Modelo con IA creado en Chile busca reducir la mortalidad por neumonía en personas mayores
Tiempo de lectura: 2 minutos Investigadores de la Universidad Mayor y la Universidad Santo Tomás crearon una herramienta basada en inteligencia artificial que permite estimar el riesgo de fallecimiento en pacientes hospitalizados por neumonía.
La neumonía adquirida es una de las principales causas de hospitalización en la población mayor de Chile. Se estima que esta afección impacta a más de 15 de cada 1.000 personas mayores de 60 años anualmente, tensionando los servicios de urgencia y las unidades de cuidados intensivos del sistema público.
Frente a este escenario, un equipo de científicos desarrolló un modelo predictivo basado en Inteligencia Artificial (IA) diseñado para transformar la atención hospitalaria. El objetivo es proporcionar a los equipos médicos una herramienta capaz de identificar, desde el momento del ingreso, qué pacientes presentan un mayor riesgo de mortalidad, optimizando así la asignación de recursos y la oportunidad del tratamiento.
El estudio fue liderado por Manuel Vásquez, director del Centro de Observación y Análisis de Datos en Salud de la Universidad Mayor, en colaboración con los investigadores Yeny Concha y Eduardo Guzmán, de la Universidad Santo Tomás. Para su ejecución, se analizaron más de 58 mil episodios de hospitalización registrados entre 2019 y 2024 en 72 hospitales de la red de FONASA, utilizando datos del mundo real (Real-World Data).
El factor determinante por sobre la edad y las enfermedades crónicas
Uno de los hallazgos de la investigación es que la fragilidad del paciente es el indicador más preciso para predecir su evolución clínica, superando incluso a factores como la edad avanzada o la presencia de múltiples enfermedades crónicas (comorbilidades).
A través del índice Hospital Frailty Risk Score (HFRS), los investigadores detectaron que el 75% de los pacientes analizados presentaba una fragilidad intermedia o alta. Los datos mostraron que los adultos mayores con alta fragilidad tienen un 57% más de riesgo de fallecer durante su estancia hospitalaria en comparación con aquellos de bajo riesgo.
En términos generales, el estudio registró una mortalidad intrahospitalaria global del 19,3%, una cifra que se vio agudizada durante los años 2020 y 2021 debido al impacto indirecto de la pandemia de COVID-19. Al integrar la variable de fragilidad en la evaluación inicial, el sistema de salud podría focalizar intervenciones preventivas de manera mucho más eficiente.
Algoritmos al servicio del sistema público
Para procesar este masivo volumen de datos, el equipo puso a prueba 14 algoritmos de aprendizaje automático (machine learning), identificando que el modelo conocido como Extra Trees es el más eficaz para realizar estas predicciones.
Además, la investigación incorporó inteligencia artificial explicable (SHAP), una tecnología que permite a los médicos entender el «porqué» de cada predicción. Esto desglosa cómo influyen variables como la edad, el sexo, las comorbilidades y los días de hospitalización en el riesgo individual de cada persona.
«Pudimos desarrollar un modelamiento que permite estimar la mortalidad a partir de estos factores», explica Manuel Vásquez. El académico destaca que la gran ventaja de este modelo es su viabilidad práctica, ya que no requiere exámenes costosos ni nueva infraestructura, ya que utiliza cinco variables rutinarias que los hospitales ya registran habitualmente.
«La herramienta podría integrarse a los sistemas de salud como un apoyo directo a la toma de decisiones clínicas, ayudando a identificar de manera temprana a los pacientes más vulnerables», añade Vásquez.
Los resultados de este avance científico ya han sido publicados en las revistas internacionales Journal of Clinical Medicine y Diagnostics. Actualmente, el modelo se prepara para su fase de validación prospectiva.
