¿‘Machine learning’ al servicio de los pacientes que requieren hemodiálisis?

El paciente con una insuficiencia renal que requiere hemodiálisis necesita una conexión a la máquina desde su sistema vascular. Esta puede ser un catéter o una fístula arteriovenosa, que es una conexión quirúrgica entre una arteria y una vena en el brazo para generar un flujo suficiente. Como el catéter puede generar frecuentemente complicaciones asociadas a infecciones o daño vascular, la fístula es la opción ideal. Sin embargo, la fístula puede presentar problemas por déficit o exceso de flujo. Las estenosis (estrecheces en la vena) provocan pérdida de flujo y trombosis, con importantes consecuencias por la necesidad de catéteres, y los flujos elevados sobrecargan el corazón. Es necesario, por lo tanto, poder predecir la función de la fístula, aunque hoy en día no se dispone de métodos que lo permitan, explica José Ibeas, jefe del grupo de nefrología clínica, intervencionista y computacional del Institut d’investigació i Innovació Parc Taulí, de Sabadell.

El grupo de Ibeas trabaja en un proyecto que tiene como objetivo generar un sistema de apoyo a la decisión clínica basado en el aprendizaje automático ( machine learning). Mediante el uso masivo de datos de diversas fuentes –datos clínicos, biométricos, analíticos o de imágenes– se podría realizar una predicción personalizada para cada paciente, por un lado, del riesgo de fallo de la fístula y, por otro, de su potencial repercusión cardiaca.

Basándose en la información de un centenar de pacientes, el equipo ha desarrollado un prototipo con resultados prometedores: exactitud de 0,82 y precisión de 0,86. El objetivo es mejorar el entrenamiento de los algoritmos de inteligencia artificial con los datos de más pacientes y desarrollar una herramienta que esté preparada para ensayos clínicos y los trámites regulatorios pertinentes. Y,

Los datos permitirán predecir para cada enfermo posibles complicaciones

posteriormente, si los resultados son óptimos, avanza el líder del proyecto, pensar en la creación de una spin-off.