La sepsis sigue siendo uno de los retos más críticos en la atención hospitalaria debido a su alta mortalidad (entre 5.000 y 20.000 fallecimientos anuales en España) y la dificultad para detectarla a tiempo. Los sistemas tradicionales, como los criterios SIRS o qSOFA, a menudo llegan tarde o generan demasiadas falsas alarmas, lo que retrasa el tratamiento y satura al personal clínico.
Utilizando técnicas de inteligencia artificial (IA) y de aprendizaje automático, hoy en día se pone solución a este problema, concretamente con la herramienta BIAlert Sepsis, según muestra el estudio publicado Hospital-Wide Sepsis Detection: A Machine Learning Model Based on Prospectively Expert-Validated Cohort (2026), dirigido por el doctor Marcio Borges, coordinador de la Unidad Multidisciplinar de Sepsis del hospital, miembro del Grupo de Sepsis del IdISba y presidente de la Fundación Código Sepsis, junto con el Instituto de Ingeniería del Conocimiento (IIC).
Este modelo de aprendizaje automático ha sido entrenado con diagnósticos validados por expertos en tiempo real, sobre una cohorte de más de 200.000 pacientes y logrando resultados superiores a los métodos convencionales.
La mayoría de los modelos de IA para sepsis tienen dos grandes limitaciones:
[su_table responsive=»yes»]
| [minti_image img=»19023″][minti_headline type=»div» size=»fontsize-s» color=»#333333″ weight=»fontweight-800″ align=»align-left»]DATOS POCO FIABLES[/minti_headline]
Se entrenan con códigos administrativos de alta (CIE) a posteriori, que suelen tener muchos errores y no reflejan la realidad clínica del momento. |
[minti_image img=»19024″][minti_headline type=»div» size=»fontsize-s» color=»#333333″ weight=»fontweight-800″ align=»align-left»]IGNORAN LA INTUICIÓN MÉDICA[/minti_headline]
Desaprovechan la información no estructurada, como las notas de evolución médica o enfermería, perdiendo datos valiosos sobre el estado del paciente. |
Este nuevo estudio sobre BIAlert Sepsis, realizado en el Hospital Universitario Son Llàtzer de Palma de Mallorca, aborda estos problemas validando cada caso de sepsis prospectivamente (en tiempo real) mediante una Unidad de Sepsis Multidisciplinar durante 5 años.
Resultados clave: Menos falsas alarmas, mayor precisión
Los resultados del estudio son contundentes al comparar BIAlert Sepsis con los sistemas tradicionales:
- Precisión diagnóstica: Alcanzó un AUC-ROC de 0.95, con una sensibilidad del 93% y una especificidad del 84%.
- Reducción de falsos positivos: Logró reducir las falsas alarmas en un 39,6% comparado con el mejor método basado en reglas (Sepsis-2 + qSOFA).
- Nuevos predictores: El modelo identificó variables predictivas que los médicos suelen pasar por alto en fases tempranas, como la eosinopenia (bajos eosinófilos) y la hipoalbuminemia, dándoles más peso que a variables clásicas como la presión arterial media.
Impacto clínico y futuro de BIAlert Sepsis.
Lo que distingue a este estudio de otros papers teóricos es su aplicabilidad real. El modelo de BIAlert Sepsis es utilizado en tiempo real en la práctica clínica y ha recibido la aprobación de la Agencia Europea de Medicamentos (EMA) como dispositivo médico en junio de 2024.
Esto demuestra que la IA, cuando se entrena con datos de alta calidad («ground truth» validado por expertos) puede convertirse en una herramienta vital para apoyar —no sustituir— el juicio médico en situaciones críticas.
Conclusiones
El estudio de Borges-Sa et al. marca un antes y un después en la detección de la sepsis hospitalaria. Al demostrar que un modelo de IA puede reducir drásticamente los falsos positivos e identificar casos complejos, se abre la puerta a hospitales más seguros y eficientes. La clave del éxito no fue solo el algoritmo, sino la calidad de los datos validados por médicos expertos a pie de cama. Este estudio es el principio de una implantación externalizada para su uso en tiempo real en hospitales, permitiendo la validación prospectiva del modelo.
– Puedes leer el artículo completo sobre BIAlert Sepsis (2026) –
[minti_button link=»https://www.mdpi.com/2077-0383/15/2/855″ target=»_blank» color=»custom» custom_color=»#d10e4f» size=»full»]Hospital-Wide Sepsis Detection: A Machine Learning Model Based on Prospectively Expert-Validated Cohort (2026)[/minti_button]
[minti_divider style=»4″ icon=»» margin=»10px 0px 15px 0px»]