La sepsis es una de las principales causas de mortalidad hospitalaria y su detección precoz sigue siendo un reto clínico. Sin embargo, un nuevo paper Service-Specific Heterogeneity in Sepsis Variable Significance and Machine Learning Model Performance: A Stratified Analysis of the BIAlert Cohort publicado en Journal of Clinical Medicine pone de manifiesto una cuestión clave que hasta ahora había recibido poca atención: la sepsis no se presenta igual en todos los servicios del hospital, por lo que utilizar los mismos criterios diagnósticos en todos los entornos puede limitar la capacidad de identificarla a tiempo.
Un mismo hospital, realidades clínicas muy diferentes
El estudio analizó más de 200.000 pacientes hospitalarios para evaluar cómo varía la utilidad de las variables clínicas empleadas habitualmente para detectar sepsis según el servicio donde se encuentra el paciente.
Los resultados muestran una gran heterogeneidad. En el Servicio de Urgencias, el 95,1% de las variables analizadas permitían diferenciar de forma significativa a los pacientes con sepsis, mientras que en la Unidad de Cuidados Intensivos (UCI) ese porcentaje descendía hasta el 37,7%.
Esto significa que marcadores ampliamente utilizados, como la proteína C reactiva, los leucocitos o la creatinina, pueden ser muy útiles en unos servicios y perder capacidad diagnóstica en otros, donde las características de los pacientes son muy diferentes. Por el contrario, el lactato fue el único biomarcador que mantuvo una asociación consistente con la sepsis en todos los servicios analizados.
La IA mantiene su rendimiento donde las escalas tradicionales fallan
Además de estudiar las variables clínicas, en el estudio se compararon distintos modelos de inteligencia artificial con escalas ampliamente utilizadas como qSOFA, NEWS y SIRS.
Los modelos de machine learning ofrecieron un rendimiento superior de forma consistente, siendo BIAlert Sepsis el que alcanzó la mejor capacidad predictiva global (AUC 0,957).
La diferencia fue especialmente evidente en los entornos más complejos, como las unidades de cuidados críticos. Mientras que las escalas tradicionales redujeron notablemente su capacidad para detectar la sepsis, BIAlert Sepsis mantuvo un rendimiento elevado (AUC 0,857), demostrando una mayor capacidad para adaptarse a pacientes con perfiles clínicos muy distintos.
Hacia una detección de la sepsis más adaptada al contexto clínico
La principal aportación del trabajo es que no existe un conjunto universal de variables válido para todos los pacientes y todos los servicios hospitalarios. La importancia de cada parámetro depende del contexto asistencial y de las características de la población atendida.
En este escenario, los modelos de IA presentan una ventaja estructural frente a los sistemas basados en reglas fijas, ya que son capaces de integrar múltiples variables y adaptarse a la heterogeneidad clínica propia de un hospital.
Conclusiones
Este estudio aporta nueva evidencia sobre la necesidad de desarrollar herramientas de detección de sepsis que tengan en cuenta el contexto clínico en el que se encuentra el paciente. Los resultados muestran que la utilidad de las variables diagnósticas cambia entre servicios hospitalarios y que los modelos de inteligencia artificial mantienen una capacidad predictiva más estable que las escalas tradicionales.
Estos hallazgos refuerzan el potencial de la IA para avanzar hacia sistemas de alerta temprana más precisos y adaptables, como es BIAlert Sepsis, capaz de mejorar la detección de la sepsis en todo el hospital y apoyar una toma de decisiones más personalizada.
