El avance de la inteligencia artificial (IA) y el aprendizaje automático (Machine Learning, ML) en la medicina perioperatoria ha dejado de ser una promesa futurista para convertirse en herramientas comerciales tangibles dentro de nuestros quirófanos. Dispositivos predictivos de hipotensión y monitores multimodales de nocicepción prometen guiar una anestesia de precisión. Sin embargo, ¿qué evidencia clínica sólida respalda realmente su impacto sobre los resultados de los pacientes?
Un reciente meta-análisis y revisión sistemática publicado en el prestigioso British Journal of Anaesthesia (BJA) por Divya Mehta y colaboradores evalúa de manera rigurosa los ensayos clínicos aleatorizados disponibles sobre estas intervenciones basadas en ML.
Objetivo del Estudio
Evaluar la efectividad acumulada de las intervenciones perioperatorias guiadas por algoritmos de Machine Learning sobre los desenlaces clínicos en pacientes quirúrgicos hospitalizados en comparación con el cuidado convencional.
Diseño y Metodología
El estudio se diseñó como una revisión sistemática con meta-análisis siguiendo las pautas PRISMA y registrado en PROSPERO (CRD42023433163). Se realizaron búsquedas exhaustivas en Ovid MEDLINE, CINAHL, Embase, Scopus, PubMed y ClinicalTrials.gov en busca de ensayos clínicos aleatorizados (ECA). Para desenlaces reportados en dos o más estudios se utilizó un modelo de efectos aleatorios.
Intervenciones Analizadas
Entre los 13 ensayos clínicos aleatorizados incluidos, se analizaron principalmente dos tipos de tecnologías guiadas por Machine Learning:
- Índice de Predicción de Hipotensión (HPI – Hypotension Prediction Index): evaluado en 5 ECA. Es un algoritmo entrenado para predecir eventos inminentes de hipotensión arterial a partir del análisis de la onda de pulso arterial invasiva.
- Índice de Nivel de Nocicepción (NoL – Nociception Level Index): evaluado en 7 ECA. Integra múltiples señales fisiológicas autonómicas (fotopletismografía, conductancia galvánica de la piel, temperatura periférica y acelerometría) para cuantificar la respuesta al estrés nociceptivo en tiempo real.
- Sistema de programación quirúrgica asistido por ML: evaluado en 1 ensayo clínico.
Resultados Principales
- Reducción de la Hipotensión con HPI: En comparación con el cuidado estándar, el uso de HPI logró una disminución estadísticamente significativa en la hipotensión absoluta (n = 421, p = 0.003, I² = 75%) y en la hipotensión relativa (n = 208, p < 0.0001, I² = 0%), acortando sustancialmente el tiempo de exposición a presiones arteriales desfavorables.
- Disminución del Dolor en Recuperación con NoL: Los pacientes monitorizados con NoL presentaron puntajes promedio de dolor significativamente menores en la Unidad de Recuperación Posanestésica (URPA/PACU) en comparación con el grupo control (n = 191, p = 0.004, I² = 19%).
- Consumo de Opioides: A pesar del mejor alivio del dolor agudo en URPA, el monitoreo con NoL no demostró una reducción estadísticamente significativa en el consumo total de opioides intraoperatorios (n = 339, p = 0.31, I² = 92%) ni en URPA (n = 339, p = 0.11, I² = 0%).
- Desenlaces Hospitalarios y Estadía: No se encontraron diferencias significativas entre los grupos en la duración de la estancia en URPA (n = 267, p = 0.44) ni en los días totales de internación hospitalaria (n = 361, p = 0.81).
Conclusiones de los Autores
Las intervenciones basadas en Machine Learning en el quirófano demuestran beneficios clínicos inmediatos concretos: el algoritmo HPI previene y reduce la duración de la hipotensión intraoperatoria, mientras que el monitoreo NoL mitiga los puntajes de dolor al despertar en la sala de recuperación. No obstante, estas mejoras fisiológicas tempranas aún no se han traducido de manera consistente en desenlaces hospitalarios mayores o reducción de morbimortalidad a largo plazo.
Aspectos Destacados para la Práctica Clínica
- HPI: Confirma su capacidad preventiva ante la inestabilidad hemodinámica, permitiendo al anestesiólogo intervenir de manera proactiva (fluidos o vasoactivos) antes del nadir hipotensivo.
- Monitoreo NoL: Aporta valor objetivo a la titulación de analgesia intraoperatoria, reflejándose en un despertar más confortable en la URPA.
- La brecha de implementación: Contar con un algoritmo predictivo no es suficiente por sí solo; su éxito radica en protocolos clínicos de acción bien definidos y en la adherencia del equipo anestesiológico a las alertas.
- Próximos pasos: Son necesarios ensayos clínicos prospectivos de gran escala para determinar si la tecnología reduce eventos adversos mayores y justifica su costo en nuestros sistemas sanitarios.
Referencia: Mehta D, Gonzalez XT, Huang G, Abraham J. Machine learning-augmented interventions in perioperative care: a systematic review and meta-analysis. Br J Anaesth. 2024 Dec;133(6):1159-1172. doi: 10.1016/j.bja.2024.08.007.