Ignacio Revuelta, nefrólogo y responsable el programa de trasplante de donante renal de vivo del Hospital Clínic de Barcelona y jefe del grupo Investigación traslacional en neoplasia postrasplante del IDIBAPS, ha sido el líder de la investigación pionera. El estudio se ha publicado en la revista Artificial Intelligence Review y se ha llevado a cabo en colaboración con profesionales del Clínic-IDIBAPS responsables de infecciones en personas inmunodeprimidas (Dra. Moreno y Dra. Bodro) y de las Universidades de Bolzano (Prof. Dr. Santos-Arteaga) y Trento (Prof. Dra. Di Caprio).

Al aplicar una fase previa de optimización del algoritmo (Data Envelopment Analysis (DEA) para el desarrollo posterior de una red neuronal artifical (Artificial Neural Network (ANN)al modelo predictivo se ha podido incrementar la eficiencia de los datos recogidos en urgencias de los pacientes trasplantados de riñón por covid-19, incrementando la sensibilidad del modelo y así poder trabajar con cohortes más pequeñas, con varios outputs, y poder aplicar una Inteligencia Artificial más dinámica y eficiente. Este aspecto es clave cuando en situaciones nuevas y de gran impacto sanitario se requiere de información para la toma de decisiones sin tener que esperar a obtener gran cantidad de datos.

Las predicciones, que se realizaron utilizando dicho modelo predictivo híbrido, se han validado mediante una batería de múltiples técnicas de Machine-Learning, que, aunque con la optimización previa llegaron a proporcionar predicciones cercanas al 80%, se quedaron lejos de nuestro modelo que llegó al 96%. El estudio ha desarrollado un modelo predictivo aplicado al ingreso hospitalario en una cohorte de pacientes trasplantados de riñón por covid-19 que ha permitido predecir el curso clínico de la enfermedad, lo que ha permitido indentificar a los pacientes en riesgo de progresar hacia la enfermedad grave. Durante la primera ola de covid-19, el Servicio de Nefrología del Clínic hizo seguimiento telemático, la gran mayoría, de más de 1.006 pacientes, 38 de les cuales tuvieron que ingresar a causa de la covid-19 entre el 3 de marzo y el 24 de abril de 2020 en el Hospital Clínic.

El desarrollo creado permite categorizar la evolución de los pacientes a través de los valores de los análisis realizados al ingreso hospitalario. El modelo de predicción puede ayudar a guiar el manejo de la covid-19 en este grupo de pacientes con características específicas mediante la identificación de predictores clave que permitan una gestión de recursos en un modelo centrado en el paciente. En definitiva, el estudio permitió la optimización y diseño de algoritmos para realizar predicciones sobre la evolución de este tipo de pacientes con una fiabilidad del 96% y predecir si los pacientes tendrían que ingresar en las unidades de cuidados intensivos o requerir intensificación del tratamiento durante el ingreso, aspecto crítico durante la primera ola de la pandemia. Además, el estudio ha permitido identificar nuevos indicadores recogidos en el momento del ingreso de los pacientes trasplantados de riñón e infectados por la covid-19 para predecir su evolución, que no habían sido identificados con la aplicación de la estadística clásica.

Para el Dr. Ignacio Revuelta, "en un escenario de demanda abrumadora, como ha sido la pandemia del SARS-CoV-2, la presión sobre los sistemas de salud ha podido superar su capacidad prevista para enfrentarse una situación tan extrema. Los sistemas de salud necesitan evidencia científica y modelos validados predictores para mejorar el manejo de pacientes y optimizar recursos. Además, es clave poder desarrollar modelos ágiles que nos puedan dar información precisa y de una manera rápida porque cada minuto supone un evento desfavorecedor". "En definitiva nos dirigimos hacia una medicina de predicción personalizada predictiva", concluye el Dr. Revuelta.