Más de 24.000 personas ingresan cada año y unas 4.000 mueren a causa de la sepsis en Cataluña; una enfermedad grave resultante de una infección que se complica y afecta otros órganos. En el mundo, la sepsis es la décima causa de mortalidad en el mundo con 288 casos por cada 100.000 personas.
Ante el gran impacto que tiene esta enfermedad, que actualmente provoca más muertes que el infarto de miocardio o el ictus, el Servicio Catalán de Salud (CatSalut) puso en funcionamiento en 2015 el código sepsis. Se trata de una iniciativa para mejorar la coordinación y la respuesta del servicio sanitario catalán en la gestión de esta patología, dado que su detección precoz y el inicio inmediato del tratamiento, es clave para estabilizar el paciente y evitar que la infección derive en un choque séptico o un fracaso multiorgánico que termina, en muchos casos, con la muerte.
A pesar de contar con un protocolo de actuación ante la enfermedad, aunque en falta mucho conocimiento para mejorar el tratamiento y conseguir, en última instancia, reducir la mortalidad asociada. Por ello, Eurecat ha unido esfuerzos con el Instituto de Investigación Vall d’Hebron en el marco del proyecto Health Forecast 2.0 para desarrollar una metodología para mejorar el conocimiento sobre la evolución de la enfermedad en el organismo y la respuesta al tratamiento.
Vicent Ribas, jefe de la línea de Data Analytics in Medicine de la Unidad de e-Health de Eurecat, nos explica en esta entrevista de que trata esta metodología y que puede suponer para la medicina moderna.
¿Como se está desarrollando esta metodología?
Detectamos que había que investigar más en el conocimiento de la sepsis y el choque séptico, revisar las definiciones actuales de la enfermedad y desarrollar una metodología para la estratificación a escala múltiple de pacientes con sepsis. Por ello, estamos utilizando los datos clínicos asociados al Banco de Sepsis del Biobanco del Hospital Universitario Vall d’Hebron y las estamos filtrando y analizando según diferentes variables para estudiar y poder descubrir nuevos biomarcadores de la enfermedad, es decir, aquellos agentes biológicos que provocan los síntomas o desencadenan consecuencias de la enfermedad.
Este análisis no es nada fácil ya que el volumen de datos y las múltiples interrelaciones entre variables hace imposible que puedan ser tratadas con herramientas de Big Data y hemos tenido que desarrollar nuestras propias herramientas de análisis.
¿Qué permite la herramienta que no le permita el Big Data?
Es cierto que el Big Data permite analizar y procesar un gran volumen de datos de muchos usuarios. En nuestro caso, sin embargo, está el valor añadido de contar con cientos de miles de variables para cada enfermo, por lo que hemos desarrollado algoritmos de inteligencia artificial para discernir entre las más representativas.
En segundo lugar, estamos construyendo una metodología para clasificar y extraer conocimiento a partir del estudio de la evolución de los biomarcadores identificados. Con esta técnica, podemos comprender los procesos asociados a la enfermedad y avanzar hacia la posibilidad de desarrollar tratamientos personalizados para cada paciente.
¿Qué avances generará la metodología a nivel de diagnóstico, tratamiento e investigación de la sepsis?
La utilización de la metodología lleva a un mejor conocimiento de la patología, lo que resulta en un mejor tratamiento y manejo del enfermo, una mejora en su calidad de vida, un impacto en la reducción de la mortalidad y una mejor eficiencia en el gasto los enfermos de sepsis. Por otra parte, estamos intentando mejorar el conocimiento de las vías metabólicas de la disfunción orgánica y poder ofrecer a los clínicos unos mejores indicadores de pronóstico.
¿Crees que estas herramientas podrán ser utilizadas para otras enfermedades?
Sí, evidentemente. Queremos crear una metodología que sea transversal y de utilidad en otras patologías con el objetivo de proporcionar al sector sanitario herramientas ajustables de las que se extraiga conocimiento. Dentro del mismo proyecto Health Forecast, por ejemplo, también hemos trabajado con herramientas avanzadas de análisis de datos similares para el estudio de correlaciones entre variantes genéticas de enfermedades comunes como el cáncer, las enfermedades cardiovasculares o enfermedades metabólicas como la obesidad.
Más información:
