Inteligencia artificial en la práctica clínica de urgencias, más realidad que fascinación

Resumen

Sr Editor:

Hemos leído con gran interés el editorial de Gordo-Vidal y Gordo-Herrera [1] y el artículo de Heo et al. [2] sobre la predicción del shock séptico refractario y, que discuten el uso de modelos de aprendizaje automático en este contexto. Felicitamos a los autores por desarrollar la Escala de Shock Séptico Refractario (ESSR) mediante un enfoque híbrido de aprendizaje automático y regresión, destacando la utilidad de AutoScore y su validación en cohortes internas y externas. Este avance es significativo, ya que permite identificar tempranamente a pacientes en riesgo, facilitando intervenciones oportunas en urgencias y cuidados intensivos.

Valoramos también el editorial, que complementa críticamente los hallazgos, subrayando tanto el potencial de estas tecnologías como la necesidad de abordar sus limitaciones. Es fundamental contar con datos de alta calidad representativos de la práctica clínica local y contar con equipos multidisciplinarios para evitar interpretaciones reduccionistas. Nuestro grupo ha contribuido en esta línea de investigación con dos publicaciones adicionales que enriquecen el debate expuesto por su editorial, demostrando que la inteligencia artificial (IA) es una realidad que supera a otras técnicas clásicas estadísticas. Así, recientemente, publicamos en el International Journal of Molecular Sciences (IJMS) un artículo que aborda el uso de algoritmos de machine learning (ML), como el modelo Random Forest (RF), para analizar datos de pacientes con COVID-19. En este estudio, se identificaron biomarcadores clave (procalcitonina, lactato deshidrogenasa y proteína C-reactiva) demostrando el potencial de la IA para detectar variables que mejoren el pronóstico vital y la toma de decisiones en urgencias, comparándolo con una cohorte de validación externa [3]. Además, en otro artículo publicado llegamos a demostrar que introduciendo la IA en los sistemas de triage de urgencias, en este caso el algoritmo utilizado fue XGBoost (XGB), podíamos optimizarlos para asignar de manera más eficaz la prioridad de la atención médica, sobre todo en situaciones de alta demanda como pandemias [4].

Creemos por tanto que la IA no es una fascinación sino una realidad a la cual nos tenemos que adaptar progresivamente pero con celeridad, considerando que la aplicación de la IA en urgencias es esencial para mejorar la atención. La integración en tiempo real de datos clínicos y diagnósticos por imágenes permite generar alertas tempranas, facilitando intervenciones rápidas y personalizadas en casos críticos como el shock séptico o pandemias como la ocurrida, preparándonos para el futuro. Esta identificación temprana de pacientes en riesgo es crucial para mejorar su pronóstico y ayudar a optimizar la gestión de recursos en situaciones de alta demanda, permitiendo una correcta estratificación del riesgo y asignación eficiente de personal y equipo médico [4]. Esto contribuye a reducir tiempos de espera y mortalidad en urgencias. A medida que estos sistemas evolucionan, su capacidad predictiva mejorará, consolidándose como herramientas clave en la medicina de urgencias.

Consideramos que la convergencia de estos trabajos enriquece el debate sobre la incorporación de la IA en la práctica clínica, y esperamos que continúen impulsando investigaciones e innovaciones para lograr una atención más eficaz y eficiente para los pacientes.