{"id":66187,"date":"2025-12-30T11:05:43","date_gmt":"2025-12-30T17:05:43","guid":{"rendered":"https:\/\/saluddigital.com\/?p=66187"},"modified":"2025-12-30T11:09:02","modified_gmt":"2025-12-30T17:09:02","slug":"ia-ayuda-a-predecir-la-desnutricion-en-pacientes-criticos-con-ventilacion-mecanica","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-ayuda-a-predecir-la-desnutricion-en-pacientes-criticos-con-ventilacion-mecanica\/","title":{"rendered":"IA ayuda a predecir la desnutrici\u00f3n en pacientes cr\u00edticos con ventilaci\u00f3n mec\u00e1nica"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

NutriSighT, un modelo basado en deep learning podr\u00eda apoyar decisiones cl\u00ednicas m\u00e1s personalizadas en unidades de cuidados intensivos.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Investigadores de Mount Sinai desarrollaron NutriSighT<\/strong>, un modelo de inteligencia artificial (IA) capaz de predecir de forma din\u00e1mica qu\u00e9 pacientes en estado cr\u00edtico, bajo ventilaci\u00f3n mec\u00e1nica, tienen mayor riesgo de recibir una nutrici\u00f3n enteral insuficiente durante los d\u00edas m\u00e1s cr\u00edticos de su estancia en terapia intensiva. El avance fue publicado en la revista Nature Communications<\/em><\/a>.<\/p>

En pacientes que requieren ventilaci\u00f3n mec\u00e1nica, garantizar una nutrici\u00f3n adecuada es un reto cl\u00ednico constante. Durante la fase aguda de la enfermedad, factores como la inestabilidad hemodin\u00e1mica, la disfunci\u00f3n gastrointestinal o la necesidad de procedimientos m\u00e9dicos pueden interferir con la administraci\u00f3n de alimentos. Aun as\u00ed, una nutrici\u00f3n insuficiente se ha asociado con p\u00e9rdida muscular, mayor tiempo de ventilaci\u00f3n y peores desenlaces cl\u00ednicos.<\/p>

\u201cDemasiados pacientes conectados a respiradores en la unidad de cuidados intensivos (UCI) no reciben la nutrici\u00f3n que necesitan durante la cr\u00edtica primera semana\u201d, detall\u00f3 el coautor principal Ankit Sakhuja, profesor asociado de Inteligencia Artificial y Salud Humana, y Medicina. \u201cSus necesidades cambian r\u00e1pidamente y es f\u00e1cil que se queden atr\u00e1s. Quer\u00edamos explorar una forma sencilla y oportuna de identificar qui\u00e9nes corren mayor riesgo de estar desnutridos, para que los m\u00e9dicos pudieran intervenir antes, ajustar la atenci\u00f3n y asegurarse de que cada paciente recibiera el apoyo adecuado cuando m\u00e1s lo necesitara\u201d.<\/p>

Las gu\u00edas cl\u00ednicas internacionales no siempre coinciden en cu\u00e1ntas calor\u00edas deben recibir estos pacientes durante la primera semana en cuidados intensivos, lo que refleja la complejidad y heterogeneidad de esta poblaci\u00f3n.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

NutriSighT es un modelo de aprendizaje profundo o deep learning<\/em> basado en transformadores<\/strong>, una arquitectura de IA dise\u00f1ada para analizar datos que cambian con el tiempo. El sistema utiliza informaci\u00f3n cl\u00ednica rutinaria, como signos vitales, resultados de laboratorio, medicamentos y caracter\u00edsticas demogr\u00e1ficas, para predecir si un paciente recibir\u00e1 menos del 70% de sus requerimientos cal\u00f3ricos diarios entre los d\u00edas 3 y 7 de ventilaci\u00f3n mec\u00e1nica.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cLa importancia de los resultados de nuestro estudio radica en que, por primera vez, podr\u00eda ser posible identificar qu\u00e9 pacientes corren el riesgo de sufrir desnutrici\u00f3n en las primeras etapas de su estancia en la unidad de cuidados intensivos y adaptar la atenci\u00f3n a sus necesidades individuales\u201d, explica el coautor principal, el Dr. Girish N. Nadkarni, presidente del Departamento Windreich de Inteligencia Artificial y Salud Humana.<\/p>

A diferencia de otros modelos tradicionales, NutriSighT genera predicciones actualizadas cada cuatro horas y ofrece explicaciones interpretables mediante t\u00e9cnicas como SHAP, que permiten identificar qu\u00e9 variables influyen m\u00e1s en cada predicci\u00f3n.<\/p>

\u00a0\u201cEsto representa un paso importante para proporcionar a los m\u00e9dicos mejor informaci\u00f3n para tomar decisiones sobre nutrici\u00f3n. En \u00faltima instancia, el objetivo es proporcionar la cantidad adecuada de nutrici\u00f3n al paciente adecuado en el momento adecuado, lo que podr\u00eda ayudar a mejorar la recuperaci\u00f3n y los resultados en pacientes cr\u00edticos y sentar las bases para estrategias de atenci\u00f3n m\u00e1s personalizadas\u201d, agreg\u00f3 el Dr. Nadkarni.<\/p>

El modelo fue entrenado con datos de m\u00e1s de 3 mil 200 pacientes de cuidados intensivos en Europa (AmsterdamUMCdb) y validado externamente con informaci\u00f3n de m\u00e1s de 6 mil 400 pacientes en Estados Unidos (base MIMIC-IV).<\/p>

Los resultados mostraron que NutriSighT logr\u00f3 un desempe\u00f1o predictivo alto<\/strong>, con una capacidad significativamente mayor para identificar pacientes en riesgo de desnutrici\u00f3n en comparaci\u00f3n con modelos cl\u00e1sicos como XGBoost<\/strong>. Entre los factores m\u00e1s influyentes en las predicciones se encontraron niveles de sodio en sangre, presi\u00f3n arterial diast\u00f3lica, par\u00e1metros hematol\u00f3gicos y el uso de sedantes como el propofol.<\/p>

De acuerdo con los autores, NutriSighT podr\u00eda funcionar como una herramienta de apoyo a la toma de decisiones cl\u00ednicas<\/strong>, ayudando a identificar oportunamente a pacientes que podr\u00edan beneficiarse de ajustes en su estrategia nutricional. Esto permitir\u00eda evaluar con mayor precisi\u00f3n si la desnutrici\u00f3n es parte de una estrategia terap\u00e9utica deliberada o el resultado de barreras cl\u00ednicas o log\u00edsticas. Adem\u00e1s, el modelo podr\u00eda ser \u00fatil para dise\u00f1ar estudios cl\u00ednicos m\u00e1s personalizados y avanzar hacia enfoques de nutrici\u00f3n individualizada en cuidados intensivos.<\/p>

Los investigadores se\u00f1alan que el estudio se basa en datos retrospectivos y en estimaciones cal\u00f3ricas derivadas de gu\u00edas cl\u00ednicas, no de mediciones directas del gasto energ\u00e9tico. Por ello, subrayan la necesidad de validaciones prospectivas<\/strong> y de integrar la herramienta en sistemas de historia cl\u00ednica electr\u00f3nica 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 desaf\u00edos persistentes del cuidado de pacientes cr\u00edticamente enfermos como ofrecer una nutrici\u00f3n adecuada, oportuna y verdaderamente personalizada.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41467-025-66200-1<\/a><\/p>

MOUNT SINAI <\/strong><\/p>

https:\/\/www.mountsinai.org\/about\/newsroom\/2025\/ai-could-help-predict-nutrition-risks-in-icu-patients-study-finds<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

NutriSighT, el modelo de IA que ayuda a predecir la desnutrici\u00f3n en pacientes cr\u00edticos con ventilaci\u00f3n mec\u00e1nica en UCI.<\/p>","protected":false},"author":1,"featured_media":66189,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-66187","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66187","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=66187"}],"version-history":[{"count":4,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66187\/revisions"}],"predecessor-version":[{"id":66193,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66187\/revisions\/66193"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/66189"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=66187"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=66187"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=66187"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}