una atención más temprana y dirigida.

Diferentes rutas de recuperación y empeoramiento

Los investigadores analizaron registros de casi 48 000 adultos con sepsis tratados en unidades de cuidados intensivos en China y en grandes bases de datos hospitalarias de Estados Unidos. Examinaron cómo cambiaban con el tiempo las puntuaciones de función orgánica y los signos vitales, en lugar de centrarse en instantáneas únicas. Con herramientas estadísticas, encontraron que los pacientes tendían a seguir tres trayectorias amplias tras su ingreso en la UCI: recuperación rápida, recuperación lenta o deterioro clínico sostenido. Estas trayectorias no eran simples etiquetas; reflejaban diferencias claras en edad, comorbilidades, daño orgánico y supervivencia. Los pacientes en la vía de deterioro eran de mayor edad, tenían más enfermedades crónicas y mostraban puntuaciones crecientes de fallo orgánico y mayor necesidad de ventilación y fármacos para la presión arterial.

Vigilar el ritmo del cuerpo

Más allá de valores medios como la presión arterial o la frecuencia cardiaca, el equipo se centró en cuánto variaban esas señales a lo largo del tiempo. Descubrieron que la «oscilación» en la frecuencia cardiaca, conocida como variabilidad de la frecuencia cardiaca, aportaba pistas importantes. Los pacientes cuya pauta de frecuencia cardiaca se volvía demasiado estable, con poca variabilidad natural, tenían más del doble de probabilidad de morir en 28 días que aquellos que mantenían un ritmo más flexible, incluso tras ajustar por edad y gravedad de la enfermedad. Efectos similares, aunque menores, se observaron en las oscilaciones de la presión arterial y la frecuencia respiratoria. Estos hallazgos apoyan la idea de que un organismo sano presenta ritmos ricos y adaptables, y que la pérdida de esa complejidad puede advertir de un colapso inminente antes de que aparezcan los signos tradicionales.

Enseñar a los ordenadores a detectar el peligro temprano

Para convertir estos patrones en una herramienta práctica, los investigadores construyeron un modelo de aprendizaje automático en ensamblaje, un tipo de programa avanzado que combina varios métodos predictivos. Utilizó tanto información basal, como la edad y el tipo de infección, como características dinámicas —tendencias, pendientes y variabilidad de signos vitales y pruebas de laboratorio—. El modelo se entrenó en un hospital y luego se validó en un grupo posterior de pacientes y en dos grandes bases de datos públicas de UCI. Distinguió con precisión a los pacientes que más tarde se deteriorarían de los que no lo harían, con buen rendimiento en distintos hospitales, tipos de infección y grupos de edad. En promedio, avisó del deterioro alrededor de 18 horas antes de que ocurriera, y sus estimaciones de riesgo concordaron bien con los resultados reales.

Impacto en la atención real

El equipo integró el modelo en un sistema de apoyo a la decisión en la cabecera que clasificaba a los pacientes en grupos de bajo, moderado y alto riesgo según la trayectoria prevista. Los clínicos siguieron planes de respuesta estandarizados para cada nivel, como vigilancia más estrecha o tratamiento más agresivo para quienes se señalaban como propensos a deteriorarse. Tras ajustar por diferencias entre pacientes, los atendidos con ayuda del sistema pasaron casi dos días menos en la UCI, necesitaron ventilación mecánica aproximadamente dos días menos y tuvieron un 5,7 % menos de probabilidad de morir en 28 días en comparación con pacientes similares tratados antes de implantar el sistema. Los beneficios fueron mayores en el grupo intermedio de «recuperación lenta», que pareció ser el que más se pudo apartar del deterioro con una acción más temprana.

Qué significa esto de cara al futuro

El estudio sugiere que seguir cómo cambia la condición de un paciente con sepsis a lo largo del tiempo, y en especial cómo los ritmos cardiacos y circulatorios pierden flexibilidad, puede ayudar a los ordenadores a pronosticar quién se está desviando hacia el peligro. Combinadas con protocolos claros en la cabecera, tales predicciones se asociaron con estancias en UCI más cortas, menos tiempo en ventilación y menos muertes. Aunque el trabajo aún necesita ensayos aleatorizados y validación en más sistemas sanitarios, apunta a un futuro en el que herramientas de monitorización inteligentes y transparentes ayuden a los clínicos a pasar de reaccionar ante crisis a anticiparlas y prevenirlas.

Cita: Zhang, R., Long, F., Zhao, Z. et al. Machine learning predicts sepsis deterioration trajectories. npj Digit. Med. 9, 385 (2026). https://doi.org/10.1038/s41746-026-02565-x

Palabras clave: sepsis, aprendizaje automático, monitorización en UCI, variabilidad de la frecuencia cardiaca, deterioro clínico