Investigadores del grupo del CIBERES -en el Hospital Universitario Parc Taulí - Instituto de Investigación y Innovación Parc Taulí de Sabadell- han desarrollado un modelo para predecir la aparición de asincronías paciente-ventilador en los pacientes críticos. El estudio publicado recientemente en la revista Scientific Reports se basa en la aplicación de Modelos ocultos de Markov, un novedoso enfoque estadístico que se aplica en minería de datos para reconocer patrones a lo largo del tiempo y predecir eventos futuros basados en observaciones pasadas. Estos modelos inicialmente aplicados en el campo de las finanzas han demostrado su utilidad en otros campos tales como el análisis fisiológico de series temporales, el reconocimiento del habla, y la biología computacional y se han aplicado por primera vez en el paciente crítico ventilado.
Una de las líneas de investigación del grupo del CIBERES, liderado por Lluís Blanch, se centra en el estudio de la interacción paciente-ventilador. La mala interacción paciente-ventilador puede tener consecuencias negativas y prolongar la ventilación mecánica y la estancia en UCI y aumentar la probabilidad de afectaciones musculares y pulmonares entre otras complicaciones, e incluso incrementar la mortalidad. Por ello es de suma importancia asegurar que la ventilación mecánica satisface la demanda del paciente y a su vez minimiza la aparición de asincronías. El paciente crítico ventilado requiere una monitorización intensa y continua y la explotación de grandes conjuntos de datos que aporten información predictiva para optimizar la toma de decisiones en este exigente entorno. La detección temprana de una mayor frecuencia de asincronías podría alertar a los médicos para que diagnostiquen y manejen inmediatamente el problema. Para ello es necesario el desarrollo de herramientas que permitan adecuar el manejo de la enfermedad a las necesidades del paciente en cada momento, objetivo de la medicina personalizada o de precisión.
Aunque las nuevas tecnologías permiten la monitorización continua a pie de cama y la detección automática de asincronías, los sistemas de monitorización todavía no pueden predecir las asincronías en tiempo real. Actualmente, la incidencia de las asincronías se clasifica como baja o alta, en función de un límite arbitrario situado en el 10%. En el contexto de este estudio, los investigadores analizaron más de 10.400 respiraciones de 51 pacientes en estado crítico que se sometieron a ventilación mecánica más de 24h.
Basados en datos de series de tiempo discretas que representan el conteo total de asincronías, se definieron cuatro estados o niveles de riesgo de asincronías z1 (muy bajo riesgo) - z4 (muy alto riesgo). Los modelos de Markov se aplicaron para predecir la probabilidad de que cada nivel de riesgo ocurriera en el siguiente período. Como resultado del análisis se concluye que los estados son persistentes, es poco común que ocurran grandes cambios de estado y a mayoría de los cambios se producen entre estados de riesgo contiguos. Esto tiene gran interés clínico, ya que los pacientes que ingresan en estados con un alto número de asincronías son muy propensos a continuar en ese estado (alto riesgo), lo que podría tener serias implicaciones.
"Este novedoso enfoque para explorar las asincronías paciente-ventilador constituye un primer paso en el desarrollo de alarmas inteligentes que alerten a los profesionales acerca de los pacientes que entran en estados de alto riesgo, de modo que puedan considerar acciones anticipatorias para mejorar la interacción paciente-ventilador", asegura el Dr. Blanch Los resultados del estudio basado en el uso de modelos ocultos de Markov pueden aportar una gran oportunidad de mejora en medicina personalizada y de precisión aplicable al paciente crítico ventilado.
Marchuk Y, Magrans R, Sales B, Montanya J, López-Aguilar J, de Haro C, Gomà G, Subirà C, Fernández R, Kacmarek RM, Blanch L. Predicting Patient-ventilator Asynchronies with Hidden Markov Models. Sci Rep. 2018 Dec 4;8(1):17614. doi: 10.1038/s41598-018-36011-0. PubMed PMID: 30514876; PubMed Central PMCID: PMC6279839.
