Estudio desarrolló modelo con IA para mejorar atención de adultos mayores con neumonía

La investigación, realizada por académicos U. Mayor y de la U. Santo Tomás, se basó en datos de más de 58 mil pacientes del sistema público e identificó a la fragilidad como un factor clave en el pronóstico de cada persona. Así, el trabajo propone el uso de algoritmos para apoyar decisiones clínicas.

La neumonía adquirida es una de las principales causas de hospitalización en adultos mayores en Chile, afectando a más de 15 casos por cada 1.000 personas de este grupo al año.

En este contexto, un equipo de investigación desarrolló un modelo predictivo basado en inteligencia artificial (IA) que permite estimar el riesgo de mortalidad de un paciente que ingresa hospitalizado, con el objetivo de mejorar la toma de decisiones clínicas y optimizar la atención en el sistema de salud.

El estudio fue liderado por Manuel Vásquez, director del Centro de Observación y Análisis de Datos en Salud de la Universidad Mayor, junto a los investigadores Yeny Concha y Eduardo Guzmán, de la Universidad Santo Tomás; y analizó más de 58 mil episodios de hospitalización, registrados entre 2019 y 2024 en 72 hospitales públicos administrados por FONASA, utilizando datos reales del sistema de salud (Real‑World Data).

Durante ese período, la mortalidad aumentó notoriamente en 2020 y 2021, reflejando el impacto indirecto de la pandemia.

Fragilidad: factor clave

Uno de los principales hallazgos del estudio fue que la fragilidad del paciente es un indicador determinante en su evolución clínica, incluso por sobre factores tradicionalmente considerados como la edad o la cantidad de enfermedades crónicas. De hecho, el 75% de los pacientes presentó fragilidad intermedia o alta.

A través del uso del índice Hospital Frailty Risk Score (HFRS), el equipo identificó que los adultos mayores con alta fragilidad presentan un 57% más de riesgo de fallecer durante la hospitalización en comparación con aquellos clasificados como de bajo riesgo. En total, la mortalidad intrahospitalaria global del estudio fue de 19,3%.

Este resultado evidencia que incorporar esta variable en la evaluación médica puede entregar información más precisa para el pronóstico, permitiendo una atención más oportuna y focalizada.

Algoritmos al servicio

Para procesar el volumen de datos, los investigadores utilizaron 14 algoritmos de aprendizaje automático, identificando al modelo conocido como Extra Trees como el más eficiente para predecir el riesgo de los pacientes.

Además, el equipo incorporó herramientas de inteligencia artificial explicable (SHAP) que permiten desglosar las predicciones y mostrar a los profesionales de la salud cómo influyen variables como la fragilidad, la edad o la duración de la hospitalización en cada caso.

“Nosotros pudimos predecir variables como los tiempos de estadía, las comorbilidades y la fragilidad de los pacientes, y luego desarrollar un modelamiento que permite estimar la mortalidad a partir de estos factores”, explicó Manuel Vásquez, quien destacó que uno de los principales aportes del estudio es su viabilidad práctica, ya que el modelo se basa en datos administrativos que los hospitales ya registran de forma habitual y funciona con solo cinco variables rutinarias —edad, sexo, fragilidad, comorbilidades y días de hospitalización—, lo que permitiría su implementación sin necesidad de nuevos exámenes o infraestructura adicional.

“De esta forma, la herramienta podría integrarse a los sistemas de salud como un apoyo directo a la toma de decisiones clínicas, ayudando a identificar de manera temprana a los pacientes más vulnerables y optimizar el uso de recursos hospitalarios”, agrega el académico.

Los resultados fueron publicados en las revistas internacionales Journal of Clinical Medicine y Diagnostics, ambas indexadas en PubMed.

Cabe señalar que el modelo se desarrolló con datos del sistema público (FONASA, que cubre cerca del 85% de la población mayor de 60 años) y que su siguiente paso es la validación prospectiva.