Prediciendo CLABSI: Nuevos Modelos para la Seguridad del Paciente

¿Alguna vez has estado en un hospital donde sentías que estabas esperando para salir para siempre? Bueno, para algunos pacientes, hay una buena razón para eso: Infección del Torrente Sanguíneo Asociada a Línea Central, o CLABSI para los amigos. Es como recibir un boleto para una estancia en el hospital que definitivamente no querías. CLABSI ocurre cuando bacterias entran en el torrente sanguíneo a través de un catéter venoso central (un tubo fancy que se inserta en una vena grande). Esta infección normalmente aparece al menos 48 horas después de ser admitido, y no proviene de otra infección que ya tenías. Tristemente, CLABSI puede llevar a estancias más largas en el hospital, mayores facturas médicas y una mayor probabilidad de problemas de salud serios o incluso la muerte. No es lo que nadie quiere mientras intenta mejorar.

#La Búsqueda de Predicciones de Riesgo

Ahora, ¿no sería genial si los doctores pudieran predecir quién podría estar en riesgo de contraer CLABSI? Bueno, eso es en lo que muchos profesionales de la salud están trabajando. Al desarrollar un modelo de predicción de riesgo, pueden evaluar los riesgos de los pacientes más rápidamente y tomar acción para prevenir estas molestas infecciones. Esto podría ayudar a salvar vidas y reducir la temida factura del hospital.

En el pasado, los investigadores miraron diferentes modelos para predecir los riesgos de CLABSI. La mayoría eran como teléfonos viejos: estáticos e incapaces de adaptarse. No consideraban cómo podría cambiar la condición de un paciente durante su estancia en el hospital. Solo un modelo era dinámico, pero estaba limitado a pacientes en un área específica del hospital.

Gracias al uso creciente de Registros Electrónicos de Salud (EHR), los investigadores ahora tienen acceso a datos más continuos sobre los pacientes. Esto significa que pueden tener actualizaciones a toda hora, como tu feed de redes sociales. Más datos pueden ayudar a crear mejores modelos para predecir riesgos.

#Nuestro Estudio: Un Nuevo Enfoque a las Predicciones

En este estudio, aprovechamos el poder de los datos de EHR para crear modelos que se mantuvieran al tanto de los cambios en la salud del paciente. Nuestro objetivo era predecir el riesgo de CLABSI a 7 días para pacientes con catéteres venosos centrales en los Hospitales Universitarios de Leuven. Desarrollamos y evaluamos seis modelos, como un chef probando diferentes recetas. Estos modelos se construyeron usando una mezcla de técnicas estadísticas complejas. Entre ellos, tuvimos modelos de regresión, bosques aleatorios, boosting de gradiente extremo y un modelo de superaprendizaje. Solo imagina a ese superaprendiz como el superhéroe definitivo de la predicción de riesgo, ¡reuniendo los mejores poderes de sus amigos!

#Reuniendo los Datos

Reunimos datos de pacientes del sistema de EHR del hospital desde enero de 2014 hasta diciembre de 2020. Los pacientes incluyeron todos los grupos de edad: desde neonatos hasta geriátricos, que tenían catéteres centrales. Nadie se quedó fuera de esta fiesta.

Los detalles que recogimos incluyeron todo tipo de información: demografía, pruebas de laboratorio, medicamentos y signos vitales. Piensa en ello como crear un perfil detallado para cada paciente. Aunque nos encontramos con algunos datos faltantes (¿quién no ha perdido su cargador de teléfono al menos una vez?), teníamos un método sólido para llenar esos vacíos.

#¿Qué Estábamos Buscando?

Para nuestro estudio, definimos CLABSI como cualquier infección confirmada por una prueba de laboratorio para un paciente que tenía un catéter central. Esta infección tenía que aparecer dentro de las 48 horas posteriores a la extracción del catéter. Nuestra operación para clasificar qué era un CLABSI y qué no lo era fue bastante meticulosa.

También tuvimos que considerar cuándo se dieron de alta a los pacientes del hospital o si fallecieron. Esta información fue crucial para determinar cuánto tiempo se monitorearía a un paciente por CLABSI.

#Cómo Construimos Nuestros Modelos

Con nuestros datos en mano, nos pusimos a crear nuestros modelos. Decidimos construir cinco modelos dinámicos que pudieran adaptarse a nueva información con el tiempo. Observamos factores como la muerte del paciente y el alta como resultados competitivos, como un juego de sillas musicales.

Algunos modelos usaron menos variables, mientras que otros utilizaron toda la gama de información a nuestra disposición. Incluso creamos un modelo de superaprendiz que combinaba predicciones de múltiples modelos para mejores resultados. ¡Era como formar un equipo estelar!

#Evaluando Nuestros Modelos

Al igual que al recibir comentarios sobre un nuevo estilo de cabello, necesitábamos evaluar cómo se desempeñaban nuestros modelos. Miramos métricas para ver qué tan bien cada modelo predecía el riesgo de CLABSI. Algunos modelos funcionaron mejor que otros, y también verificamos qué tan bien coincidían con los resultados de la vida real.

Para hacerlo más relatable, piensa en cómo cuando predices que va a llover, quieres ver si realmente lo hace. ¡Si tu predicción fue precisa, genial! Si no, bueno, puede que quieras reconsiderar tu app del clima.

#Resultados y Observaciones

Pusimos los modelos a prueba para ver cómo se desempeñaban. El modelo que mejor funcionó fue el modelo XGB-ALL, que logró un gran puntaje en la escala de predicción. Por otro lado, algunos modelos tendieron a sobreestimar el riesgo de CLABSI, como esperar ganar la lotería cada semana.

Parecía que nuestros modelos eran buenos para detectar riesgos potenciales, especialmente en umbrales de riesgo medio. Sin embargo, cuando se trató de umbrales de alto riesgo, no eran tan confiables. Aquí es donde nuestros modelos podrían necesitar un poco más de trabajo.

#El Cambio a lo Largo del Tiempo

Al comparar nuestros resultados, notamos que los modelos no se desempeñaron tan bien en los años recientes en comparación con los datos anteriores. Era como ver una secuela de película que no era tan buena como la original.

Una razón para esto podría ser cambios en las prácticas de atención al paciente o cómo los hospitales manejan los catéteres. También descubrimos que los valores de D-dímero (una prueba de laboratorio) tuvieron cambios importantes que podrían afectar las predicciones.

Además, notamos que los casos de CLABSI habían ido disminuyendo a lo largo de los años. Esto podría ser una buena señal, pero también significaba que predecir CLABSI se estaba volviendo más complicado con el tiempo.

#Aplicaciones Prácticas de Nuestros Modelos

Entonces, ¿qué significa todo esto en la vida real? Bueno, si se implementan adecuadamente, estos modelos podrían ayudar a informar a enfermeras y doctores sobre pacientes que podrían necesitar más atención con respecto a sus catéteres centrales. Es como tener un sistema de advertencia que ayuda al personal a actuar rápidamente para prevenir infecciones.

Al usar alertas de riesgo medio, los equipos de salud pueden chequear el mantenimiento del catéter y asegurarse de que todo esté en orden. Sin embargo, las alertas de alto riesgo no mostraron mucho valor práctico.

#Limitaciones y Espacio para Crecer

Como cualquier buena invención, nuestros modelos tienen algunas limitaciones. Por ejemplo, aunque recopilamos un montón de datos, no nos enfocamos mucho en los predictores de muerte y alta. Más trabajo podría mejorar los modelos y afinar qué datos realmente necesitamos usar.

Además, nuestras predicciones solo se basaron en los datos más recientes, ignorando tendencias anteriores a lo largo del tiempo. Esto podría no reflejar la imagen completa de la salud de un paciente.

Por último, no consideramos la raza, etnia o estatus socioeconómico en nuestros modelos. Estos factores pueden llevar a diferentes riesgos para infecciones, lo que significa que nuestros modelos podrían no aplicarse de manera equitativa a todos.

#El Futuro de los Modelos de CLABSI

A medida que miramos hacia adelante, se necesitan más estudios para ver si estos modelos pueden ser útiles en otros entornos hospitalarios. ¿Funcionarán igual fuera de nuestra burbuja de datos?

La manera en que los hospitales registran datos también juega un papel importante. Para que nuestros modelos sean más aplicables, necesitarían adaptarse a otros sistemas de EHR. Eso significa asegurarse de que los datos puedan ser estandarizados e interpretados fácilmente en diversas plataformas.

#Conclusión: El Camino por Delante

Hicimos un intento de predecir el riesgo de CLABSI a 7 días en pacientes con catéteres centrales y salimos con una mejor comprensión, aunque los resultados fueron un poco mixtos. Mientras creamos modelos dinámicos y vimos algunos éxitos, aún hay mucho trabajo por hacer.

La buena noticia es que, con más investigación y mejoras continuas, podemos ayudar a los equipos de salud a atrapar esa molesta infección conocida como CLABSI antes de que se acerque a los pacientes. Como dicen, más vale prevenir que lamentar, y nadie quiere estar atrapado en el hospital más tiempo del necesario.