Federación Mexicana de Patología Clínica, A.C.

I N T R O D U C C I Ó N

---

La resistencia antimicrobiana (RAM) representa una amenaza creciente para la salud pública, limitando la eficacia de tratamientos antimicrobianos convencionales y aumentando la morbimortalidad asociada a infecciones intrahospitalarias. En particular, la resistencia a carbapenémicos a bacilos Gram negativos (CR-GNB) ha adquirido relevancia, especialmente en pacientes hospitalizados y en el contexto de cuidados intensivos. Esta problemática no solo implica un desafío terapéutico, sino que también incrementa los costos hospitalarios y prolonga la estancia intrahospitalaria. En respuesta a esta crisis, se proponen modelos de inteligencia artificial (IA), y en específico de machine learning (ML), como herramientas innovadoras para anticipar la aparición de resistencia a antibióticos mediante la integración de datos clínicos, microbiológicos y epidemiológicos. Estos modelos pueden mejorar la toma de decisiones clínicas y optimizar el uso de antimicrobianos en tiempo real.

 

O B J E T I V O

---

El objetivo es fundamentar y desarrollar un modelo pragmático de IA para predecir resistencia a carbapenémicos y otros antibióticos en pacientes hospitalizados, basándose en evidencia científica actualizada, con énfasis en la validación clínica, la interpretabilidad de los modelos, y su integración con sistemas hospitalarios como el Expediente Clínico Electrónico (ECE) y el Sistema Electrónico de Reporte de Laboratorio (SERL).

 

M A T E R I A L E S  Y  M É T O D O

---

Se llevó a cabo un estudio retrospectivo utilizando datos clínicos y microbiológicos de pacientes hospitalizados con infecciones bacterianas confirmadas en un universo de 94,000 pacientes internados en el Centro Médico Beth Israel Deaconess (BIDMC) en Boston, Massachusetts, EE. UU. Se desarrolló y entrenó un modelo predictivo de Inteligencia Artificial con enfoque prioritario en algoritmos de Machine Learning, tales como árboles de decisión, bosques aleatorios y redes neuronales, para construir el modelo predictivo. Los datos fueron preprocesados para asegurar la calidad y completitud de la información, seguida de una división en conjuntos de entrenamiento y validación. El rendimiento del modelo fue evaluado mediante métricas como la precisión, sensibilidad y especificidad y matrices de confusión. Recursos e Infraestructura: El estudio requirió acceso a registros electrónicos de salud del hospital, servidores para procesamiento y almacenamiento de datos, y software especializado en Inteligencia Artificial y Machine Learning, lenguaje de programación Python, R y sus librerías enfocadas a Machine learning como lo son TensorFlow y PyTorch en la plataforma google colab que es una herramienta para desarrollo de modelos colaborativos.

 

R E S U L T A D O S

---

Se entrenaron múltiples modelos de Machine Learning utilizando datos clínicos, de laboratorio y microbiológicos de 94,000 pacientes hospitalizados con infecciones bacterianas confirmadas mediante cultivos microbiológicos positivos en laboratorio, del grupo ESKAPE. Los mejores resultados se obtuvieron con algoritmos de árboles de decisión y redes neuronales profundas, alcanzando una:

• Precisión del 89.3%
• Sensibilidad del 86.7%
• Especificidad del 88.1%
• AUC-ROC de 0.91

El modelo fue capaz de predecir con alta fiabilidad la resistencia a carbapenémicos y antibióticos antes de la disponibilidad de cultivos, utilizando información disponible en las primeras horas de ingreso a UCI. Esta predicción temprana permitió simulaciones de escenarios clínicos donde el modelo ayuda a sugerir tratamientos antibióticos de manera más oportuna, reduciendo potencialmente la exposición innecesaria a antibióticos de amplio espectro si es utilizado correctamente.

 

C O N C L U S I O N E S

---

El modelo predictivo desarrollado demostró alta precisión y aplicabilidad clínica real para anticipar resistencia a carbapenémicos en pacientes sépticos críticos. Su uso en las primeras horas de hospitalización podría:

• Guiar la elección inicial de antibióticos de forma más adecuada.
• Reducir el uso innecesario de carbapenémicos, ayudando a contener la resistencia antimicrobiana.
• Disminuir el tiempo hasta el tratamiento efectivo, mejorando los RESULTADOS clínicos.
• Optimizar recursos en UCI, al reducir complicaciones asociadas a tratamientos inadecuados.

En la práctica diaria, esta herramienta puede integrarse en los sistemas electrónicos de salud para alertar automáticamente al personal médico ante alto riesgo de resistencia, agilizando decisiones críticas en entornos de alta demanda como la UCI.