Algoritmos de machine learning para la identificación temprana de sepsis en pacientes post-quirúrgicos geriátricos: integración de parámetros de medicina interna y cirugía general
DOI:
https://doi.org/10.70577/asce.v5i1.746Keywords:
Sepsis, Aprendizaje Automático, Pacientes Geriátricos, Cuidados Postoperatorios, Diagnóstico Temprano, Atención Interdisciplinaria, Revisión BibliográficaAbstract
Introducción: La sepsis representa una amenaza crítica para pacientes geriátricos después de procedimientos quirúrgicos, con la detección temprana dificultada por presentaciones atípicas y comorbilidades complejas. Esta revisión bibliográfica examina la evidencia actual sobre aplicaciones de aprendizaje automático (ML) para la identificación temprana de sepsis en poblaciones geriátricas postquirúrgicas.
Objetivo: Sintetizar y analizar la literatura existente sobre algoritmos de ML que integren parámetros quirúrgicos y de medicina interna para la detección temprana de sepsis en pacientes geriátricos postoperatorios.
Métodos: Se realizó una búsqueda bibliográfica exhaustiva en las bases de datos PubMed, Scopus y Web of Science desde 2015 hasta 2024. Se incluyeron y evaluaron críticamente estudios centrados en aplicaciones de ML para la predicción de sepsis en poblaciones quirúrgicas geriátricas.
Resultados: La revisión identificó 28 estudios relevantes que demuestran que los modelos de ML, particularmente métodos de ensemble como Random Forest y XGBoost, superan consistentemente a los sistemas de puntuación tradicionales. La integración de parámetros quirúrgicos con métricas de medicina interna mejoró significativamente la precisión predictiva.
Conclusión: Los algoritmos de ML muestran un potencial sustancial para mejorar la detección temprana de sepsis en pacientes quirúrgicos geriátricos mediante la integración interdisciplinaria de datos. La investigación futura debería centrarse en la implementación clínica, la interpretabilidad de los modelos y las consideraciones éticas.
Downloads
References
Adams, R., Henry, K. E., Sridharan, A., Soleimani, H., Zhan, A., Rawat, N., ... & Saria, S. (2022). Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis. *Nature Medicine*, *28*(7), 1455–1460. DOI: https://doi.org/10.1038/s41591-022-01894-0
Angus, D. C., & van der Poll, T. (2021). Severe sepsis and septic shock. *New England Journal of Medicine*, *385*(9), 840-851. DOI: https://doi.org/10.1056/NEJMra1208623
Despins, L. A. (2017). Automated detection of sepsis using machine learning: A systematic review. *Journal of Clinical Monitoring and Computing*, *31*(6), 1225-1232. DOI: https://doi.org/10.1097/JHQ.0000000000000066
Fleuren, L. M., Klausch, T. L. T., Zwager, C. L., Schoonmade, L. J., Guo, T., Roggeveen, L. F., ... & Thoral, P. J. (2020). Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. *Intensive Care Medicine*, *46*(3), 383–400. DOI: https://doi.org/10.1007/s00134-019-05872-y
Futier, E., Lefrant, J. Y., Guinot, P. G., Godet, T., Lorne, E., Cuvillon, P., ... & Pereira, B. (2017). Effect of individualized vs standard blood pressure management strategies on postoperative organ dysfunction among high-risk patients undergoing major surgery: a randomized clinical trial. *JAMA*, *318*(14), 1346-1357. DOI: https://doi.org/10.1001/jama.2017.14172
Giannini, H. M., Ginestra, J. C., Chivers, C., Draugelis, M., Hanish, A., Schweickert, W. D., ... & Fuchs, B. D. (2019). A machine learning algorithm to predict severe sepsis and septic shock: development, implementation, and impact on clinical practice. *Critical Care Medicine*, *47*(11), 1485–1492. DOI: https://doi.org/10.1097/CCM.0000000000003891
Horng, S., Sontag, D. A., Halpern, Y., Jernite, Y., Shapiro, N. I., & Nathanson, L. A. (2017). Creating an automated trigger for sepsis clinical decision support at emergency department triage using machine learning. *PLOS ONE*, *12*(4), e0174708. DOI: https://doi.org/10.1371/journal.pone.0174708
Moor, M., Rieck, B., Horn, M., Jutzeler, C. R., & Borgwardt, K. (2021). Early prediction of sepsis in the ICU using machine learning: A systematic review. *Frontiers in Medicine*, *8*, 607952. DOI: https://doi.org/10.3389/fmed.2021.607952
Reyna, M. A., Josef, C. S., Jeter, R., Shashikumar, S. P., Westover, M. B., Nemati, S., ... & Clifford, G. D. (2019). Early prediction of sepsis from clinical data: the PhysioNet/Computing in Cardiology Challenge 2019. *Critical Care Medicine*, *48*(2), 210-217. DOI: https://doi.org/10.1097/CCM.0000000000004145
Shimabukuro, D. W., Barton, C. W., Feldman, M. D., Mataraso, S. J., & Das, R. (2017). Effect of a machine learning-based severe sepsis prediction algorithm on patient survival and hospital length of stay: a randomised clinical trial. *BMJ Open Respiratory Research*, *4*(1), e000234. DOI: https://doi.org/10.1136/bmjresp-2017-000234
Singer, M., Deutschman, C. S., Seymour, C. W., Shankar-Hari, M., Annane, D., Bauer, M., ... & Angus, D. C. (2016). The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). *JAMA*, *315*(8), 801-810. DOI: https://doi.org/10.1001/jama.2016.0287
Wong, A., Otles, E., Donnelly, J. P., Krumm, R., McCullough, J., DeTroyer-Cooley, O., ... & Singh, K. (2021). External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients. *JAMA Internal Medicine*, *181*(8), 1065–1070. DOI: https://doi.org/10.1001/jamainternmed.2021.2626
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Juan Carlos Lema Balla, Esther Salomé Loyola Cevallos, Evelyn Lisseth Alvarracin Vinueza, Byron Francisco Rodríguez Jácome, Kevin Steven Supe Chancay
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Eres libre de:
- Compartir : copiar y redistribuir el material en cualquier medio o formato
- Adaptar : remezclar, transformar y desarrollar el material
- El licenciante no puede revocar estas libertades siempre y cuando usted cumpla con los términos de la licencia.
En los siguientes términos:
- Atribución : Debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o a su uso.
- No comercial : no puede utilizar el material con fines comerciales .
- CompartirIgual — Si remezcla, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
- Sin restricciones adicionales : no puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer algo que la licencia permite.
