Pediatría JAMA. 1 de diciembre de 2025; 179 (12): 1318-1325. doi: 10.1001/jamapediatrics.2025.3892.
IMPORTANCIA: La sepsis es una de las principales causas de muerte en niños. El reconocimiento y el tratamiento tempranos mejoran los resultados, pero hasta la fecha los modelos predictivos no han mejorado el diagnóstico temprano.
OBJETIVO: Desarrollar modelos de aprendizaje automático para estimar la probabilidad de desarrollar sepsis en las siguientes 48 horas.
DISEÑO, AMBIENTE Y PARTICIPANTES: Este fue un registro multisitio para la derivación y validación de modelos utilizando datos de registros médicos electrónicos (EHR) desde enero de 2016 hasta febrero de 2020 y validación temporal desde enero de 2021 hasta diciembre de 2022. Se comparó el rendimiento de los algoritmos de aprendizaje automático para predecir el desarrollo de sepsis y shock séptico mediante regresión logística, específicamente regresión de crestas y aumento de árbol de gradiente. Se incluyeron cinco sistemas de salud que contribuyen a la Red de Investigación Aplicada de Atención de Emergencia Pediátrica. Visitas al departamento de emergencias (DE) para niños de 2 meses o más hasta menores de 18 años de edad, excluyendo pacientes con disposición de muerte o traslado al servicio de urgencias, diagnóstico de trauma o sepsis presentes durante la ventana de características predictivas. Se siguieron las pautas de presentación de informes TRIPOD-AI y el análisis de datos se realizó desde septiembre de 2023 hasta julio de 2025.
EXPOSICIONES: Características fisiológicas y del paciente dentro de las primeras 4 horas de atención en el servicio de urgencias.
PRINCIPALES RESULTADOS Y MEDIDAS: Sepsis, definida como sospecha de infección con una puntuación de los Criterios de Sepsis de Phoenix (PSC) de 2 o más o muerte dentro de las 48 horas posteriores a la llegada al servicio de urgencias.
RESULTADOS: El conjunto de datos incluyó 1.604.422 visitas elegibles en la cohorte de capacitación y 719.298 visitas en la cohorte de prueba. Las características de rendimiento de los modelos de predicción de sepsis de PSC fueron AUROC de 0,92 (IC del 95 %: 0,92-0,93) para la regresión logística y 0,94 (IC del 95 %: 0,93-0,94) para el refuerzo del árbol de gradiente. Los AUROC para los modelos de choque PSC fueron 0,92 o más. Los modelos de aumento del árbol de gradiente tuvieron índices de probabilidad positivos que oscilaron entre 4,67 (IC del 95 %, 4,61-4,74) y 6,18 (IC del 95 %, 6,08-6,28) para la sepsis y de 4,16 (IC del 95 %, 4,07-4,24) a 5,83 (IC del 95 %, 5,67-5,99) para el shock séptico. Las características predictivas incluyeron índice de gravedad de emergencia, signos vitales ajustados por edad y complejidad médica. La evaluación de la equidad del desempeño del modelo fue similar para todas las características demográficas excepto para el pagador; AUROC para pacientes con seguro Medicaid fue mejor que para aquellos con pagadores comerciales.
CONCLUSIONES Y RELEVANCIA: Utilizando una gran población multicéntrica, se desarrollaron y validaron modelos con AUROC alto para predecir el desarrollo futuro de la sepsis basándose en los datos de la HCE recopilados en el servicio de urgencias. Los modelos lograron índices de probabilidad positivos para predecir la sepsis y el shock séptico. Los resultados resaltan la oportunidad de futuros estudios que combinen modelos basados en EHR con juicio clínico para mejorar la predicción.
PubMed:41082207 | PMC:PMC12519407 | DOI:10.1001/jamapediatrics.2025.3892