Los resultados del trabajo, a cargo de un equipo investigador de la URV y el IISPV, permitirían reducir potencialmente la tasa actual de reintubaciones del 9% hasta el 1% a partir de herramientas de aprendizaje automático. Se han recopilado datos de un millar de pacientes de las UCI con dificultades respiratorias que han sido tratadas y analizadas para poder crear esta herramienta

Cerca de la mitad de los pacientes ingresados en una unidad de cuidados intensivos (UCI) requiere ventilación mecánica invasiva (VMI), un procedimiento médico que permite garantizar una aportación suficiente de oxígeno a los órganos y tejidos de las personas ingresadas. Se trata de una terapia que sustituye la respiración espontánea de los pacientes y los conecta a un equipo. Su uso se ha generalizado estos últimos meses en pacientes afectados por la covid-19 que han llegado a las UCI.

A pesar de que a menudo es vital para el paciente, la ventilación mecánica invasiva no está exenta de riesgos, como por ejemplo las lesiones accidentales durante la intubación o extubación o la atrofia de los músculos responsables de la respiración. Los médicos intensivistas deben encontrar el equilibrio entre mantener el paciente intubado mientras no pueda respirar por sí mismo y no tenerlo intubado más tiempo del necesario para iniciar la recuperación. De acuerdo con los criterios actuales, una extubación se considera fallida si el paciente requiere ser nuevamente intubado (reintubación) pasadas 48 horas de la retirada de la ventilación mecánica invasiva .

Para evitar al máximo las reintubaciones, un equipo de investigación multidisciplinario integrado por médicos de la UCI del Hospital Universitario Joan XXIII de Tarragona, del Instituto de Investigación Sanitaria Virgili y del grupo de investigación Ecommfit, del Departamento de Ingeniería Mecánica de la Universitat Rovira i Virgili, ha desarrollado un modelo matemático que permite predecir cuál será el resultado de una extubación practicada en un paciente adulto en estado crítico con ventilación mecánica invasiva. El estudio se ha llevado a cabo empleando un conjunto masivo y heterogéneo de datos provenientes de diferentes fuentes incluyendo equipos de monitorización del paciente, datos demográficos (edad, sexo, peso, etc.), datos clínicos obtenidos en el momento de admisión a la UCI y registros de incidencias del personal médico. Empleando técnicas de aprendizaje automático (machine learning en inglés), ha sido posible determinar la compleja relación entre todas estas variables que han permitido crear modelos capaces de coger parte de la complejidad de aquello que pasa en el paciente.

El equipo investigador de la UCI del Hospital Universitari Joan XXIII, liderado por la intensivista Maria Bodí (jefa de servicio de la UCI) y el científico de datos Josep Gómez, ha recopilado datos de aproximadamente mil pacientes adultos con dificultades respiratorias ingresados en los últimos cinco años en la UCI del Hospital Universitario Joan XXIII. Posteriormente, los ha tratado y analizado un grupo de investigación del Departamento de Ingeniería Mecánica, liderado por el investigador Alexandre Fabregat.

Los resultados del trabajo, publicado en la revista Computer Methods and programos in Biomedicine, demuestran que es posible reducir potencialmente la tasa actual de reintubaciones del 9% hasta el 1%, de forma que se minimizan los riesgos para el paciente. Los esfuerzos del equipo se centran ahora en incorporar este modelo en los sistemas de monitorización de la UCI para facilitar el acceso y obtener una predicción rápida. Una vez desplegado, el modelo se pondrá a prueba para demostrar la efectividad.

Referencia bibliográfica: Alexandre Fabregat, Mónica Magret, Josep Anton Ferré, Anton Vernet, Neus Guasch, Alejandro Rodríguez, Josep Gómez, María Bodí, «A Machine Learning decision-making tool for extubation in Intensive Care Unit patients», Computer Methods and Programs in Biomedicine, 2020, 105869, ISSN 0169-2607, https://doi.org/10.1016/j.cmpb.2020.105869.