El oxígeno suplementario es un tratamiento esencial para personas con bajos niveles de oxígeno en la sangre, administrado a través de distintos dispositivos como concentradores, tanques o sistemas de oxígeno líquido. Aunque la tecnología ha avanzado, sigue existiendo incertidumbre sobre cuál es el nivel óptimo de oxígeno para cada paciente.
Un grupo de investigadores, liderado por Kevin Buell de la Universidad de Chicago, utilizó modelos de aprendizaje automático (ML) para personalizar los objetivos de oxigenación basándose en características específicas del paciente. Los resultados sugieren que esta personalización podría reducir la mortalidad en un 6,4 %. El modelo se entrena con datos clínicos habituales y podría aplicarse fácilmente en cuidados críticos a nivel global.
Uso del oxígeno suplementario
- Indicado para pacientes con hipoxemia por enfermedades respiratorias o crónicas.
- Administrado mediante concentradores, tanques o sistemas líquidos.
Problema actual
- Falta de consenso sobre el nivel óptimo de saturación de oxígeno (SpO₂) dentro del rango 88-100 %.
- Decisiones clínicas basadas en experiencia, no en evidencia sólida.
Aporte de la investigación
- Uso de aprendizaje automático para personalizar objetivos de oxigenación.
- Variables utilizadas: edad, sexo, frecuencia cardíaca, temperatura, motivo de ingreso a UCI, entre otras.
Resultados
- Aplicación del modelo a datos internacionales (EE.UU., Australia, Nueva Zelanda).
- Reducción general de mortalidad en un 6,4 % cuando los pacientes recibieron oxigenación acorde al modelo.
Ventajas del modelo ML
- Utiliza datos clínicos ya disponibles.
- Fácil implementación en entornos hospitalarios.
- Potencial para transformar el cuidado crítico y la ventilación mecánica.
| Aspecto | Situación Actual | Propuesta con IA (ML) |
|---|---|---|
| Objetivo de oxígeno | Rango estándar de SpO₂ entre 88–100 %, elegido según criterio médico. | Objetivo de SpO₂ personalizado para cada paciente según predicción del modelo. |
| Base para la decisión | Experiencia clínica y guías generales, sin evidencia sólida del valor exacto. | Datos clínicos del paciente procesados por un algoritmo entrenado con grandes bases de datos. |
| Variables consideradas | Generalmente una o pocas (SpO₂, signos vitales). | Múltiples: edad, sexo, frecuencia cardíaca, temperatura, motivo de ingreso a UCI, entre otras. |
| Precisión en la terapia | Riesgo de sobreoxigenar o suboxigenar por falta de personalización. | Ajuste preciso para evitar niveles inadecuados y optimizar resultados. |
| Resultados esperados | Mortalidad y recuperación dependen de la experiencia del médico y del caso. | Reducción de mortalidad en un 6,4 % según validación internacional. |
| Implementación | No requiere tecnología adicional, pero decisiones no siempre óptimas. | Fácil de implementar: usa datos clínicos rutinarios y software de predicción. |