Modelo de inteligencia artificial para detección de daño en la microcirculación en pacientes pediátricos con sepsis

La sepsis pediátrica continúa siendo una de las principales causas de morbimortalidad a nivel mundial, especialmente en menores de cinco años, donde se concentra más del 40% de los casos. La reciente incorporación del Phoenix Sepsis Score (PSS) ha permitido estandarizar la definición de disfunción orgánica en niños, aunque su enfoque cardiovascular se limita a variables de macrocirculación como presión arterial, lactato y necesidad de vasopresores. Esta aproximación deja por fuera parámetros directos de microcirculación, cuya alteración —conocida como incoherencia hemodinámica— se ha relacionado con peor pronóstico en sepsis, incluso cuando las variables globales se han corregido. La videomicroscopía sublingual de tercera generación ha demostrado su capacidad para evaluar en tiempo real el flujo, densidad y estado del glicocálix endotelial, pero su alto costo y limitada disponibilidad restringen su uso en la práctica clínica cotidiana.

Ante este escenario, surge la necesidad de identificar marcadores clínicos y bioquímicos más accesibles que predigan el daño microcirculatorio con similar precisión a la videomicroscopía. Nuestro grupo ha encontrado que un tiempo de llenado capilar prolongado se asocia con alteraciones estructurales y funcionales de la microcirculación en niños con sepsis, pero se desconoce el valor predictivo de otros biomarcadores como el lactato, el índice lactato/albúmina o la diferencia arteriovenosa de CO₂. La integración de estas variables mediante modelos de Machine Learning ofrece una oportunidad única para desarrollar herramientas predictivas de bajo costo, con potencial de redefinir los criterios de disfunción cardiovascular, optimizar la detección temprana de incoherencia hemodinámica y orientar intervenciones más precisas en el choque séptico pediátrico.