Detección precoz de sepsis (se) y shock séptico (ss) utilizando técnicas de big data, inteligencia artificial y machine learning

Abstract

[cat] Objectius: L'objectiu d'aquest estudi va ser desenvolupar i validar models predictius per a la detecció de sepsi greu (SG) i xoc sèptic (SS) en pacients majors de 14 anys d'un Hospital Universitari, emprant metodologies avançades de Big Data (BD), Intel·ligència Artificial (IA) i Aprenentatge Automàtic (Machine Learning, ML), i comparar la seva efectivitat amb altres mètodes diagnòstics tradicionals. Per tant, vam dissenyar un estudi per perfeccionar la capacitat predictiva de diferents models per diferenciar efectivament entre pacients amb i sense SG/SS, minimitzant així els falsos positius i negatius.

Disseny Metodològic: Es va dur a terme una anàlisi retrospectiva de pacients prèviament identificats i validats de manera prospectiva com a casos de SG/SS pels especialistes de la Unitat Multidisciplinària de Sepsis (UMS). Aquesta anàlisi va utilitzar diverses fonts de dades de la Història Clínica Electrònica (HCE), tant estructurades com no estructurades (incloent text lliure i Processament de Llenguatge Natural, PLN), per construir models predictius. Les variables incloïen dades demogràfiques, signes vitals i clínics, resultats de laboratori, prescripcions farmacèutiques, informes microbiològics, informació de triatge i resums d'alta d'Urgències.

Àmbit d'Estudi: L'estudi es va centrar en totes les àrees d'hospitalització, Urgències i d'UCI de l'Hospital Universitari Son Llàtzer, a Palma de Mallorca, Espanya.

Pacients: Tots els pacients majors de 14 anys inclosos en el període d'estudi.

Període d'Estudi: L'anàlisi va abastar el període des de l'1 de gener de 2014 fins al 31 de desembre de 2018.

Resultats: Es van examinar 815.170 registres de la HCE, corresponents a 461.392 episodis de 203.755 pacients, dividits en dos grups: aquells amb SG/SS (4,56%) i els sense sepsi (95,44%). De 2.829 variables identificades, 229 (8,09%) van mostrar una correlació significativa amb la detecció de SG/SS, validades per l'equip de la Unitat de Monitorització de Sepsis (UMS). Es va observar una variabilitat notable en l'associació de variables amb SG/SS segons el Servei hospitalari. Els models predictius basats en ML van exhibir una capacitat sobresortint per detectar SG/SS, sent el millor model una combinació (ensemble) entre ML més el criteri de SEPSIS.2 que va assolir un AUC-ROC de 0,95, amb sensibilitat i especificitat de 0,93 i 0,84, respectivament.

Conclusió: L'aplicació de models predictius avançats basats en IA-ML ha resultat en eines més adequades, dinàmiques i personalitzades per a la detecció de SG/SS en pacients de totes les àrees d'un hospital que escores convencionals.

[spa] Objetivos: El propósito de este estudio fue desarrollar y validar modelos predictivos para la detección de sepsis grave (SG) y shock séptico (SS) en pacientes mayores de 14 años de un Hospital Universitario, empleando metodologías avanzadas de Big Data (BD), Inteligencia Artificial (IA) y Aprendizaje Automático (Machine Learning, ML), y comparar su efectividad con otros métodos diagnósticos tradicionales. Por lo que diseñamos un estudio para perfeccionar la capacidad predictiva de diferentes modelos para diferenciar efectivamente entre pacientes con y sin SG/SS, minimizando así los falsos positivos y negativos.

Diseño Metodológico: Se llevó a cabo un análisis retrospectivo de pacientes previamente identificados y validados de forma prospectiva como casos de SG/SS por especialistas de la Unidad Multidisciplinar de Sepsis (UMS). Este análisis utilizó diversas fuentes de datos de la Historia Clínica Electrónica (HCE), tanto estructurados como no estructurados (incluyendo texto libre y Procesamiento de Lenguaje Natural, PLN), para construir modelos predictivos. Las variables incluyeron datos demográficos, signos vitales y clínicos, resultados de laboratorio, prescripciones farmacéuticas, informes microbiológicos, información de triaje y resúmenes de alta de Urgencias.

Ámbito de Estudio: El estudio se centró en todas las áreas de hospitalización, Urgencias y de UCI del Hospital Universitario Son Llàtzer, en Palma de Mallorca, España.

Pacientes: Todos los pacientes mayores de 14 años incluidos en el periodo del estudio.

Periodo de Estudio: El análisis comprendió el periodo desde el 1 de enero de 2014 hasta el 31 de diciembre de 2018.

Resultados: Se examinaron 815,170 registros de la HCE, correspondientes a 461,392 episodios de 203,755 pacientes, divididos en dos grupos: aquellos con SG/SS (4,56%) y los sin sepsis (95,44%). De 2,829 variables identificadas, 229 (8,09%) mostraron una correlación significativa con la detección de SG/SS, validadas por el equipo de la Unidad de Monitorización de Sepsis (UMS). Se observó una variabilidad notable en la asociación de variables con SG/SS según el Servicio hospitalaria. Los modelos predictivos basados en ML exhibieron una capacidad sobresaliente para detectar SG/SS, siendo el mejor modelo una combinación (ensemble) entre ML más el criterio de SEPSIS.2 que alcanzó un AUC-ROC de 0,95, con sensibilidad y especificidad de 0,93 y 0,84, respectivamente.

Conclusión: La aplicación de modelos predictivos avanzados basados en IA-ML ha resultado en herramientas más adecuadas, dinámicas y personalizadas para la detección de SG/SS en pacientes de todas las áreas de un hospital que escores convencionales.

[eng] Objectives: The aim of this study was to develop and validate predictive models for the detection of severe sepsis (SG) and septic shock (SS) in patients over the age of 14 at a University Hospital, utilizing advanced Big Data (BD), Artificial Intelligence (AI), and Machine Learning (ML) methodologies, and to compare their effectiveness with traditional diagnostic methods. We designed a study to refine the predictive ability of various models to effectively distinguish between patients with and without SG/SS, thus minimizing false positives and negatives.

Methodological Design: A retrospective analysis was conducted on patients previously identified and prospectively validated as SG/SS cases by specialists from the Multidisciplinary Sepsis Unit (UMS). This analysis used a variety of data sources from the Electronic Health Record (EHR), both structured and unstructured (including free text and Natural Language Processing, NLP), to construct predictive models. Variables included demographic data, vital and clinical signs, laboratory results, pharmaceutical prescriptions, microbiological reports, triage information, and Urgent Care discharge summaries.

Scope of Study: The research encompassed all hospitalization areas, Emergency and ICU departments of the University Hospital Son Llàtzer in Palma de Mallorca, Spain.

Patients: All patients over the age of 14 included in the study period.

Study Period: The analysis spanned from January 1, 2014, to December 31, 2018.

Results: A total of 815,170 EHR records were examined, corresponding to 461,392 episodes from 203,755 patients, divided into two groups: those with SG/SS (4.56%) and those without sepsis (95.44%). Out of 2,829 identified variables, 229 (8.09%) demonstrated a significant correlation with SG/SS detection, validated by the UMS team. Notable variability was observed in the association of variables with SG/SS depending on the hospital service. The ML-based predictive models exhibited outstanding capability in detecting SG/SS, with the best model being a combination (ensemble) of ML plus the SEPSIS.2 criteria, achieving an AUC-ROC of 0.95, with sensitivity and specificity of 0.93 and 0.84, respectively.

Conclusion: The application of advanced predictive models based on AI-ML has yielded more suitable, dynamic, and personalized tools for detecting SG/SS in patients across all hospital areas compared to conventional scores.