Las alertas de deterioro de Epic están vinculadas a una menor mortalidad hospitalaria

Conectar un modelo de predicción de hospital ampliamente desplegado a páginas automáticas para equipos de cuidados críticos se asoció con una reducción del 18% en las probabilidades ajustadas de muerte en el hospital, según un estudio de 23,132 pacientes de alto riesgo publicado en NEJM AI el 29 de julio de 2026. Investigadores de la Escuela de Medicina Rutgers Robert Wood Johnson y RWJBarnabas Health rastrearon la implementación en 11 hospitales de Nueva Jersey, desde un centro médico académico hasta instalaciones comunitarias no docentes.

El modelo es el Epic Deterioration Index, una puntuación de aprendizaje automático propiedad de Epic que se envía dentro de su registro electrónico de salud. Lee signos vitales, resultados de laboratorio, evaluaciones de enfermería y edad ya presentes en la carta y devuelve un número de riesgo en una escala de 0 a 100, que el anuncio propio del sistema de salud dice que se recalcula cada 15 minutos. Lo que cambió RWJBarnabas fue la ruta: una vez que un paciente cruzó el umbral de mayor riesgo, el registro empujó una notificación directamente al equipo de respuesta rápida del hospital.

Lo que muestran los números

El equipo realizó una comparación cuasiexperimental, pre versus postimplementación, en lugar de un ensayo aleatorizado. Cubrió admisiones médico-quirúrgicas de adultos con una puntuación de 60 o superior en el índice entre el 1 de octubre de 2022 y el 30 de agosto de 2024: 10,803 pacientes antes del cambio y 12,329 después, con una edad media de 71.9 años. Aproximadamente el 47% de las consultas de postimplementación generaron una página al equipo de respuesta, aunque no todas las páginas produjeron una activación.

Las activaciones del equipo de respuesta rápida entre estos pacientes aumentaron del 25.3% de las estancias hospitalarias al 37.5%. La mortalidad intrahospitalaria no ajustada disminuyó del 23.1% al 18.6%. Después de ajustar por edad, comorbilidades, tipo de hospital, puntuación del índice y agrupación por hospital, las probabilidades de morir en el hospital fueron un 18% más bajas en el grupo postimplementación, una razón de probabilidades ajustada de 0.82. Las escaladas de atención se mantuvieron cerca del 1% en ambos períodos, por lo que el tráfico adicional del equipo de respuesta no se tradujo en una ola de transferencias nuevas a cuidados intensivos.

Cómo ha funcionado el modelo en pruebas cara a cara

Los modelos de predicción de riesgo hospitalario suelen juzgarse por cómo separan a los pacientes que se deterioran de los que no, y esa literatura ha sido dura con esta puntuación en particular. En el análisis publicado más grande del índice Epic hasta la fecha, investigadores de Yale New Haven Health y la Universidad de Chicago evaluaron seis sistemas de alerta temprana contra los mismos 362,926 encuentros de pacientes en siete hospitales y lo colocaron cerca del fondo, con un área bajo la curva de 0.808. Eso siguió al National Early Warning Score con 0.829, un sistema de puntos que un médico puede sumar a mano, y se quedó bien detrás del modelo de aprendizaje automático eCART con 0.895.

El tiempo de anticipación fue la brecha más aguda. Las alertas de alto riesgo de la puntuación Epic llegaron con una mediana de una hora antes del deterioro, frente a 11 horas para eCART y ocho para la puntuación calculada a mano, y los autores observaron que el trabajo anterior sugiere que mover a un paciente a cuidados intensivos dentro de las cuatro a seis horas de cumplir con los criterios de deterioro es donde mejoran los resultados. Yale New Haven dijo que movió sus siete hospitales a eCART en enero de 2024 basándose en esos hallazgos.

La misma comparación señaló que la FDA trata el software de apoyo a la decisión clínica que lee datos de la carta para señalar a pacientes que se deterioran como un dispositivo médico regulado, y que solo dos puntajes de alerta temprana generales habían sido aprobados en ese momento: el Rothman Index y eCART. El índice Epic, el más ampliamente disponible del grupo, no ha pasado por esa revisión, y su propio trabajo de desarrollo y validación no ha aparecido en una revista revisada por pares. El sistema de registros de Epic cubría aproximadamente el 48% de las camas de hospital de cuidados agudos de EE. UU. en 2022, según la cifra citada en ese documento, por lo que la puntuación se está calculando en un gran número de edificios.

Lo que los hospitales que ejecutan Epic pueden tomar de ello

El autor principal puso la reconciliación de manera clara. “El beneficio de mortalidad no fue producido por un algoritmo, sino por la asociación alrededor del algoritmo”, dijo Stephen P. O’Mahony, director médico de información de RWJBarnabas Health.

Los autores acreditan un paquete de cambios en lugar de la puntuación sola: educación clínica, ajuste de alertas durante el piloto inicial en el Hospital Universitario Robert Wood Johnson, las notificaciones automatizadas y un equipo de respuesta en pie con personal de cuidados críticos para enviar. Leer a continuación de la comparación de Yale, esa es la conclusión operativa para cualquier otro que ejecute la herramienta. La diferencia de mortalidad rastreó el sistema de respuesta construido alrededor de la puntuación, no el ranking de la puntuación contra sus competidores.

El grupo ahora está evaluando alertas desencadenadas por lo rápido que sube la puntuación de riesgo de un paciente en lugar del nivel que alcanza, sobre la teoría de que la velocidad compra más advertencia que un cruce de umbral. Para los muchos hospitales que ya tienen este modelo en ejecución en segundo plano, la mitad transferible del estudio es operacional: quién recibe la página, cuán rápido, y quién llega a la cabecera de la cama.