Una herramienta de machine learning comercial probada para predecir el riesgo de lesión renal adquirida en el hospital mostró resultados moderadamente exitosos, según estudio de Mass General Brigham.
La lesión renal aguda adquirida en el hospital (HA-AKI, en inglés) es una complicación común en pacientes hospitalizados que puede conducir a enfermedad renal crónica y está asociada con estadías hospitalarias más largas, mayores costos de atención médica y mayor mortalidad. La prevención de HA-AKI puede mejorar los resultados de los pacientes hospitalizados, sin embargo, anticipar el inicio de esta lesión es difícil debido a múltiples factores.
Investigadores de Mass General Brigham Digital probaron una herramienta comercial de machine learning, el modelo predictivo de riesgo de HA-AKI de Epic, y encontraron que tuvo éxito moderado en predecir el riesgo de HA-AKI en datos de pacientes registrados. El estudio, publicado en NEJM AI mostró un rendimiento inferior al registrado por la validación interna de Epic Systems Corporation, resaltando la importancia de validar modelos de IA antes de la implementación clínica.
En este sentido, el modelo de Epic funciona evaluando encuentros de pacientes adultos hospitalizados para el riesgo de HA-AKI, marcado por aumentos predefinidos en los niveles de creatinina sérica. Después de entrenar el modelo utilizando datos de hospitales de Mass General Brigham, los investigadores lo probaron en datos de casi 40,000 estadías hospitalarias de pacientes durante un período de cinco meses entre agosto de 2022 y enero de 2023. El conjunto de datos fue extenso con muchos puntos recopilados en encuentros de pacientes, incluyendo información como datos demográficos del paciente, comorbilidades, diagnósticos principales, niveles de creatinina sérica y duración de la estancia hospitalaria. Se completaron dos análisis que examinaron el rendimiento del modelo a nivel de encuentro y de predicción.
Los investigadores observaron que la herramienta fue más confiable al evaluar pacientes con menor riesgo de HA-AKI. Aunque el modelo podía identificar con confianza qué pacientes de bajo riesgo no desarrollarían HA-AKI, luchó por predecir cuándo podrían desarrollar HA-AKI pacientes de mayor riesgo. Los resultados también variaron según la etapa de HA-AKI que se evaluaba: las predicciones fueron más exitosas para el HA-AKI en Etapa 1 en comparación con casos más graves.
“Descubrimos que el modelo predictivo de Epic fue mejor para descartar pacientes de bajo riesgo que para identificar pacientes de alto riesgo”, explicó el autor principal del estudio, el Dr. Sayon Dutta, del equipo de Informática Clínica de Mass General Brigham Digital “Identificar el riesgo de HA-AKI con modelos predictivos podría ayudar a respaldar decisiones clínicas, como advertir a los proveedores contra la orden de medicamentos nefrotóxicos, pero se necesita más estudio antes de la implementación clínica”, agregó.
