El sistema, entrenado con datos de más de 143 mil ingresos hospitalarios, analiza en tiempo real variables clínicas del expediente electrónico y superó el desempeño de modelos previos al reducir las alertas falsas sin sacrificar sensibilidad clínica.
Investigadores del Departamento de Biomedicina Computacional y la División de Endocrinología, Diabetes y Metabolismo del Cedars-Sinai Medical Center desarrollaron un modelo de aprendizaje profundo o deep learning capaz de predecir en tiempo real episodios de hipoglucemia en pacientes hospitalizados dentro de un lapso de 24 horas. El estudio, publicado en npj Digital Medicine, utilizó datos de 143,124 ingresos hospitalarios de adultos registrados entre 2014 y 2025 en tres hospitales del sistema Cedars-Sinai.
La hipoglucemia intrahospitalaria, definida como un nivel de glucosa en sangre inferior a 70 mg/dL, es el evento adverso más frecuente durante el tratamiento de la diabetes en pacientes hospitalizados y se asocia a mayor morbimortalidad, prolongación de la estancia y aumento de costos. A pesar de su relevancia clínica, el manejo de esta complicación sigue siendo predominantemente reactivo y los ajustes terapéuticos suelen realizarse después de que el episodio ya ocurrió. Las guías de la Asociación Americana de Diabetes (ADA) de 2024 recomiendan estrategias individualizadas de prevención, pero no existe actualmente ninguna herramienta ampliamente adoptada para la predicción proactiva en tiempo real.
“Hoy en día, la mayor parte de la atención hospitalaria para la hipoglucemia es reactiva, y actuamos una vez que el nivel de azúcar en sangre del paciente ha bajado”, detalló la Dra. Roma Gianchandani, autora principal del estudio y directora del programa de Diabetes.
El modelo desarrollado en este estudio utiliza una arquitectura de redes neuronales recurrentes conocida como Long Short-Term Memory o LSTM diseñada para capturar dependencias temporales en secuencias de datos clínicos. El sistema analiza un conjunto de variables registradas en el expediente electrónico durante los cinco días previos a cada predicción, segmentados en intervalos de cuatro horas, incluyendo medicamentos administrados, valores de laboratorio, tipos de dieta, porcentaje de comidas consumidas y variables demográficas y clínicas estáticas como la presencia de enfermedad renal crónica o episodios previos de hipoglucemia. Las predicciones se actualizan cada cuatro horas y tardan 0.07 segundos en generarse, lo que hace viable su integración en entornos clínicos operativos.
El modelo alcanzó una puntuación F1 de 0.30, una precisión de 23% y una sensibilidad de 44% con un umbral de decisión de 0.7, superando a todos los modelos de comparación, incluyendo regresión logística, redes neuronales densas y XGBoost. En términos generales, con ese umbral el sistema generaría alrededor de 16 alertas diarias con 3.4 falsos positivos por cada alerta verdadera, y tendría el potencial de prevenir 3.6 episodios de hipoglucemia por día, equivalentes a 44% de los casos esperados. Escalando al conjunto de camas hospitalarias de Estados Unidos, los autores estiman que esto podría traducirse en la prevención de cerca de 4 mil episodios de hipoglucemia intrahospitalaria diarios a nivel nacional.
Frente a estudios previos que habían reportado precisiones de 9% y 12% con altas tasas de alertas falsas, lo que representa un obstáculo importante para la adopción clínica, el modelo LSTM más que duplicó la precisión mientras mantuvo una sensibilidad clínicamente relevante. Para apoyar la interpretabilidad de las predicciones, el equipo incorporó el método SHAP (SHapley Additive Explanations) en su variante posicional, que permite identificar qué variables y en qué momento del historial del paciente contribuyeron más al riesgo estimado. En un caso ilustrativo, el sistema identificó dosis recientes de insulina glargina como los factores más influyentes en la predicción de un episodio hipoglucémico con un día de anticipación.
La validación prospectiva del modelo, realizada mediante extracciones diarias del expediente electrónico en tiempo real durante 2.5 semanas, confirmó que el desempeño se mantuvo estable bajo condiciones operativas reales. El análisis de equidad entre subgrupos no encontró diferencias significativas de rendimiento por sexo ni por etnia, aunque el modelo mostró un desempeño modestamente superior en poblaciones con mayor incidencia basal de hipoglucemia, como pacientes con diabetes tipo 1, enfermedad renal crónica o en unidades de cuidados intensivos, lo que los autores atribuyen a una mayor disponibilidad de ejemplos positivos durante el entrenamiento.
“Lo más interesante es que no se trata solo de un modelo teórico, sino que está diseñado y validado para funcionar de forma prospectiva y en tiempo real utilizando los datos que los hospitales ya recopilan”, afirmó el autor principal del estudio, el Dr. Jesse Meyer profesor del Departamento de Biomedicina Computacional del Cedars-Sinai. “Al identificar antes a los pacientes en situación de riesgo, tenemos la oportunidad de reducir las complicaciones evitables y mejorar la seguridad de los pacientes”.
Los investigadores señalan que el siguiente paso prioritario es un estudio prospectivo aleatorizado que integre el modelo en un flujo de trabajo de farmacia clínica o de supervisión glucémica, en el que las alertas sean revisadas por farmacéuticos o enfermeras practicantes en lugar de interrumpir directamente a los médicos tratantes. El código del modelo está disponible públicamente en GitHub, y Cedars-Sinai ha presentado solicitudes de patente relacionadas con el sistema.
