El triaje en el entorno prehospitalario: un desafío crucial

El escenario prehospitalario en trauma es uno de los más desafiantes de la medicina de emergencias. Los equipos de urgencias, ya sea en ambulancias terrestres o aéreas, deben tomar decisiones críticas en segundos, a menudo con información limitada, condiciones adversas y bajo alto estrés.

Una de las decisiones más importantes es el triaje: clasificar correctamente la gravedad de cada paciente para definir la prioridad de atención y el destino hospitalario adecuados.

Un error en este proceso puede tener consecuencias fatales. El subtriaje (clasificar a un paciente crítico como no grave) puede provocar retrasos mortales en el tratamiento, mientras que el sobretriaje (etiquetar como crítico a un paciente estable) puede saturar los centros de trauma, desviando recursos valiosos de quienes más los necesitan. En este complejo escenario, la inteligencia artificial surge como un potencial aliado para apoyar la toma de decisiones en tiempo real.

Un nuevo estudio

Con la mira en mejorar el triaje de pacientes politraumatizados, un grupo de investigadores llevó a cabo un estudio de cohorte retrospectivo utilizando datos de 2.809 pacientes con trauma grave.

Todos fueron trasladados por un sistema de transporte aéreo de cuidados críticos en Estados Unidos entre enero de 2018 y noviembre de 2021.

Este grupo representa a los pacientes con lesiones más severas (aquellos que requieren evacuación aeromédica), lo que lo convierte en una población ideal para probar un modelo destinado a detectar necesidades críticas de intervención.

Para desarrollar y entrenar el modelo de IA, se recopiló una gran cantidad de datos fisiológicos de alta fidelidad. En total se analizaron más de 15.000 segmentos de monitorización registrados durante la atención prehospitalaria de estos pacientes.

En aproximadamente el 6% de esos intervalos se administró al menos una intervención crítica o LSI (por sus siglas en inglés). Los desarrolladores aprovecharon esta información para alimentar un algoritmo de machine learning capaz de reconocer patrones sutiles en los signos vitales previos a una descompensación.

Cómo funciona el modelo de IA para triaje de trauma

El modelo de aprendizaje automático no se limita a evaluar signos vitales aislados en un momento puntual, sino que analiza tendencias y patrones complejos en las señales fisiológicas continuas del paciente. En particular, el algoritmo procesa los datos en ventanas móviles de 2 minutos: examina la evolución de los signos vitales dentro de cada intervalo corto y estima la probabilidad de que el paciente requiera una intervención que salva la vida en el futuro cercano.

Es importante destacar que el sistema solo utiliza la información disponible durante los primeros 15 minutos de atención inicial para generar sus predicciones.

Entre las variables analizadas se incluyen no solo valores tradicionales (como frecuencia cardíaca, presión arterial, saturación de oxígeno, etc.), sino también características derivadas de las ondas fisiológicas capturadas por los monitores (por ejemplo, la forma de la onda del electrocardiograma o del oxímetro de pulso).

La hipótesis es que dentro de estas señales continuas existen indicios tempranos de deterioro —más allá de los umbrales fijos de signos vitales— que la IA puede detectar antes que el ojo humano.

Para “enseñar” al modelo qué buscar, los investigadores definieron un conjunto de Intervenciones que Salvan la Vida (LSI) como objetivo. Estas incluían procedimientos críticos como el aseguramiento avanzado de la vía aérea (intubación endotraqueal o cricotirotomía), inserción de tubos de tórax para drenaje pleural, aplicación de torniquetes para controlar hemorragias, administración de transfusiones de sangre o plasma, uso de fármacos vasoactivos, entre otras medidas de emergencia.

En esencia, se entrenó al algoritmo para reconocer los patrones fisiológicos que suelen preceder a estas intervenciones dramáticas, dotándolo de la capacidad de anticipar una crisis antes de que ocurra.

Los resultados: ¿Qué encontraron en este estudio?

La eficacia del modelo predictivo se evaluó mediante métricas de desempeño clásicas.

El resultado principal fue prometedor: el modelo logró un área bajo la curva (AUROC) de 0,810 en la predicción global de la necesidad de cualquier intervención vital. Este valor indica una muy buena capacidad discriminativa (donde 1,0 sería una predicción perfecta).

Al desglosar el rendimiento por tipo de intervención, la precisión fue aún mayor en algunas categorías. Por ejemplo, para anticipar la necesidad de intervenciones avanzadas de vía aérea (como intubar al paciente), el modelo alcanzó un AUROC de 0,91, lo que sugiere un nivel de acierto excepcionalmente alto. En el caso de predecir la necesidad de transfusiones sanguíneas, obtuvo un AUROC de 0,78, reflejando también una buena capacidad predictiva aunque menor en comparación con la vía aérea.

Estas cifras subrayan que la IA puede ser especialmente útil en ciertos escenarios críticos (como asegurar la oxigenación del paciente), mientras que en otros aún hay margen de mejora.

Un hallazgo destacado es la ventaja temporal que ofrece el sistema. Gracias al análisis continuo de las tendencias, el modelo pudo “adelantarse” a los acontecimientos: fue capaz de predecir la necesidad de una LSI con hasta 15 minutos de antelación respecto al momento en que la intervención finalmente se realizó.

En el vertiginoso mundo de la medicina de emergencia, ganar 15 minutos puede marcar una gran diferencia. Esta alerta temprana otorgaría al equipo médico un precioso tiempo extra para preparar el equipamiento necesario, movilizar especialistas, alertar al centro receptor e incluso anticipar posibles complicaciones antes de que el paciente se deteriore más. En otras palabras, la IA podría convertir minutos normalmente perdidos en minutos aprovechables para salvar vidas.

Las conclusiones: ¿qué nos deja este estudio?

Los resultados de este estudio demuestran el potencial notable de la IA para transformar el triaje de trauma en el ámbito prehospitalario.

Un modelo inteligente, entrenado con grandes conjuntos de datos fisiológicos, puede complementar la evaluación del personal de emergencias, ayudando a identificar a los pacientes críticos con mayor precisión y a priorizar las intervenciones vitales cuando más se necesitan.

En escenarios caóticos con múltiples heridos, una herramienta así podría mejorar la asignación de recursos y la rapidez de la atención, impactando favorablemente en los desenlaces.

Con todo, también quedan claras las limitaciones actuales y los desafíos por delante. 

Habrá que explorar cómo integrar esta tecnología en las herramientas clínicas existentes de manera que sus alertas sean prácticas y fáciles de interpretar en medio de la urgencia.