Evaluación del riesgo de bacteriemia en pacientes con neoplasias hematológicas en el servicio de urgencias: estudio comparativo entre regresión logística y algoritmos de aprendizaje automático
Antonio Gallardo-Pizarro1,2, Olivier Peyrony1-3, Christian Teijón-Lumbreras1,2, Ainhoa Castiella-Aranzasti1,2, Ana Martínez-Urrea1,2, Cynthia Terrones-Campos1,2, Tommaso Francesco Aiello1,2, Emmanuelle Gras1,2,4, Pedro Castro2,5, Cristina Pitart6, François Camelena7, Juan González del Castillo8, Alejandro Avendaño9, Òscar Miró2,10, Josep Mensa1,2, Josep M Nicolás2,5, Álex Soriano1,2,11, Carolina García-Vidal1,2, Grupo de Estudio BOSS
Filiación de los autores
1Servicio de Enfermedades Infecciosas, Hospital Clínic de Barcelona – IDIBAPS, Barcelona, España. 2Universidad de Barcelona, Barcelona, España. 3Hospital Saint-Louis, Assistance Publique-Hôpitaux de Paris, París, Francia. 4Sorbonne Université, INSERM, Institut Pierre Louis d’Épidémiologie et de Santé Publique, París, Francia. 5Unidad de Cuidados Intensivos Médicos, Hospital Clínic de Barcelona – IDIBAPS, Barcelona, España. 6Servicio de Microbiología, Hospital Clínic de Barcelona, Barcelona, España. 7Servicio de Microbiología, Hospital Saint-Louis, Assistance Publique–Hôpitaux de Paris, Université Paris Cité, París, Francia. 8Servicio de Urgencias, Hospital Clínico San Carlos, Madrid, España. 9Servicio de Hematología, Hospital Universitario de Salamanca, Salamanca, España. 10Servicio de Urgencias, Hospital Clínic de Barcelona – IDIBAPS, Barcelona, España. 11CIBERINF, Centro de Investigación Biomédica en Red de Enfermedades Infecciosas, España.
Gallardo-Pizarro A, Peyrony O, Teijón-Lumbreras C, Castiella-Aranzasti A, Martínez-Urrea A, Terrones-Campos C, et al. Evaluación del riesgo de bacteriemia en pacientes con neoplasias hematológicas en el servicio de urgencias: estudio comparativo entre regresión logística y algoritmos de aprendizaje automático. Emergencias. 2026;38:089-97
Resumen
Objetivos.
Comparar el rendimiento de algoritmos de aprendizaje automático no supervisado y supervisado con el modelo clásico de regresión logística para estratificar el riesgo de padecer bacteriemia en el momento del ingreso en el servicio de urgencias (SU) en los pacientes con hemopatías malignas.
Métodos.
Se realizó un estudio de cohorte retrospectivo multicéntrico internacional que incluyó consultas consecutivas de pacientes adultos con neoplasias hematológicas atendidos en urgencias y con solicitud de hemocultivos; el resultado primario fue la predicción de bacteriemia. El Bacteremia Objective Score System (BOSS)-1 utilizó regresión logística multivariable, BOSS-2 empleó agrupación de medias k y BOSS-3 aplicó un algoritmo de màquina de vectores de soporte. El rendimiento discriminativo se evaluó mediante sensibilidad y especificidad. Se realizó una validación externa de los resultados.
Resultados.
La cohorte de derivación incluyó 679 visitas al SU. Los hemocultivos fueron positivos en 88 (13%) casos. BOSS-1 identificó pacientes de bajo riesgo (3,1% de bacteriemia) con alta sensibilidad (94%; IC 95%: 87-97) pero especificidad limitada (30%; IC 95%: 26-34). BOSS-2 identificó mejor los pacientes de alto riesgo [29% de bacteriemia; sensibilidad 93% (IC 95%: 84-97), especificidad 30% (IC 95%: 26-34)]. BOSS-3 permitió clasificar a todos los pacientes en categorías de bajo (66,8%) o alto riesgo (33,2%), sin grupo intermedio, a diferencia de los otros dos modelos, y mostró el mejor equilibrio entre sensibilidad (61%; IC 95%: 59-64) y especificidad (71%; IC 95%: 70-73) y obtuvo los resultados más reproducibles en la cohorte de validación externa.
Conclusiones.
Los algoritmos BOSS permitieron una estratificación eficaz del riesgo de bacteriemia en los SU, destacando como mejor potencial clínico los modelos de aprendizaje automático supervisado.
