Investigadores desarrollan IA que optimiza la extubación en pacientes con ventilación artificial

Recientemente, un equipo de investigadores de la Universidad de La Sabana, desarrolló un modelo predictor (ecuación predictora) que predice con un 95% de exactitud el éxito de la extubación en pacientes que han sido sometidos a ventilación artificial invasiva. 

Aliento es a respiración, como respiración a espíritu. Si se respira, hay aliento, si hay aliento, vida. Pero cuando esa acción automática que parece tan simple es insuficiente ya sea por un traumatismo, una infección respiratoria, una inflamación grave del pulmón o una condición neurológica que haga que se pierda la capacidad de respirar, impidiendo captar el oxígeno necesario y eliminar el dióxido de carbono, suministrar oxígeno al paciente por un tubo, conectado a un ventilador, para mantener el aliento, será indispensable para mantenerlo con vida. 

Pero irónicamente, más allá del proceso de intubar, uno de los grandes desafíos de los médicos, consiste en retirar estos dispositivos en el momento correcto para que el proceso de inhalar y exhalar vuelva a su curso natural.  Decirlo es simple, pero en la práctica, se presentan fallos en esa predicción. De hecho, se estima que un 20% de los pacientes extubados tienen que ser reintubados. “1 de cada 5 pacientes a los que se les quita el tubo en las siguientes 48 horas necesitan que les vuelvan a poner el tubo y que los conecten al ventilador, eso aumenta el riesgo de traumatismo en la vía aérea y la introducción de algún microorganismo que genere infección. Por eso llevamos años trabajando en desarrollar técnicas que permitan predecir con mayor precisión cuáles pacientes pueden realmente ser extubados sin que corran mayor peligro”, expone el doctor Luis Fernando Giraldo, neumólogo y profesor de la Facultad de Medicina de la Universidad de La Sabana.    

IA, una herramienta que brinda asistencia 

Decidir si retirar o no un tubo, no es un asunto que se deba tomar a la ligera. Para poder determinar de qué manera asistir a los médicos en el curso convencional, son varios los exámenes y variantes que se deben tener en cuenta para hacerlo de una manera responsable. Entre ellos, se encuentra la medición objetiva de la tos, la velocidad de contracción diafragmática y el ensayo de respiración espontánea. 

“Cada paciente que es conectado a un ventilador, debe cumplir con unas condiciones específicas. Hay que revisar su oxigenación, hay que observar qué tanto puede movilizar su volumen respiratorio, fijarse en cómo está su metabolismo para que no haya una alteración que debilite los músculos. Cuando ya se le va disminuyendo el soporte del ventilador y el paciente va mejorando en todos esos aspectos, llega un momento en que uno decide hacer una prueba de respiración espontánea, es decir, desconecta el ventilador, deja solamente el tubo y la persona respira espontáneamente. Si pasa esa prueba se procederá a retirar el tubo”, añade Giraldo. 
  
El asunto es que, en muchas oportunidades, tanta información puede ser abrumadora. Por eso, Fabio Varón-Vega, Eduardo Tuta Quintero, Adriana Maldonado Franco, Henry Robayo Amórtegui, Luis Fernando Giraldo y Daniel Botero Rosas, se dieron a la tarea de comenzar a desarrollar un modelo de inteligencia artificial que asiste a los médicos en estos procedimientos; facilitándolos.   

“El cerebro humano tiene ciertas capacidades de detección de patrones, pero cuando los datos que se deben analizar son tantos, llega un punto en que ya al cerebro le cuesta procesar e identificar los patrones. Obviamente, los médicos en su día a día empiezan a desarrollar esta habilidad, pero es más intuitiva que estructurada. Por ejemplo, una curva de espirometría permite que un médico experimentado pueda detectar que un paciente tiene EPOC, pero eso es algo que se alcanza con la experiencia. Ese poder diagnóstico deberíamos poderlo compartir a otros médicos que no tengan esa capacidad desarrollada. Entonces, ahí es donde entra la inteligencia artificial a ayudarlos a detectar patrones”, cuenta la ingeniera Adriana Maldonado Franco. 

Para ello, los expertos avanzaron en el estudio ‘Aprendizaje automático para predecir la extubación exitosa utilizando la respiración espontánea, ensayo, medición objetiva de la tos y velocidad de contracción diafragmática: Análisis secundario del ensayo COBRE-US' y analizaron la capacidad predictiva de cinco modelos de IA. Dos no supervisados y tres supervisados. Utilizando los datos obtenidos del ensayo de respiración espontánea, la medición objetiva de la tos y la velocidad de contracción diafragmática, pudieron determinar la efectividad en la predicción de estos métodos. 

Recurrieron a 367 pacientes de cuatro Unidades de cuidados intensivos en Bogotá, que fueron divididos aleatoriamente en dos grupos. El primero, sirvió para entrenar la inteligencia y el segundo para validar los modelos entrenados y así constatar su exactitud diagnóstica.   

“En los modelos no supervisados uno utiliza la información de todos los pacientes. Se incluyen los datos de a quienes les fue bien en el proceso de extubación y a quienes les fue mal, pero ese resultado no se le entrega a la máquina. Después uno le pide al software tratar de identificar las características que predicen que el procedimiento de extubación de una persona va a fracasar o va a tener éxito”. 

Esta primera aproximación se hace con el fin de ver si algún patrón desconocido es identificado. Sin embargo, en este estudio la precisión del diagnóstico fue más alta cuando el sistema de inteligencia artificial fue supervisado, es decir, cuando se le indicó a la máquina cuales pacientes tuvieron un proceso exitoso y cuáles un fracaso.  

“En las técnicas supervisadas uno le enseña a la máquina qué pacientes tuvieron un proceso de extubación exitoso y cuáles no y encontramos que esas técnicas supervisadas tenían una precisión diagnóstica destacada. En particular, fueron los árboles de decisiones los que tuvieron mejor rendimiento, seguido de las redes neuronales”. 

Los árboles de decisiones son un sistema de aprendizaje automático, donde el computador, a través de múltiples pruebas, de forma muy rápida y a partir de preguntas cerradas que constan de respuestas positivas o negativas, poco a poco, asigna a cada respuesta un valor, hasta llegar a la predicción definitiva. Las redes neuronales, por su parte, procesan los datos, aprenden patrones complejos y van asociando características que permiten tener mayor capacidad para predicción.  

Para hacer este proceso, fue necesario separar el grupo de pacientes en dos, uno con el que se entrenaba el modelo y otro donde se realizaba la validación. Así, el equipo investigador pudo encontrar un diagnóstico de una extubación exitosa de un 95%, es decir que lograron reducir el error del 20% y al 5%. 

Los investigadores de este proyecto piensan que este trabajo debe complementarse con el desarrollo de una app que permita validar los modelos predictores desarrollados en otros grupos de pacientes. Si esta validación arroja resultados similares a los encontrados en esta investigación, la app podría desarrollarse para ser usada por los médicos de las unidades de cuidados intensivos con el fin de reducir la tasa de fallos en el proceso de extubación y que al retirar el tubo, el paciente vuelva a tener aliento, respire y viva.