Curso Diploma Europeo

Futuras aplicaciones clínicas: ¿Y si pudiésemos prevenir la hipotensión arterial en función de algoritmos desarrollados a partir de las formas de la onda de presión arterial?

La hipotensión durante y después de la cirugía, definida como presión arterial media (PAM) menor de 65 mmHg, se asocia con mayores tasas de infarto de miocardio postoperatorio y lesión renal aguda. El riesgo de complicaciones graves aumenta con la duración de la hipotensión. El aviso anticipado de que la hipotensión es inminente, podría disminuir el impacto clínico.
Pinilla Silva C (1), Marín Moreno A (1), Macías-Pingarrón JP (2), Agudelo Montoya, M E (2)
(1) Residente de Anestesiología y Reanimación. Servicio de Anestesiología y Reanimación. Complejo Hospitalario Universitario de Badajoz. Sección de Cuidados Intensivos de la SEDAR.
(2) E.A Anestesiología y Reanimación. Servicio de Anestesiología y Reanimación. Complejo Hospitalario Universitario de Badajoz. Sección de Cuidados Intensivos de la SEDAR.

Artículo Original: Machine-learning Algorithm to Predict Hypotensión Based on High-fidelity Arterial Pressure Waveform AnalysisFeras Hatib, Ph.D., Zhongping Jian, Ph.D., Sai Buddi, Ph.D., Christine Lee, M.S., Jos Settels, M.S., Karen Sibert, M.D., F.A.S.A., Joseph Rinehart, M.D., Maxime Cannesson, M.D., Ph.D. (PubMed) (HTML)

Introducción

La hipotensión durante y después de la cirugía, definida como presión arterial media (PAM) menor de 65 mmHg (1), se asocia con mayores tasas de infarto de miocardio postoperatorio (2) y lesión renal aguda. El riesgo de complicaciones graves aumenta con la duración de la hipotensión. El aviso anticipado de que la hipotensión es inminente, podría disminuir el impacto clínico.

El aprendizaje automático basado en analizar grandes conjuntos de datos permite desarrollar modelos predictores. Estudios recientes sugieren que los cambios dinámicos en la forma de onda de presión arterial pueden anunciar la aparición de eventos hipotensivos. En este estudio, el aprendizaje automático se usó para afinar un algoritmo; el Índice de Predicción de Hipotensión, que está basado en el análisis complejo de alta fidelidad de las formas de la onda de presión arterial.

Materiales y métodos

 Bases de datos

Los datos utilizados en el desarrollo y la validación interna provienen de la base de datos Multiparameter Intelligent Monitoring in Intensive Care II  (datos de unidades de cuidados críticos, de acceso libre); y de la base de datos de Edwards Lifesciences (contiene datos tanto de quirófano como de UCI). Los datos para la validación externa se recogieron de de la Universidad de California del Irvine Medical Center. Los datos consistieron en la información demográfica del paciente y las formas de onda de presión.

Desarrollo del modelo predictivo de hipotensión

Resultado primario

Métodos estadísticos

Los datos se expresan como media ± desviación estándar (mediana y [25º-75º] cuartiles) y / o número.

Datos y métodos de validación

Se estudiaron 3,022 característicias individuales y 2,603,125 caracteristicas combinadas de las formas de onda de presión arterial del conjunto de datos. El modelo para el análisis de datos que se utilizó fue el de regresión logística para las variables cuantitativas de la distribución binomial: hipotensión y no hipotensión.

Recordamos que se eligió evento hipotensivo como aquel en el que PAM<65 mmHg durante al menos 1 minuto de duración.

Resultados

El valor predictivo positivo (VPP) del índice predictor de hipotensión (HPI) de este algoritmo en la cohorte de validación interna a los 5 minutos fue 88.8 % (87.9-89.7), a los 10 minutos 76.7 (75.3-78.1) y  a los 15 minutos 67.2 (65.6-68.9), mientras que en la cohorte de validación externa el VPP a los 5 minutos fue 93.2 (91.0-95.3), a los 10 minutos 83.6 (79.4-87.8) y a los 15 minutos 74 (67.9-80.1).

El valor predictivo negativo (VPN) del HPI en la cohorte de validación interna a los 5 minutos fue 94.4 N(93.8-94.9), a los 10 minutos 95.6 (95.1-96.1) y a los 15 minutos 95.9 (95.4-96.4). En la cohorte de validación externa el VPN a los 5 minutos fue 78.6(74.3-82.9), a los 10 minutos 84.8 (80.8-88.8) y a los 15 minutos 90.0 (86.5-93.4). 

ANALISIS DE LA PREDICCIÓN DE LA HIPOTENSIÓN EN COMPARACIÓN CON EVENTO HIPOTENSIVO REAL.

La predicción de hipotensión calculada por el modelo de regresión logística varía entre 0 y 1. El resultado se multiplica x100. Se denomina al valor resultante HPI, índice predictor de hipotensión.

Discusión

Según los resultados de este estudio, parece posible el desarrollo de un modelo de aprendizaje automático, donde tras realizar una base de datos sobre la forma de onda de presión arterial y a partir de esta un algoritmo con patrones de conducta hemodinámica, podamos predecir un evento hipotensivo hasta 15 minutos antes de que ocurra y así prevenirlo evitando los daños que esta hipotensión pudiese generar. Hasta el momento, él único método para predecir la inestabilidad del paciente es nuestra propia experiencia al analizar los datos que nos muestra la monitorización, pero si que existe evidencia sobre la existencia de pequeños cambios en variables fisiológicas en las primeras etapas de la inestabilidad que son imperceptibles para nosotros.

Bar et al. realizaron un estudio que confirmaba la capacidad de la elastancia arterial dinámica (Ea din) medida por análisis de contorno de pulso no calibrado (UPCA) para predecir la disminución de la presión arterial cuando se disminuye la dosis de noradrenalina. Afirmando que podría constituir un enfoque funcional fácil de usar, independientemente del monitor utilizado (3).

Convertino et al. desarrollaron un modelo similar a este, donde a partir de la presión negativa de la parte inferior del cuerpo, estimaba la pérdida de volumen sanguíneo tras un shock hemorrágico.  También lo aplicó  a las formas de onda de pletismografía para identificar pacientes que habían desarrollado inestabilidad cardiaca

Análisis Crítico del Estudio

El objetivo principal de este trabajo es el desarrollo de un algoritmo que prediga eventos hipotensivos antes de que ocurran, con tiempo suficiente para evitarlos o paliar los daños consecuentes de dicho evento, basándose en el “aprendizaje” de patrones de onda de pulso de presión arterial, de forma que al enfrentarse de nuevo al patrón, el algoritmo sea capaz de identificarlo, anticiparse a los siguientes puntos hasta la hipotensión o la no hipotensión y comunicárnoslo con tiempo para obtener una reacción efectiva. En realidad, lo que nos ofrece es la probabilidad de que ocurra un evento hipotensivo, de forma que si el HPI es bajo existe poca probabilidad de hipotensión, y si ocurre no será inmediata, y si el HPI es alto ocurre al contrario, existe alta probabilidad de hipotensión y será en poco tiempo.

El verdadero desafío del algoritmo es detectar de forma precoz la aparición de estos cambios dinámicos indetectables por algoritmos de procesamiento de señal simple.

Además del valor clínico potencial de este desarrollo, pueden imaginar nuevos campos para la investigación de fisiología básica mediante el aumento del análisis de la forma de la onda fisiológica con técnicas informáticas e ingeniería inversa.

Se identifican siete limitaciones mayores:

  1. Este sistema fue desarrollado mediante el registro de los pacientes de quirófano y unidades de cuidados intensivos, mientras la validación externa se realizó a partir de un conjunto de datos fisiológicos de pacientes quirúrgicos.
  2. Mientras el algoritmo desarrollado en este estudio es capaz de predecir hipotensión, no está claro cómo deberían actuar los facultativos ante la alarma.
  3. Los beneficios de iniciar el tratamiento antes del evento hipotensivo aún no están claros.
  4. Este algoritmo depende de la forma de la onda de la línea de arteria invasiva. En la actualidad, a una pequeña minoría de pacientes se le coloca un catéter para monitorización de línea arterial durante la cirugía. El desarrollo de un algoritmo similar de la medición de la presión arterial de forma no invasiva es necesario para expandir la aplicabilidad de esta estrategia.
  5. No incluyen en el estudio ningún evento hipotensivo causado por intervenciones clínicas.
  6. Utilizan dispositivos de Edwards Lifesciences (FloTrac, CO- Trek) que puede no estar disponible para otros que desean realizar este estudio.
  7. Presentaron un estudio que tiene potencial para predecir en tiempo real los eventos de hipotensión, pero no hemos analizado el flujo de datos en tiempo real para predecir hipotensión.

Pero podríamos añadir alguna más:

  1. El hecho de utilizar sistema FloTrac y una base de datos para la validación interna de Edwards Lifesciences podría suponer conflictos de intereses.
  2. Solo tienen en cuenta la hipotensión como PAM < 65 mmHg, pero esto no es referencia de población pluripatológica como hipertensos, cardiópatas, lesiones neurológicas…
  3. Analizando datos, tanto la sensibilidad como la especificidad disminuyen a mayor periodo de predicción, siendo más fiable la predicción cuanto más cercano está el evento.

Conclusiones

Los resultados de este estudio demuestran que un algoritmo de aprendizaje automático, puede ser desarrollado con un conjunto amplio de datos con alta fidelidad en base a la forma de la onda de presión arterial, para predecir eventos hipotensivos en función de un conjunto de datos fisiológicos de pacientes sometido a cirugía.

Bibliografía

  1. Salmasi V, Maheshwari K, Yang D, Mascha EJ, Singh A, Sessler DI, et al. Relationship between intraoperative hypotension, defined by either reduction from baseline or absolute thresholds, and acute kidney and myocardial injury after noncardiac surgery: A retrospective cohort analysis. ANESTHESIOLOGY 2017; 126:47–65. (PubMed) (HTML)
  2. van Waes JA, van Klei WA, Wijeysundera DN, van Wolfswinkel L, Lindsay TF, Beattie WS: Association between intraoperative hypotension and myocardial injury after vascular surgery. ANESTHESIOLOGY 2016; 124:35–44. (PubMed) (HTML)
  3. Bar S, Leviel F, Abou Arab O, et al. Dynamic arterial elastance measured by uncalibrated pulse contour analysis predicts arterial-pressure response to a decrease in norepinephrine. British Journal Anesthesiology 2018; 121, 3: 534-40. (PubMed)
  1. Convertino VA, Grudic G, Mulligan J, Moulton S: Estimation of individual-specific progression to impending cardiovascular instability using arterial waveforms. J Appl Physiol 1985) 2013; 115:1196–202. (PubMed) (HTML)
  2. Ghosh S, Feng M, Nguyen H, Li J: Hypotension risk prediction via sequential contrast patterns of ICU blood pressure. IEEE J Biomed Health Inform 2016; 20:1416–26. (PubMed) (HTML) (PDF)

Tags from the story
More from Cristina Pinilla Silva

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *



8 + 4 =