La inteligencia artificial está comenzando a pasar de la predicción clínica a la recomendación de decisiones terapéuticas. Un nuevo estudio presenta VentPilot, un sistema basado en aprendizaje por refuerzo diseñado para recomendar ajustes individualizados de ventilación mecánica. Los resultados son prometedores, pero todavía no representan evidencia de que la IA pueda sustituir el juicio clínico al lado de la cama.
La ventilación mecánica invasiva es una de las intervenciones fundamentales en las unidades de cuidados intensivos. Sin embargo, mantener una estrategia ventilatoria adecuada no consiste simplemente en seleccionar un conjunto de parámetros y mantenerlos sin cambios.
La fisiología respiratoria de un paciente crítico puede modificarse de manera considerable durante las horas que permanece conectado a un ventilador. Cambian la oxigenación, la mecánica pulmonar, el esfuerzo respiratorio, el intercambio gaseoso y las necesidades de soporte. Por esta razón, las estrategias contemporáneas de ventilación hacen énfasis en una evaluación continua y en la individualización del soporte.
En este contexto aparece VentPilot, un sistema de inteligencia artificial desarrollado por investigadores del Seoul National University Hospital y colaboradores internacionales, con participación de investigadores vinculados con Mayo Clinic y otras instituciones.
Una IA que no solamente predice: recomienda
Uno de los aspectos más interesantes del trabajo es que VentPilot no fue diseñado únicamente para identificar pacientes en riesgo o predecir un desenlace.
El objetivo fue más ambicioso: desarrollar una política capaz de recomendar ajustes del ventilador a partir del estado fisiológico del paciente.
Para ello, los investigadores utilizaron aprendizaje por refuerzo (reinforcement learning), una metodología de aprendizaje automático en la que el modelo aprende una política de decisiones que busca maximizar una recompensa acumulada a lo largo del tiempo.
El sistema considera seis variables de control del ventilador:
- fracción inspirada de oxígeno (FiO₂);
- PEEP;
- presión de control o soporte por encima de PEEP;
- volumen corriente en modos controlados por volumen;
- frecuencia respiratoria.
La recompensa utilizada por el modelo combinó un componente relacionado con los días libres de ventilación y otro basado en las preferencias de intensivistas que evaluaron pares de estados clínicos y acciones ventilatorias.
Este componente resulta particularmente relevante desde el punto de vista clínico. Los investigadores no intentaron construir una IA completamente desligada del razonamiento médico: incorporaron retroalimentación de especialistas dentro del proceso de aprendizaje.
El valor de los datos de alta resolución
Otro elemento diferencial de VentPilot es la resolución temporal de los datos utilizados para su desarrollo.
En el Seoul National University Hospital, los investigadores instalaron dispositivos especializados capaces de registrar información del ventilador y de la monitorización hemodinámica cada dos segundos.
El conjunto de datos permitió construir trayectorias longitudinales que integraban variables fisiológicas, información clínica y parámetros del ventilador durante el periodo de intubación. Para la validación externa se utilizaron datos de Mayo Clinic, aunque con una resolución promedio de aproximadamente 15 minutos.
Esta diferencia es importante porque la ventilación mecánica es, por definición, una intervención dinámica. Una fotografía aislada del estado del paciente puede decirnos mucho menos que observar cómo cambian sus variables respiratorias y los ajustes del ventilador a lo largo del tiempo.
Los propios análisis de sensibilidad del estudio sugieren que retirar los datos de alta resolución del entrenamiento redujo la diferencia estimada de rendimiento del modelo, lo que apunta a que la información fisiológica de mayor frecuencia puede aportar valor al aprendizaje de la política ventilatoria.
¿Qué encontraron los investigadores?
El estudio incluyó 4,296 adultos sometidos a ventilación mecánica invasiva.
De ellos, 3,002 formaron parte de la cohorte utilizada para desarrollar el modelo, 283 correspondieron a la validación interna en Seoul National University Hospital y 1,011 a la validación externa realizada con datos de Mayo Clinic.
En la evaluación mediante fitted Q-evaluation, VentPilot presentó un retorno estimado superior al comportamiento observado de los clínicos bajo la función de recompensa predefinida, tanto en la cohorte de validación interna como en la externa.
Pero el resultado que probablemente genere mayor interés clínico es el análisis de concordancia.
Los investigadores dividieron a los pacientes de las cohortes de validación según el grado de concordancia entre los ajustes observados y las recomendaciones de VentPilot.
En Seoul National University Hospital, el grupo con mayor concordancia presentó una media de 17.2 días libres de ventilación, frente a 12.2 días en el grupo de menor concordancia. La diferencia media fue de 5.0 días.
En la cohorte de Mayo Clinic, los valores fueron de 17.9 frente a 14.9 días, con una diferencia media de 3.1 días.
También se observaron asociaciones con menor mortalidad a 28 días y menor estancia en la UCI. En la cohorte de Seoul, la mortalidad a 28 días fue de 28.5% en el grupo de mayor concordancia frente a 41.7% en el grupo de menor concordancia. En Mayo Clinic, las cifras fueron 26.2% y 37.7%, respectivamente.
Pero aquí aparece una distinción metodológica fundamental
Estos resultados no deben interpretarse como una demostración de que VentPilot reduce la mortalidad o acorta la ventilación mecánica.
El estudio no asignó pacientes de manera prospectiva a una estrategia ventilatoria guiada por VentPilot. Las recomendaciones del sistema se evaluaron retrospectivamente utilizando información histórica.
Por lo tanto, encontrar que una mayor concordancia con las recomendaciones de la IA se asoció con mejores resultados no demuestra por sí mismo que las recomendaciones hayan causado esos resultados.
Los propios autores reconocen esta limitación: la evaluación off-policy estima el desempeño esperado del sistema a partir de transiciones históricas, pero no observa directamente qué habría sucedido después de aplicar cada recomendación de VentPilot en un paciente real. Además, puede persistir confusión dependiente del tiempo.
Esta diferencia entre asociación y causalidad es especialmente importante cuando hablamos de inteligencia artificial aplicada a medicina crítica.
¿Qué estaba recomendando VentPilot?
El comportamiento del modelo también resulta interesante porque sus recomendaciones mostraron patrones fisiológicamente interpretables.
En la cohorte de Mayo Clinic, por ejemplo, VentPilot tendió a recomendar:
- mayor FiO₂ cuando la SpO₂ era inferior al 92%;
- mayor PEEP cuando la relación P/F era inferior a 100 mmHg;
- menor PEEP cuando la relación P/F era igual o superior a 300 mmHg;
- mayor presión de soporte en determinados escenarios de acidemia o volumen corriente muy bajo;
- menor presión de control o volumen corriente cuando los volúmenes corrientes eran elevados.
Los investigadores interpretan estos patrones como compatibles con principios conocidos de la ventilación protectora: incrementar el soporte de oxigenación cuando existe hipoxemia, evitar soporte innecesario cuando la oxigenación es adecuada e individualizar el nivel de soporte ventilatorio.
Esto plantea una cuestión interesante: el valor de la IA no necesariamente estaría en descubrir principios fisiológicos completamente nuevos, sino en ayudar a aplicarlos de manera continua y personalizada frente a una fisiología que cambia minuto a minuto.
Una posible ventaja: la reevaluación continua
Uno de los hallazgos exploratorios más llamativos fue la diferencia en el momento de las recomendaciones.
Cuando aparecían determinadas condiciones fisiológicas predefinidas, VentPilot generaba recomendaciones en la dirección correspondiente con mayor frecuencia y, en los datos analizados, lo hacía antes que los ajustes clínicos observados.
Sin embargo, los autores son cuidadosos con esta interpretación. VentPilot era evaluado automáticamente en cada punto de evaluación, mientras que los profesionales realizaban modificaciones de manera asíncrona y podían disponer de información clínica que no estaba incorporada al análisis.
Por eso, estos datos no permiten concluir que la IA fuera clínicamente “más rápida” o “más apropiada” que los profesionales. Sí sugieren, en cambio, un posible papel para sistemas capaces de revisar continuamente el estado ventilatorio y generar alertas o recomendaciones cuando la fisiología cambia.
¿Estamos ante un ventilador autónomo?
No.
Y probablemente esta sea una de las aclaraciones más importantes al interpretar el estudio.
VentPilot fue evaluado como un sistema de recomendación, no como un sustituto del equipo clínico ni como un sistema autónomo validado para modificar directamente los parámetros del ventilador en pacientes.
De hecho, los investigadores plantean explícitamente que una aplicación potencial sería complementar el juicio clínico, por ejemplo, proporcionando una reevaluación continua que permita al profesional reconsiderar los ajustes conforme evoluciona la fisiología del paciente.
Este enfoque resulta particularmente relevante para la terapia respiratoria y la medicina crítica.
La incorporación de IA no necesariamente significa retirar al profesional del proceso. Puede significar disponer de una herramienta adicional que observe grandes cantidades de datos simultáneamente, identifique cambios y presente recomendaciones que posteriormente sean evaluadas dentro del contexto clínico completo.
Las limitaciones son tan importantes como los resultados
El entusiasmo por la inteligencia artificial en medicina puede llevar fácilmente a sobreinterpretar estudios como este.
VentPilot todavía presenta varias preguntas sin respuesta.
El estudio fue retrospectivo y observacional. La seguridad y la usabilidad del sistema no fueron evaluadas directamente durante su utilización en la práctica clínica.
Además, el modelo no incorporó explícitamente todos los elementos que participan en la toma de decisiones sobre ventilación. Entre las variables no modeladas de manera completa se encuentran cambios de modo ventilatorio, uso de sedantes, estado explícito del destete y momento de la extubación.
También existe una limitación relacionada con la población estudiada: para las cohortes de validación se exigió una duración de ventilación invasiva de al menos 36 horas. Esto permitió disponer de suficiente información longitudinal, pero excluyó a pacientes con extubación temprana o muerte temprana.
Por ello, todavía no sabemos con certeza cómo funcionaría VentPilot en todos los escenarios clínicos ni en hospitales con diferentes prácticas, poblaciones, ventiladores, calidad de datos o recursos tecnológicos.
¿Qué significa esto para la terapia respiratoria?
Quizá la pregunta más interesante no sea si la inteligencia artificial reemplazará al terapeuta respiratorio, sino qué tareas puede ayudar a realizar mejor.
La ventilación mecánica exige integrar continuamente información procedente del ventilador, gases arteriales, oximetría, mecánica pulmonar, hemodinámica, estado neurológico, sedación, interacción paciente-ventilador y evolución clínica.
Un sistema capaz de analizar simultáneamente grandes volúmenes de información podría convertirse en una herramienta de apoyo para detectar cambios que merezcan una nueva valoración.
Pero la recomendación algorítmica no equivale automáticamente a una decisión clínica.
El profesional debe interpretar si el cambio propuesto es apropiado para ese paciente concreto, considerando factores que pueden no estar representados adecuadamente en los datos utilizados por el algoritmo.
En este sentido, el desarrollo de VentPilot representa menos una sustitución del razonamiento clínico que una posible evolución hacia una ventilación asistida por inteligencia artificial, en la que el algoritmo aporta análisis y recomendaciones mientras el equipo clínico conserva la responsabilidad de la decisión.
El siguiente paso: pasar del algoritmo al paciente
Los resultados de VentPilot justifican continuar investigando esta línea, pero también dejan claro cuál es el siguiente desafío.
Antes de utilizar un sistema de este tipo como herramienta clínica, será necesario demostrar de manera prospectiva que sus recomendaciones son seguras, reproducibles, comprensibles y clínicamente útiles.
El propio artículo concluye que se requiere una evaluación clínica adicional para establecer precisamente esos aspectos.
La transición desde un modelo que funciona retrospectivamente hasta una herramienta que pueda utilizarse frente a un paciente es uno de los mayores retos de la inteligencia artificial médica.
En ventilación mecánica, además, el margen de error puede ser pequeño. Una recomendación aparentemente adecuada desde el punto de vista algorítmico puede necesitar ser modificada por razones hemodinámicas, neurológicas, metabólicas o por características de la interacción paciente-ventilador que el modelo no haya considerado.
Por eso, el verdadero avance de VentPilot no debe medirse únicamente por sus resultados estadísticos.
Su importancia está también en demostrar que es posible construir modelos de IA que integren datos fisiológicos de alta resolución, aprendizaje por refuerzo y retroalimentación de especialistas para intentar individualizar una intervención tan dinámica como la ventilación mecánica.
La próxima etapa será comprobar si esa capacidad puede traducirse de manera segura en mejores decisiones clínicas.
En otras palabras: la inteligencia artificial puede estar acercándose al ventilador, pero todavía necesita demostrar su valor al lado del paciente.
Referencia
Lee HY, An G, Jeong Y, et al. Development and validation of VentPilot: an AI-based recommendation system for mechanical ventilation. Journal of Intensive Care. 2026;14:107. DOI: 10.1186/s40560-026-00947-7.