Modelo Predictivo de Riesgo perioperatorio basado en Machine Learning

Descripción de la actividad de la organización

La misión de Osakidetza es trabajar por la salud de todas las personas, que constituyen el eje central de todas las acciones. Para ello apuesta por la investigación sanitaria a través de los Institutos BIO, de cara a mejorar los resultados en salud y transformar el sistema sanitario.

Sector

Actividades sanitarias

Nº de personas empleadas

1700

Localización

Antecedentes

Los anestesistas de todo el mundo vienen utilizando de manera sistemática el sistema de clasificación ASA-PS, creado y adoptado en la década de 1960 para evaluar y clasificar el riesgo que presenta un paciente al someterse a cualquier procedimiento quirúrgico que implique anestesia. Determinar este indicador de riesgo para cada paciente representa un desafío para los anestesiólogos, ya que se necesita personal altamente capacitado que pueda recopilar y evaluar subjetivamente toda la información disponible sobre cada paciente, lo que requiere además tiempo y dedicación.

Reto

El reto al que se trata de dar respuesta con esta propuesta de innovación ha sido desarrollar una herramienta adicional para la toma de decisiones que permite evaluar con mayor precisión y objetividad los riesgos potenciales para cada paciente derivados de intervenciones quirúrgicas que requieran procedimientos de sedación, utilizando para ello técnicas de Inteligencia Artificial basadas en herramientas de aprendizaje automático o “Machine Learning” que utilizan eficazmente los datos ya disponibles en los expedientes clínicos electrónicos (EHRs) del Servicio Vasco de Salud- Osakidetza.

Razones para ser considerado un Caso Práctico de Innovación

Porque introduce una aproximación innovadora al incluir herramientas de Inteligencia Artificial (básicamente aprendizaje automático o “machine learning”) para objetivar y mejorar la precisión de los riesgos potenciales de cada paciente al someterse a cualquier procedimiento quirúrgico que requiera anestesia, utilizando para ello de forma creativa y efectiva datos ya disponibles en los expedientes clínicos electrónicos (EHRs) del Servicio Vasco de Salud- Osakidetza.

Tradicionalmente, los anestesistas de todo el mundo vienen utilizando el sistema de clasificación ASA-PS, desarrollado y adoptada por la Sociedad Americana de Anestesiólogos en los años sesenta para evaluar y categorizar el riesgo de un paciente al someterse a cualquier procedimiento quirúrgico que requiera anestesia. Sin embargo, la determinación del ASA-PS (indicador de riesgo) de cada paciente es un desafío para los anestesistas, habida cuenta que requiere de personal anestesista muy entrenado que debe recabar y valorar de manera subjetiva toda la información existente sobre cada paciente, lo que a su vez requiere tiempo y dedicación.

Precisamente, y conscientes de estas limitaciones, personal de Osakidetza de la OSI Barrualde-Galdakao (OSI BG) y de BIOBIZKAIA deciden apostar por el uso de herramientas de Inteligencia Artificial (IA) para predecir de una manera objetiva y precisa el riesgo perioperatorio potencial ASA-PS de cada paciente. Para ello, se ha desarrollado entre 2019 y 2024 la herramienta GALDA-SCORE, un modelo predictivo de clasificación del riesgo anestésico/quirúrgico que utiliza el algoritmo XGBoost de aprendizaje automático o “Machine Learning”.

Para entrenar esta herramienta, se utilizaron datos anónimos del estado físico de pacientes de Osakidetza intervenidos quirúrgicamente (excluyendo cirugía obstétrica y cardíaca) en el período 2019-2021, procedentes de un total de 24.959 expedientes clínicos electrónicos (EHRs) procedentes de la OSI BG. Estos datos incluían hasta 31 variables de entrada por paciente (e.g. datos demográficos, hábitos de salud, enfermedades primarias y comorbilidades, tratamientos recibidos etc). Posteriormente, se procedió a validar retrospectivamente la herramienta GALDA-SCORE, utilizando para ello 75.773 EHRs de otros tantos pacientes de Osakidetza intervenidos en cuatro hospitales públicos del País Vasco entre enero y diciembre de 2022. Conviene subrayar que, además, se utilizó la metodología SHAP para verificar y precisar la contribución y relevancia de cada una de las variables utilizadas en las predicciones obtenidas por el “Galda-Score”, lo que asegura la transparencia y fiabilidad en la interpretación y la confianza en los resultados obtenidos.

Desde un punto de vista de vista de los recursos utilizados, el proyecto contó con un presupuesto total de 83.191 euros, financiados por el Departamento de Salud del Gobierno Vasco en la convocatoria de Promoción de la actividad investigadora Sanitaria. En el proyecto han trabajado un total de 9 personas, fundamentalmente un equipo interno del propio OSI BG formado por anestesistas, informáticos y personal de la unidad de investigación (coordinados por un investigador principal), además de la colaboración del Instituto BIOBIZKAIA y de una empresa tecnológica específicamente subcontratada para la programación del algoritmo (Izertis).

En la actualidad el proyecto ha sido implementado de manera experimental en la OSI BG, fundamentalmente en procedimientos de endoscopia con sedación, con resultados muy positivos. Cara a futuro, existen planes para la utilización efectiva de la herramienta, además de mejorarla para incluir también datos sobre los procedimientos e intervenciones realizadas y que permitan, en último término, incrementar la precisión en la evaluación de riesgos y la toma de decisiones clínicas.

Las principales acciones realizadas para implementar la herramienta GALDA-SCORE, desarrolladas en el período 2019-2024, han sido las siguientes:
1. En el año 2019 surge la idea de desarrollar un modelo predictivo de clasificación del riesgo anestésico que utilice técnicas de IA (“Machine Learning”), aprovechando para ello la información existente en los expedientes clínicos electrónicos disponibles (EHRs). Ese mismo año, se solicita formalmente una ayuda al Departamento de Salud del Gobierno Vasco en la convocatoria de Promoción de la actividad investigadora Sanitaria, que se concede a finales del 2020.
2. Posteriormente, se procede a seleccionar la empresa tecnológica colaboradora externa (en este caso Izertis), lo que supuso la apertura de un concurso público y en último término, un cierto retraso del proyecto sobre los plazos inicialmente previstos.
3. A lo largo del año 2022 se procede a la recogida y preparación previa de la información primaria de entrenamiento procedente de 24.959 EHRs procedentes de la OSI BG. Paralelamente, se empieza a trabajar en el desarrollo de los algoritmos y la arquitectura general del sistema, lo que ha requerido un proceso de diálogo y de discusión profunda entre los especialistas médicos y los desarrolladores de la herramienta para detectar, identificar e incorporar las principales variables explicativas.
4. Durante el año 2023 se procede a testar y validar los primeros resultados obtenidos, incluyendo la validación externa con 75.773 EHRs de otros tantos pacientes de Osakidetza intervenidos en cuatro hospitales públicos del País Vasco entre enero y diciembre de 2022, así como la realización de los análisis finales de verificación, fiabilidad y confianza en los resultados obtenidos.
5. Finalmente, y a lo largo del 2024, la herramienta GALDA-SCORE ha sido implementada de manera experimental en la OSI BG, fundamentalmente en procedimientos de endoscopia con sedación.

• La herramienta GALDA-SCORE ha sido implementada de manera experimental en la OSI BG, fundamentalmente en 200 procedimientos de endoscopia con sedación, con resultados muy positivos. En este sentido, la herramienta GALDA-SCORE muestra una elevada capacidad predictiva y mejora la precisión del ASA-PS frente a los métodos tradicionales.
• La elevada capacidad predictiva del GALDA-SCORE proporciona a los clínicos una herramienta adicional para la toma de decisiones que permite evaluar con mayor precisión y objetividad el riesgo potencial de cada paciente en procedimientos de sedación, permitiendo por ejemplo asegurar un seguimiento específico en aquellos pacientes para los que se identifica un alto riesgo anestésico/quirúrgico potencial y mejorando en último término la seguridad de los pacientes.
• La herramienta permite reducir el número de pruebas a realizar en las consultas preoperatorias presenciales en aquellos pacientes identificados como de bajo riesgo, lo que reduce significativamente los costos asociados con estas consultas, además del impacto medioambiental de las mismas al reducir posibles desplazamientos físicos innecesarios (por ejemplo a través de consultas telemáticas en pacientes de bajo riesgo). En este sentido, se estima que la herramienta puede generar un ahorro de 100 euros por consulta o 120 mil euros anuales para la OSI BG, todo ello sin que la calidad de la consulta preoperatoria se vea afectada en absoluto.
• Finalmente, la herramienta debe permitir optimizar y mejorar la gestión de los recursos sanitarios por parte de los profesionales sanitarios (por ejemplo ayudando a planificar y asignar recursos del quirófano o de las unidades de reanimación de manera más eficaz).

De cara al futuro, se planea mejorar la herramienta para incorporar datos sobre los procedimientos e intervenciones realizadas, lo que, en última instancia, permitirá aumentar la precisión en la evaluación de riesgos y en la toma de decisiones clínicas

- Compra Pública de Innovación (CPI) de Osakidetza