pCREST es un modelo de machine learning que logra predice eventos críticos en pacientes pediátricos hospitalizados.
Un estudio reciente publicado en JAMA Network Open presenta un avance significativo en el monitoreo de pacientes pediátricos hospitalizados. Investigadores desarrollaron pCREST, un modelo de machine learning o aprendizaje automático diseñado para predecir eventos críticos, por ejemplo la necesidad de ventilación mecánica, administración de medicamentos vasoactivos o incluso el riesgo de muerte, en las siguientes 12 horas. Este sistema destaca por su capacidad de funcionar en todas las unidades hospitalarias, desde urgencias hasta salas generales y unidades de cuidados intensivos (UCIs), superando a las herramientas tradicionales que suelen estar limitadas a áreas específicas.
El modelo, basado en el algoritmo XGBoost, demostró una precisión del 86% en la identificación de eventos críticos, superando ampliamente a sistemas como Bedside PEWS con 70% y pCART con 82%. Además, mostró una mayor eficiencia clínica, pues mientras otros modelos generaban entre 9 y 11 alertas por cada evento real detectado, pCREST redujo este número a solo 6, minimizando así las falsas alarmas que pueden saturar a los equipos médicos. Entre los factores más determinantes para sus predicciones se encuentran el nivel de oxígeno en la sangre (FiO₂), la frecuencia cardíaca, la temperatura corporal y la ubicación del paciente dentro del hospital.
Los autores explican que este avance no solo mejora la detección temprana de complicaciones, sino que también unifica la evaluación de riesgo en todo el hospital, evitando los cambios abruptos en los sistemas de alerta cuando los pacientes son trasladados entre unidades. El estudio indica que una herramienta como pCREST podría optimizar la asignación de recursos y facilitar intervenciones oportunas, reduciendo potencialmente la mortalidad y las secuelas graves en niños hospitalizados.
Sin embargo, el estudio tiene limitaciones importantes, por ejemplo, al basarse en datos retrospectivos, requiere validación prospectiva antes de su implementación generalizada. Además, los investigadores destacan la necesidad de abordar aspectos éticos, como la equidad del modelo en diferentes grupos de pacientes y la transparencia en sus decisiones, para garantizar su seguridad y confiabilidad en entornos clínicos reales.
Según los autores, pCREST es el primer modelo de machine learning en unificar la predicción de riesgo a través de unidades de hospitales pediátricos, reduciendo potencialmente la morbilidad/mortalidad a través de la detección temprana.
