La señal clínica que a menudo no se mide
Las enfermeras de hospital pasan turnos enteros moviéndose entre rondas de medicación, controles de signos vitales, documentación, conversaciones con las familias y juicios constantes, pequeños pero decisivos, sobre si un paciente parece estable o no. En ese entorno, una de las formas más importantes de pericia también puede ser una de las más difíciles de documentar: la sensación de que algo no va bien antes de que las métricas estándar lo muestren con claridad.
Kelly Gleason, profesora asociada en la Escuela de Enfermería Johns Hopkins, ha construido su investigación en torno a ese problema exacto. Las enfermeras, sostiene, están formadas para leer a las personas tanto como los monitores. Detectan cambios en la apariencia, el estado de alerta, el comportamiento o la presentación general que quizá no activen de inmediato una alarma en un sistema hospitalario tradicional de alerta temprana. Sin embargo, sin una forma objetiva de comunicar esas preocupaciones, una corazonada puede quedarse en eso, incluso cuando luego resulta ser correcta.
El resultado es una situación recurrente y difícil en la atención aguda. Una enfermera siente una leve preocupación por un paciente, pero la presión arterial, la frecuencia cardíaca y otros indicadores estándar parecen normales. Sacar a un médico de su ronda sin pruebas más concretas puede ser difícil de justificar, y los flujos de trabajo saturados dejan poco tiempo para examinar la intuición de forma estructurada. A veces, el siguiente turno revela que el paciente se ha deteriorado y ha sido trasladado a cuidados intensivos.
Añadir el juicio de enfermería a los sistemas de aprendizaje automático
El enfoque de Gleason no consiste en reemplazar las alertas hospitalarias existentes, sino en ampliarlas. Los hospitales ya utilizan sistemas de alerta temprana que procesan datos del paciente a lo largo de varios turnos y generan puntuaciones de riesgo. Si una puntuación supera un umbral, el equipo asistencial recibe una alerta. Cada vez más, estos sistemas usan aprendizaje automático para mejorar las predicciones sobre qué pacientes pueden estar en riesgo de deterioro.
Estos sistemas cumplen una función útil como red de seguridad. Hacen seguimiento de un paciente en el tiempo, mantienen la continuidad entre cambios de turno y ayudan a los clínicos a no pasar por alto patrones en una sala saturada. Pero siguen basándose principalmente en datos documentados, especialmente signos vitales y otros factores medibles. El reto es que las enfermeras de cabecera a menudo detectan patrones preocupantes antes de que puedan reducirse con claridad a números.
El trabajo de Johns Hopkins busca cerrar esa brecha encontrando una forma de cuantificar e incorporar esas observaciones de cabecera en sistemas de alerta respaldados por IA. La idea no es una intuición mística traducida directamente en software. Es la captura estructurada de observaciones clínicas sutiles que las enfermeras experimentadas hacen de forma repetida y que pueden correlacionarse con el deterioro incluso cuando las medidas estándar todavía no han cruzado un umbral.
