Predicción de reingreso hospitalario para pacientes quirúrgicos utilizando modelos de aprendizaje profundo con datos de sensores de reloj inteligente y anillo inteligente

Las reingresos hospitalarios están bien establecidos como indicadores clave de la calidad de la atención médica, especialmente en el entorno postoperatorio. Los reingresos no planificados a menudo reflejan complicaciones que no se predijeron completamente o no se manejaron adecuadamente, generando una carga financiera y clínica sustancial para los sistemas de salud. En Estados Unidos, ocurrieron 3,8 millones de reingresos de adultos en 30 días en 2018, con un costo promedio de US$15.200 por evento. En Brasil, se han reportado tasas de reingreso igualmente altas, con un 13,4% de más de 22.000 hospitalizaciones resultando en visitas de retorno, en gran parte debido a infecciones hospitalarias, apnea obstructiva del sueño y arritmias cardíacas. Las alteraciones del sueño, incluida la apnea obstructiva del sueño, se encuentran entre los contribuyentes más significativos a las complicaciones postoperatorias y los reingresos. Retrasan la recuperación, aumentan la sensibilidad al dolor, deterioran la cognición y elevan el riesgo cardiovascular. Las comorbilidades vasculares como la hipertensión, la diabetes y la hiperlipidemia empeoran aún más los resultados al aumentar la probabilidad de eventos isquémicos, la cicatrización de heridas comprometida y la inestabilidad respiratoria. Comprender cómo interactúan las variables fisiológicas, conductuales y relacionadas con el sueño para influir en la recuperación postoperatoria es esencial para diseñar estrategias de detección temprana y prevención.

La inteligencia artificial (IA) ha mostrado una promesa creciente en la predicción del deterioro clínico y la identificación de pacientes de alto riesgo en múltiples campos quirúrgicos. Una revisión sistemática reciente de 26 estudios demostró que los modelos basados en IA, incluido el procesamiento del lenguaje natural, los algoritmos clásicos de aprendizaje automático y los métodos de aprendizaje profundo, pueden predecir con precisión los reingresos hospitalarios después de una cirugía mayor. Sin embargo, la mayoría de los conjuntos de datos disponibles no combinan señales fisiológicas preoperatorias, intraoperatorias, postoperatorias y continuas recopiladas en tiempo real de dispositivos portátiles, lo que representa una brecha importante en la literatura. Este estudio de cohorte prospectivo tiene como objetivo abordar esta brecha integrando datos fisiológicos y conductuales de alta resolución capturados de dispositivos portátiles, específicamente relojes inteligentes y anillos inteligentes, en una base de datos perioperatoria unificada, con el objetivo general de desarrollar modelos de IA capaces de predecir reingresos hospitalarios no planificados dentro de los 30 días posteriores a la cirugía.

El estudio busca construir una base de datos integral de pacientes sometidos a cirugías electivas de mediana a gran escala, capturando datos fisiológicos y conductuales de dispositivos portátiles y monitores multiparamétricos durante los períodos pre y postoperatorio, incluido el monitoreo continuo en las primeras 48 horas de cuidados intensivos cuando esté indicado. La recopilación de datos incluirá monitoreo continuo con dispositivos portátiles a través de una interfaz basada en web desarrollada por CETELI/UFAM, evaluaciones clínicas pre y postoperatorias, pruebas de laboratorio, estudios de imágenes, evaluaciones de la función pulmonar, polisomnografía y cuestionarios de sueño validados. El estudio evaluará las correlaciones entre las variables fisiológicas y relacionadas con el sueño derivadas de relojes inteligentes y anillos inteligentes y el riesgo de reingreso hospitalario.

Además, el estudio desarrollará aplicaciones para el uso de relojes inteligentes y anillos inteligentes en la captura de datos perioperatorios y empleará enfoques de aprendizaje automático, incluidas arquitecturas profundas como redes neuronales convolucionales causales y redes neuronales recurrentes, así como métodos clásicos como máquinas de vectores de soporte y árboles de decisión, para predecir reingresos hospitalarios. Se analizarán las asociaciones entre los parámetros de sueño derivados de dispositivos portátiles y el riesgo de reingreso a 30 días, se correlacionarán los datos de sueño pre y postoperatorios con los resultados de la polisomnografía y los cuestionarios, y se comparará la calidad del sueño entre los períodos preoperatorio y postoperatorio.

Esta investigación se lleva a cabo a través de una colaboración multidisciplinaria entre el Hospital Universitario Getúlio Vargas (HUGV-UFAM/Ebserh) y el Centro de Investigación y Desarrollo en Tecnología Electrónica e Informática (CETELI/UFAM). CETELI será responsable de desarrollar el software de recopilación de datos, la arquitectura de almacenamiento y los algoritmos predictivos, mientras que la supervisión clínica, el reclutamiento y la ejecución del protocolo estarán a cargo del HUGV.

Más allá de la relevancia científica, este proyecto tiene una importancia práctica significativa. En regiones geográficamente complejas como la Amazonía, el monitoreo remoto continuo mediante dispositivos portátiles puede mejorar el seguimiento, reducir las disparidades en el acceso a la atención postoperatoria y permitir una identificación más temprana de complicaciones. Integrar modelos de predicción basados en IA con los flujos de trabajo hospitalarios puede, en última instancia, reducir costos, optimizar el flujo de pacientes y mejorar la seguridad y calidad de la atención quirúrgica.