NutriSighT, un modelo basado en deep learning podría apoyar decisiones clínicas más personalizadas en unidades de cuidados intensivos.
Investigadores de Mount Sinai desarrollaron NutriSighT, un modelo de inteligencia artificial (IA) capaz de predecir de forma dinámica qué pacientes en estado crítico, bajo ventilación mecánica, tienen mayor riesgo de recibir una nutrición enteral insuficiente durante los días más críticos de su estancia en terapia intensiva. El avance fue publicado en la revista Nature Communications.
En pacientes que requieren ventilación mecánica, garantizar una nutrición adecuada es un reto clínico constante. Durante la fase aguda de la enfermedad, factores como la inestabilidad hemodinámica, la disfunción gastrointestinal o la necesidad de procedimientos médicos pueden interferir con la administración de alimentos. Aun así, una nutrición insuficiente se ha asociado con pérdida muscular, mayor tiempo de ventilación y peores desenlaces clínicos.
“Demasiados pacientes conectados a respiradores en la unidad de cuidados intensivos (UCI) no reciben la nutrición que necesitan durante la crítica primera semana”, detalló el coautor principal Ankit Sakhuja, profesor asociado de Inteligencia Artificial y Salud Humana, y Medicina. “Sus necesidades cambian rápidamente y es fácil que se queden atrás. Queríamos explorar una forma sencilla y oportuna de identificar quiénes corren mayor riesgo de estar desnutridos, para que los médicos pudieran intervenir antes, ajustar la atención y asegurarse de que cada paciente recibiera el apoyo adecuado cuando más lo necesitara”.
Las guías clínicas internacionales no siempre coinciden en cuántas calorías deben recibir estos pacientes durante la primera semana en cuidados intensivos, lo que refleja la complejidad y heterogeneidad de esta población.
NutriSighT es un modelo de aprendizaje profundo o deep learning basado en transformadores, una arquitectura de IA diseñada para analizar datos que cambian con el tiempo. El sistema utiliza información clínica rutinaria, como signos vitales, resultados de laboratorio, medicamentos y características demográficas, para predecir si un paciente recibirá menos del 70% de sus requerimientos calóricos diarios entre los días 3 y 7 de ventilación mecánica.
“La importancia de los resultados de nuestro estudio radica en que, por primera vez, podría ser posible identificar qué pacientes corren el riesgo de sufrir desnutrición en las primeras etapas de su estancia en la unidad de cuidados intensivos y adaptar la atención a sus necesidades individuales”, explica el coautor principal, el Dr. Girish N. Nadkarni, presidente del Departamento Windreich de Inteligencia Artificial y Salud Humana.
A diferencia de otros modelos tradicionales, NutriSighT genera predicciones actualizadas cada cuatro horas y ofrece explicaciones interpretables mediante técnicas como SHAP, que permiten identificar qué variables influyen más en cada predicción.
“Esto representa un paso importante para proporcionar a los médicos mejor información para tomar decisiones sobre nutrición. En última instancia, el objetivo es proporcionar la cantidad adecuada de nutrición al paciente adecuado en el momento adecuado, lo que podría ayudar a mejorar la recuperación y los resultados en pacientes críticos y sentar las bases para estrategias de atención más personalizadas”, agregó el Dr. Nadkarni.
El modelo fue entrenado con datos de más de 3 mil 200 pacientes de cuidados intensivos en Europa (AmsterdamUMCdb) y validado externamente con información de más de 6 mil 400 pacientes en Estados Unidos (base MIMIC-IV).
Los resultados mostraron que NutriSighT logró un desempeño predictivo alto, con una capacidad significativamente mayor para identificar pacientes en riesgo de desnutrición en comparación con modelos clásicos como XGBoost. Entre los factores más influyentes en las predicciones se encontraron niveles de sodio en sangre, presión arterial diastólica, parámetros hematológicos y el uso de sedantes como el propofol.
De acuerdo con los autores, NutriSighT podría funcionar como una herramienta de apoyo a la toma de decisiones clínicas, ayudando a identificar oportunamente a pacientes que podrían beneficiarse de ajustes en su estrategia nutricional. Esto permitiría evaluar con mayor precisión si la desnutrición es parte de una estrategia terapéutica deliberada o el resultado de barreras clínicas o logísticas. Además, el modelo podría ser útil para diseñar estudios clínicos más personalizados y avanzar hacia enfoques de nutrición individualizada en cuidados intensivos.
Los investigadores señalan que el estudio se basa en datos retrospectivos y en estimaciones calóricas derivadas de guías clínicas, no de mediciones directas del gasto energético. Por ello, subrayan la necesidad de validaciones prospectivas y de integrar la herramienta en sistemas de historia clínica electrónica antes de su uso rutinario. No obstante, aun con estas limitaciones, el estudio representa un paso relevante en el uso de IA para abordar uno de los desafíos persistentes del cuidado de pacientes críticamente enfermos como ofrecer una nutrición adecuada, oportuna y verdaderamente personalizada.
