Batalla de algoritmos contra la sepsis: ¿por qué el rendimiento no garantiza el éxito?

Hace cinco años, el mercado de los algoritmos predictivos de sepsis se desplomó. Centenares de hospitales en Estados Unidos habían adoptado un modelo de la compañía Epic, especializada en registros médicos electrónicos, diseñado para alertar a los médicos sobre casos potenciales de sepsis. Esta enfermedad, una reacción grave a infecciones que provoca más de 350.000 muertes anuales en el país, requería una detección temprana para salvar vidas.

Sin embargo, el algoritmo fue un fracaso en la práctica. Aunque sus resultados en pruebas controladas parecían prometedores, falló en entornos reales. Generaba tantas alertas que los médicos las ignoraban sistemáticamente o los hospitales optaban por desactivar el sistema por completo.

Cinco años después, el panorama ha cambiado. Epic ha lanzado una versión mejorada de su algoritmo original, mientras startups y equipos de investigación desarrollan nuevas herramientas. Algunas exploran el uso de modelos de lenguaje avanzado para analizar notas clínicas en busca de indicios de sepsis. Otras, como la solución de Bayesian Health —con raíces en la Universidad Johns Hopkins—, han logrado la aprobación de la FDA para su dispositivo de detección de sepsis, anunciado este martes.

El desafío ya no es solo la precisión técnica, sino la integración efectiva en los flujos de trabajo hospitalarios. Los expertos coinciden en que, para evitar el mismo error del pasado, los nuevos sistemas deben demostrar no solo un alto rendimiento, sino también una reducción real de la mortalidad y una mejora en la eficiencia clínica.

La pregunta sigue en el aire: ¿lograrán estas innovaciones evitar el destino de sus predecesoras o repetirán los mismos errores?