RESUMEN
Objetivo:
Analizar alarmas críticas predictoras de deterioración clínica/sepsis para toma de decisiones clínicas en pacientes internados en complejo hospitalario de referencia.
Métodos:
Estudio observacional de cohorte retrospectivo. La herramienta Machine Learning (ML), Robot Laura®, puntúa alteraciones en parámetros vitales y exámenes laboratoriales, clasificándolos por gravedad. Incluyeron pacientes internados y mayores de 18 años.
Resultados:
Extrajeron 122.703 alarmas de la plataforma, clasificadas de 2 hasta 9. La preselección de alarmas críticas (6 a 9) apuntó 263 alertas urgentes (0,2%), entre ellas, después del filtro de criterios de exclusión, delimitaron 254 alertas para 61 pacientes internados. La mortalidad de pacientes por sepsis fue de 75%, entre ellos 52% debido a sepsis relacionada al nuevo coronavirus. Después de las alarmas ser atendidas, 82% de los pacientes permanecieron en los sectores.
Conclusiones:
Más allá de la tecnología, modelos de ML pueden agilizar la decisión clínica asertiva de enfermeros, optimizando tiempos y recursos humanos especializados.
Descriptores:
Inteligencia Artificial; Aprendizaje Automático; Sepsis; Toma de Decisiones Clínicas; Invenciones