Más de un año después de que la Organización Mundial de la Salud declarara la pandemia de COVID-19, se han superado los 150 millones de casos confirmados y hemos llegado a más de tres millones de muertes a nivel global a causa de esta enfermedad. A corto plazo la perspectiva es más optimista gracias a la llegada de las vacunas, que ya han recibido unos 700 millones de personas en todo el mundo.

Un virus desconocido

Durante todos estos meses, sanitarios e investigadores han aprendido mucho sobre el virus, aunque todavía quedan muchos aspectos por conocer. Al encontrarnos con un comportamiento epidemiológico totalmente atípico, los modelos analíticos predictivos han jugado un papel importante en tres aspectos: contribuyendo a predecir la evolución del curso clínico de la enfermedad, ayudando en la planificación de los recursos sanitarios y en la toma de decisiones sobre políticas sanitarias.

Durante todos estos meses, sanitarios e investigadores han aprendido mucho sobre el virus, aunque todavía quedan muchos aspectos por conocer. Al encontrarnos con un comportamiento epidemiológico totalmente atípico, los modelos analíticos predictivos han jugado un papel importante en tres aspectos: contribuyendo a predecir la evolución del curso clínico de la enfermedad, ayudando en la planificación de los recursos sanitarios y en la toma de decisiones sobre políticas sanitarias.

Predecir la evolución de la enfermedad

Como ejemplo de la aplicación de modelos analíticos a la predicción de la evolución de los pacientes, destaca el proyecto Pandemyc Score, que surge por la iniciativa de un grupo de profesionales del Hospital Universitario Infanta Leonor de Madrid, uno de los muchos centros que se vieron colapsados durante la primera ola de la pandemia.

“Necesitábamos un modelo predictivo que nos ayudase a predecir el curso de la enfermedad COVID mediante datos recogidos en la primera ola, sobre todo, cuando el paciente llegaba a urgencias. Nos hacía falta una herramienta que nos ayudase a anticipar el riesgo de progresión o muerte para tomar decisiones clínicas y de gestión de recursos”, señala el Dr. Pablo Ryan, internista del Hospital Universitario Infanta Leonor.

Tras detectar esta necesidad, los profesionales del Hospital Universitario formaron un grupo multidisciplinar que incluía distintas especialidades, como medicina interna, infecciosas, pediatría, urgencias o intensivos; y crearon una base de datos que registraba todos los datos de los pacientes que ingresaban. A partir de aquí, una vez pasada la primera ola de la pandemia, se creó el modelo predictivo con ayuda de los colaboradores externos Daniel Vélez-Serrano de la Universidad Complutense de Madrid, Alejandro Meca de la Universidad Rey Juan Carlos y Salvador Resino, del departamento de virología del Instituto Carlos IIII.

“El modelo implementado ha sido una regresión logística en el que se usan variables explicativas de tipo WOE (Weight of Evidence). Éstas consisten en realizar una transformación a las variables originales, previo paso por un proceso de discretización mediante árboles de decisión”, explica Daniel Vélez-Serrano, profesor departamento de Matemáticas de la universidad complutense de Madrid.

Un modelo accesible y aplicable

Una de las principales ventajas de este modelo es que utiliza variables que habitualmente se piden a los pacientes cuando llegan a urgencias y pueden obtenerse con una analítica urgente. Además, para hacer Pandemyc Score más accesible a todos los profesionales sanitarios, se ha puesto a su disposición una calculadora online, por lo que es un método sencillo y muy aplicable para la toma de decisiones.

“El modelo utiliza nueve variables del paciente, que se registran nada más llegar al hospital: edad, saturación, creatinina, linfocitos, hemoglobina, si es o no fumador, proteína C reactiva, las plaquetas y el sodio. Con estos 9 parámetros el modelo otorga una puntuación al paciente, y esta puntuación da como resultado un nivel de riesgo de fallecimiento durante el ingreso hospitalario: riesgo bajo (menor del 2%), riesgo intermedio (probabilidad de fallecer en el hospital entre un 2% y un 5%), riesgo alto (10%-40%) y riesgo extremo (+40%).”, comenta el Dr. Pablo Ryan.

Este nivel de riesgo que se obtiene del modelo puede determinar decisiones como el alta de un paciente ante una puntuación muy baja o, por el contrario, una monitorización más intensiva o incluso el traslado del paciente a una unidad de cuidados intermedios o intensivos si presenta un riesgo alto o extremo.

En un modelo predictivo de estas características, cuyo fin es ayudar a la toma de decisiones clínicas con pacientes, garantizar la fiabilidad es un aspecto fundamental en su desarrollo.

“La fiabilidad del modelo se garantizó validando su capacidad de acierto sobre otras muestras de pacientes que no han participado en su construcción. A tal fin, sobre la propia muestra de pacientes de primera ola, se hizo una selección aleatoria de ellos, que constituyeron dicha muestra de test. Además, con posterioridad, el modelo ha sido validado sobre pacientes ingresados durante la segunda ola y también sobre pacientes de otro hospital” señala Daniel Vélez-Serrano.

Pandemyc Score utiliza SAS Enteprise Miner, una herramienta que aporta una gran fiabilidad tras más de dos décadas de uso en diferentes compañías y sectores. Al disponer de un módulo Credit Scoring facilitaba la aplicación de la metodología que se pretendía utilizar. También jugó un papel decisivo la disponibilidad en la herramienta de todas las técnicas de predicción más competitivas que existen hoy día dentro del ámbito del Machine Learning (redes neuronales, supported vector machines, random forest, gradient boosting, etc.), ya que permitían hacer una comparativa entre la metodología explicativa propuesta y otras en las que primara la capacidad predictiva.

En definitiva, proyectos como Pandemyc Score demuestran el gran potencial de los datos en el ámbito sanitario, especialmente ante situaciones de emergencia en las que se requiere una respuesta rápida.

“Gracias a la primera ola hemos podido analizar mediante datos lo sucedido para preparar mejor los hospitales y de alguna forma mejorar la atención de estos pacientes. Podríamos decir que, junto a otras variables, los datos de la primera ola han podido contribuir a la disminución de la tasa de mortalidad de la segunda y tercera ola”, añade el Dr. Pablo Ryan.

Más información sobre Pandemyc Score: Torres-Macho J, Ryan P. .... Velez-Serrano D, Meca A. The PANDEMYC Score. An Easily Applicable and Interpretable Model for Predicting Mortality Associated With COVID-19.  J Clin Med. 2020 Sep 23;9(10):3066. doi: 10.3390/jcm9103066.

¿Quieres conocer cómo SAS está ayudando en la lucha contra la pandemia? Visita SAS COVID-19 Resource Hub.