IA predice la hipoglucemia en pacientes hospitalizados

El modelo de memoria a corto y largo plazo (LSTM), descrito en npj Digital Medicine , podría ayudar a los médicos a intervenir más tempranamente y prevenir complicaciones, incluyendo, en casos graves, convulsiones, coma y arritmias cardíacas a largo plazo.

Este modelo aborda un problema recurrente en la atención hospitalaria. La hipoglucemia, o bajo nivel de azúcar en sangre, es una complicación frecuente y potencialmente mortal entre los pacientes hospitalizados, incluidos aquellos que reciben tratamiento para la diabetes, quienes ayunan antes de procedimientos médicos o quienes se encuentran en cuidados intensivos. Sin embargo, no existen herramientas ampliamente utilizadas para predecir qué pacientes hospitalizados podrían desarrollar hipoglucemia.

“Actualmente, la mayor parte de la atención hospitalaria para la hipoglucemia es reactiva, y respondemos después de que el nivel de azúcar en la sangre del paciente disminuye”, afirmó la Dra. Roma Gianchandani, autora principal del estudio y vicepresidenta de Calidad e Innovación en el Departamento de Medicina y directora del programa de Diabetes.  

El modelo de IA desarrollado por investigadores de Cedars-Sinai analiza patrones en medicamentos, resultados de laboratorio, comidas y otros datos de los registros médicos electrónicos de los pacientes. Recopila la información a intervalos de cuatro horas durante un período de cinco días y la utiliza para predecir si un paciente desarrollará hipoglucemia en las próximas 24 horas.

Los investigadores desarrollaron y probaron el modelo utilizando datos de más de 143 000 admisiones hospitalarias de adultos en tres hospitales del sistema de salud Cedars-Sinai entre 2014 y 2025. Los investigadores también probaron la herramienta utilizando datos hospitalarios prospectivos para confirmar sus hallazgos iniciales.

“El modelo de IA está diseñado para alertar a los equipos de atención médica antes de que un paciente experimente una bajada de azúcar en sangre e identificar los factores clave que generan ese riesgo”, afirmó Amanda Momenzadeh, doctora en Farmacia, autora principal del estudio e investigadora del proyecto en el Laboratorio de Investigación Meyer de Cedars-Sinai.

“Al ofrecer información útil a los equipos de atención médica, también busca apoyar los programas de control de la diabetes en los hospitales”, añadió.

Los investigadores estiman que esta herramienta podría ayudar a prevenir entre tres y cuatro casos de hipoglucemia al día en un hospital grande. Si se extrapola a todas las camas de hospital del mundo, el impacto podría ser considerable.

“Lo interesante es que no se trata solo de un modelo teórico, sino que está diseñado y validado para funcionar de forma prospectiva y en tiempo real utilizando datos que los hospitales ya recopilan”, afirmó el autor principal del estudio, Jesse Meyer, doctor y profesor adjunto del Departamento de Biomedicina Computacional de Cedars-Sinai. “Al identificar a los pacientes en riesgo con mayor antelación, tenemos la oportunidad de reducir las complicaciones prevenibles y mejorar la seguridad del paciente”.

Si se adopta de forma generalizada, este modelo podría conducir a una atención más proactiva y basada en datos para los pacientes hospitalizados con diabetes y otras afecciones que afectan al nivel de azúcar en sangre.