Investigadores del MIT y del Hospital General de Massachusetts MGH han desarrollado un modelo predictivo que podría guiar a los médicos a decidir cuándo administrar medicamentos que pueden salvar vidas a pacientes tratados por sepsis en la sala de emergencias.
La sepsis es una de las causas más frecuentes de ingreso, y una de las causas más comunes de muerte, en la unidad de cuidados intensivos. Pero la gran mayoría de estos pacientes ingresan por primera vez a la sala de emergencias. El tratamiento generalmente comienza con antibióticos e intravenososlíquidos, un par de litros a la vez. Si los pacientes no responden bien, pueden entrar en shock séptico, donde su presión arterial cae peligrosamente baja y los órganos fallan. Luego, a menudo se dirige a la UCI, donde los médicos pueden reducir o detener ellíquidos y comenzar a tomar medicamentos vasopresores como la noradrenalina y la dopamina, para elevar y mantener la presión arterial del paciente.
Ahí es donde las cosas pueden ponerse difíciles. La administración de líquidos durante demasiado tiempo puede no ser útil e incluso podría causar daño a los órganos, por lo que la intervención temprana del vasopresor puede ser beneficiosa. De hecho, la administración temprana del vasopresor se ha relacionado con una mejor mortalidad en el shock séptico.Por otro lado, administrar vasopresores demasiado temprano, o cuando no es necesario, conlleva sus propias consecuencias negativas para la salud, como arritmias cardíacas y daño celular. Pero no hay una respuesta clara sobre cuándo hacer esta transición; los médicos generalmente deben monitorear de cerca al pacientepresión arterial y otros síntomas, y luego hacer un juicio.
En un documento presentado esta semana en el Simposio Anual de la Asociación Médica Americana de Informática, los investigadores del MIT y MGH describen un modelo que "aprende" de los datos de salud de pacientes con sepsis de atención de emergencia y predice si un paciente necesitará vasopresores en el próximopocas horas. Para el estudio, los investigadores compilaron el primer conjunto de datos de este tipo para pacientes con sepsis de urgencias. En las pruebas, el modelo podría predecir la necesidad de un vasopresor más del 80 por ciento de las veces.
La predicción temprana podría, entre otras cosas, evitar una estadía innecesaria en la UCI para un paciente que no necesita vasopresores, o comenzar la preparación temprana para la UCI para un paciente que sí lo necesita, dicen los investigadores.
"Es importante tener una buena capacidad de discriminación entre quién necesita vasopresores y quién no [en la sala de emergencias]", dice el primer autor Varesh Prasad, estudiante de doctorado en el Programa Harvard-MIT en Ciencias y Tecnología de la Salud. "Podemospredecir en un par de horas si un paciente necesita vasopresores. Si, en ese tiempo, los pacientes recibieran tres litros de líquido IV, eso podría ser excesivo. Si supiéramos de antemano que esos litros no ayudarían de todos modos, podrían haber comenzadoen vasopresores antes "
En un entorno clínico, el modelo podría implementarse en un monitor de cabecera, por ejemplo, que rastrea a los pacientes y envía alertas a los médicos en la sala de emergencias, a menudo agitada, sobre cuándo iniciar los vasopresores y reducir los líquidos ". Este modelo sería una vigilanciao sistema de vigilancia que funciona en segundo plano ", dice el coautor Thomas Heldt, profesor de desarrollo profesional de WM Keck en el Instituto de Ingeniería y Ciencia Médica del MIT." Hay muchos casos de sepsis que [los médicos] entienden claramente, o nonecesitan algún tipo de apoyo. Los pacientes pueden estar tan enfermos en la presentación inicial que los médicos saben exactamente qué hacer. Pero también hay una 'zona gris', donde este tipo de herramientas se vuelven muy importantes ".
Los coautores del artículo son James C. Lynch, un estudiante graduado del MIT; y Trent D. Gillingham, Saurav Nepal, Michael R. Filbin y Andrew T. Reisner, todos de MGH. Heldt también es profesor asistente deingeniería eléctrica y biomédica en el Departamento de Ingeniería Eléctrica y Ciencias de la Computación del MIT y un investigador principal en el Laboratorio de Investigación de Electrónica.
Se han construido otros modelos para predecir qué pacientes están en riesgo de sepsis, o cuándo administrar vasopresores, en UCI. Pero este es el primer modelo entrenado en la tarea para la sala de emergencias, dice Heldt. "[La UCI] es unetapa posterior para la mayoría de los pacientes con sepsis. La sala de emergencias es el primer punto de contacto con el paciente, donde puede tomar decisiones importantes que pueden marcar una diferencia en el resultado ", dice Heldt.
El desafío principal ha sido la falta de una base de datos de ER. Los investigadores trabajaron con los médicos de MGH durante varios años para recopilar registros médicos de casi 186,000 pacientes que fueron tratados en la sala de emergencias de MGH de 2014 a 2016. Algunos pacientes en el conjunto de datos teníanrecibieron vasopresores dentro de las primeras 48 horas de su visita al hospital, mientras que otros no. Dos investigadores revisaron manualmente todos los registros de pacientes con probable shock séptico para incluir el tiempo exacto de la administración de vasopresores y otras anotaciones.los síntomas de sepsis al inicio del vasopresor fueron alrededor de seis horas.
Los registros se dividieron al azar, con un 70 por ciento utilizado para entrenar el modelo y un 30 por ciento para probarlo. En el entrenamiento, el modelo extrajo hasta 28 de 58 posibles características de pacientes que necesitaban o no necesitaban vasopresores. Las características incluían sangrepresión, tiempo transcurrido desde la admisión inicial a la sala de emergencias, volumen total de líquido administrado, frecuencia respiratoria, estado mental, saturación de oxígeno y cambios en el volumen del accidente cerebrovascular cuánta sangre bombea el corazón en cada latido.
En las pruebas, el modelo analiza muchas o todas esas características en un paciente nuevo a intervalos de tiempo establecidos y busca patrones indicativos de un paciente que finalmente necesitó vasopresores o no. En base a esa información, hace una predicción, encada intervalo, sobre si el paciente necesitará un vasopresor.Al predecir si los pacientes necesitarán vasopresores en las próximas dos o más horas, el modelo fue correcto del 80 al 90 por ciento de las veces, lo que podría evitar un medio litro excesivo o más de administradofluidos, en promedio.
"El modelo básicamente toma un conjunto de signos vitales actuales, y un poco de cómo se ve la trayectoria, y determina que esta observación actual sugiere que este paciente podría necesitar vasopresores, o este conjunto de variables sugiere que este paciente no los necesitaría", Dice Prasad.
A continuación, los investigadores apuntan a expandir el trabajo para producir más herramientas que predicen, en tiempo real, si los pacientes con ER pueden estar inicialmente en riesgo de sepsis o shock séptico ". La idea es integrar todas estas herramientas en una tubería queayudará a administrar la atención desde la primera vez que ingresan a la sala de emergencias ", dice Prasad.
La idea es ayudar a los médicos de los departamentos de emergencias de los principales hospitales, como MGH, que atiende a unos 110,000 pacientes anualmente, a centrarse en las poblaciones con mayor riesgo de sepsis ". El problema con la sepsis es que la presentación del paciente a menudo desmienteseriedad del proceso de la enfermedad subyacente ", dice Heldt." Si alguien entra con debilidad y no se siente bien, un poco de líquido a menudo puede hacer el truco. Pero, en algunos casos, tienen sepsis subyacente y pueden deteriorarse muy.rápidamente. Queremos saber qué pacientes han mejorado y cuáles están en un camino crítico si no se tratan "
El trabajo fue apoyado, en parte, por una beca de posgrado de Ciencia e Ingeniería de Defensa Nacional, la Asociación Estratégica MIT-MGH, y por la Fundación de Gestión de Riesgos CRICO y la Corporación Nihon Kohden.
Fuente de la historia :
Materiales proporcionado por Instituto de Tecnología de Massachusetts . Original escrito por Rob Matheson. Nota: El contenido puede ser editado por estilo y longitud.
Cite esta página :