El oxígeno suplementario es un tratamiento que se utiliza para aumentar la cantidad de oxígeno que una persona inhala. Esto es especialmente importante para aquellos pacientes que tienen niveles bajos de oxígeno en la sangre debido a enfermedades respiratorias o condiciones médicas crónicas. Se estima que entre 13 y 20 millones de pacientes en todo el mundo necesitan este soporte mediante ventilación mecánica cada año.
Esta terapia se administra a través de diferentes dispositivos, como concentradores de oxígeno, tanques de oxígeno comprimido o sistemas de oxígeno líquido con el objetivo de mejorar la respiración, reducir la fatiga y aumentar la capacidad de realizar actividades diarias.
En los últimos años, estos dispositivos han evolucionado mucho más allá de las máquinas de tradicionales. Ahora, los aparatos han progresado hasta convertirse en máquinas digitales sofisticadas y compactas que suministran oxígeno a través de un tubo de plástico pequeño que se introduce por la garganta. Sin embargo, pese a los avances, aún sigue habiendo algunos interrogantes como la cantidad correcta de oxígeno que se debe administrar a cada paciente.
Los médicos prescriben los niveles de oxígeno mediante dispositivos que registran la saturación de SpO2, encargados de la medición de cantidad de oxígeno en la sangre de un paciente. No obstante, las investigaciones anteriores no pudieron establecer si un objetivo de SpO2 más alto o más bajo es mejor para los pacientes.
“El estándar de atención es mantener la saturación de oxígeno entre 88 y 100; dentro de ese rango, los médicos han tenido que elegir un nivel de oxígeno para la ventilación sin tener datos de alta calidad para fundamentar sus decisiones”, explica Kevin Buell, becario de cuidados intensivos y pulmonares en la Facultad de Medicina de la Universidad de Chicago.
"Los médicos han tenido que elegir un nivel de oxígeno para la ventilación sin tener datos de alta calidad para fundamentar sus decisiones”
Con el objetivo de disipar las dudas sobre la ventilación, Buell junto a un grupo de otros investigadores utilizaron un modelo de aprendizaje automático (ML) para estudiar si un nivel diferente de oxígeno depende de las características de cada paciente. Los resultados sugieren que los objetivos de oxigenación personalizados podrían reducir la mortalidad, lo que podría tener efectos de gran alcance en los cuidados críticos.
Concretamente, Buell y sus colaboradores plantearon la hipótesis de que, en lugar de indicar que los niveles de oxígeno no afectan los resultados del paciente, los resultados neutrales podrían indicar que los resultados del tratamiento para diferentes niveles de oxígeno varían según el paciente y simplemente se promedian hasta un efecto cero en los ensayos aleatorios.
Para ello, existe un creciente interés en utilizar un modelo ML con la meta de lograr predicciones para pacientes individuales. Estos modelos podrían utilizar características específicas del paciente, como la edad, el sexo, la frecuencia cardíaca, la temperatura corporal y el motivo de su ingreso en una unidad de cuidados intensivos (UCI), para predecir un nivel ideal de oxígeno para cada paciente.
“Nos propusimos crear una predicción personalizada y basada en evidencia"
“Nos propusimos crear una predicción personalizada y basada en evidencia sobre quién se beneficiaría de un objetivo de oxígeno más bajo o más alto cuando se conecta a un respirador”, añade Buell.
Buell y sus colaboradores utilizaron datos de estudios previos de Estados Unidos para diseñar y entrenar su modelo de aprendizaje automático. Después los colaboradores lo aplicaron a datos de pacientes de todo el mundo en Australia y Nueva Zelanda. En el caso de los pacientes que recibieron oxigenación que se encontraba dentro del rango objetivo que el modelo ML predijo una reducción de la mortalidad un 6,4 % menor en general.
No es posible hacer predicciones precisas basadas en una sola característica, por lo que los médicos requieren una herramienta como el modelo de aprendizaje automático desarrollado por los investigadores para reconstruir el conjunto completo de necesidades de cada paciente. No obstante, Buell destacó que, aunque el algoritmo es complejo, las variables que los equipos médicos deben introducir son todas variables clínicas ya conocidas, lo que facilita la implementación de este tipo de herramienta en el futuro.