El modelo predictivo liderado por académicos de la Universidad Santo Tomás podría fortalecer la toma de decisiones clínicas, optimizar el uso de recursos hospitalarios y mejorar la atención de personas mayores durante la temporada de enfermedades respiratorias.
En Chile, la neumonía continúa siendo una de las principales causas de hospitalización y mortalidad en personas mayores, especialmente durante la temporada de mayor circulación de virus respiratorios. Frente a este escenario, un equipo de investigadores de la Universidad Santo Tomás desarrolló un modelo de inteligencia artificial capaz de identificar tempranamente a los pacientes con mayor riesgo de fallecer durante su hospitalización, entregando una herramienta que podría ayudar a los equipos médicos a anticipar decisiones clínicas y optimizar el uso de los recursos hospitalarios.
La investigación incorpora variables clínicas, entre ellas el nivel de fragilidad de los pacientes, factor que ha demostrado ser determinante en la evolución de las personas mayores y que muchas veces no queda reflejado únicamente por la edad.
“El principal cambio sería contar con una alerta temprana y objetiva sobre qué personas mayores hospitalizadas por neumonía tienen mayor riesgo de evolucionar desfavorablemente o fallecer durante la hospitalización”, explica la Dra. Yeny Concha Cisternas, directora del Magíster en Gerontología Clínica Interdisciplinar de la Universidad Santo Tomás.
La investigadora agrega que “la edad por sí sola no siempre refleja el riesgo real. Dos pacientes pueden tener la misma edad, pero reservas fisiológicas muy distintas. Al incorporar la fragilidad, el modelo permite mirar la vulnerabilidad del paciente de una forma más integral”. Asimismo, enfatiza que esta tecnología “no reemplazaría al equipo de salud”, sino que funcionaría como un apoyo para la toma de decisiones clínicas, permitiendo actuar con mayor anticipación y precisión.
De acuerdo con la académica, una herramienta de este tipo podría ser especialmente útil durante los meses de mayor presión asistencial, al facilitar la priorización de pacientes que requieren vigilancia más estrecha, evaluaciones tempranas o derivaciones a unidades de mayor complejidad. Además, permitiría una mejor planificación de camas críticas, equipos de salud y recursos hospitalarios, sin sustituir el criterio médico.
Los beneficios también podrían extenderse a pacientes y familias. Al identificar de forma temprana a quienes presentan mayor riesgo, los equipos de salud tendrían la posibilidad de reforzar el monitoreo, prevenir complicaciones y mejorar la comunicación respecto del estado clínico y la planificación de los cuidados.
No obstante, antes de llegar a los hospitales, el modelo aún debe superar nuevas etapas de validación. El Dr. Eduardo Guzmán Muñoz, académico de la Escuela de Kinesiología de la Universidad Santo Tomás, explica que el siguiente desafío será comprobar su desempeño en condiciones reales de atención.
“El primer paso es avanzar hacia una validación prospectiva, es decir, probar el modelo con pacientes nuevos y en condiciones reales de atención hospitalaria. Debe demostrar que ayuda a tomar mejores decisiones y que sus alertas son interpretables y accionables para los equipos de salud”, señala.
El investigador añade que la implementación también requerirá avanzar en desafíos técnicos y regulatorios, como asegurar la calidad e interoperabilidad de los datos clínicos, fortalecer la protección de la información de los pacientes e integrar el sistema a las plataformas hospitalarias. “La inversión estaría más asociada a la integración con los sistemas hospitalarios, la capacitación, el soporte técnico y la evaluación permanente de su impacto”, afirma.
Respecto de las dudas que aún genera el uso de inteligencia artificial en salud, Guzmán recalca que el modelo fue desarrollado utilizando inteligencia artificial explicable, lo que permite conocer cuáles son las variables que influyen en cada predicción. “El algoritmo debe ser una ayuda para priorizar mejor, nunca un mecanismo automático que sustituya la evaluación profesional”, sostiene.
Actualmente, el equipo ya proyecta nuevas investigaciones para aplicar este tipo de modelos predictivos en otras enfermedades frecuentes en personas mayores, como fracturas de cadera, accidentes cerebrovasculares e insuficiencia cardíaca, además de avanzar hacia pilotos controlados junto a hospitales y autoridades sanitarias que permitan evaluar una futura implementación en el sistema público chileno.
