Impacto de big data en la predicción de infecciones nosocomiales en unidades de cuidados intensivos

Abstract

RESUMEN: Las infecciones nosocomiales son una de las principales causas de morbimortalidad en las Unidades de Cuidados Intensivos (UCI), especialmente en pacientes críticos que requieren de dispositivos invasivos, donde la gravedad clínica y la vulnerabilidad incrementan su incidencia. En los últimos años, el análisis de grandes volúmenes de datos clínicos mediante técnicas de big data ha abierto nuevas posibilidades para anticipar su aparición. En este contexto, los modelos de predicción basados en inteligencia artificial pueden convertirse en herramientas útiles para anticipar su aparición y mejorar la toma de decisiones asistenciales. Por ello, el presente estudio tiene como objetivo evaluar el impacto de estas tecnologías en la predicción de infecciones nosocomiales en pacientes adultos ingresados en la UCI de la Clínica Diagonal. MÉTODO: Se trata de un estudio observacional, analítico, prospectivo y longitudinal, con una duración de cinco años (2026-2030), que emplea un diseño cuantitativo. La muestra está formada por pacientes mayores de 18 años ingresados en UCI que requieran de dispositivos invasivos (ventilación mecánica, catéteres venosos o sondaje vesical). La recogida de datos se realiza a través de un sistema electrónico, conocido como PatientCare UCI. Se emplea un modelo de aprendizaje automático basado en árboles de decisión, evaluando su rendimiento mediante sensibilidad, especificidad, precisión y área bajo la curva ROC (AUC). RESULTADOS ESPERADOS: Se espera evaluar si el modelo predictivo es capaz de anticipar con fiabilidad la aparición de infecciones nosocomiales, permitiendo intervenir de forma temprana. Como conclusión, se plantea que el uso de big data e inteligencia artificial puede convertirse en una herramienta para optimizar la toma de decisiones, mejorar la seguridad del paciente y reducir la incidencia de infecciones en entornos críticos. PALABRAS CLAVE: big data, machine learning, árboles de decisión, inteligencia artificial, data mining, infecciones nosocomiales, unidad de cuidados intensivos, paciente adulto, estudio cuantitativo.

ABSTRACT: Nosocomial infections are one of the main causes of morbidity and mortality in Intensive Care Units (ICUs), especially among critically ill patients requiring invasive devices, where clinical severity and vulnerability increase their incidence. In recent years, the analysis of large volumes of clinical data through big data techniques has opened new possibilities for anticipating their onset. In this context, predictive models based on artificial intelligence may become useful tools to foresee their occurrence and improve clinical decision-making. Therefore, the aim of this study is to evaluate the impact of these technologies on the prediction of nosocomial infections in adult patients admitted to the ICU at Clínica Diagonal. METHOD: This is a prospective and longitudinal observational analytical study with a duration of five years (2026–2030), using a quantitative design. The sample consists of patients over 18 years of age admitted to the ICU who require invasive devices (mechanical ventilation, venous catheters, or urinary catheters). Data collection is carried out through an electronic system known as PatientCare UCI. A decision tree–based machine learning model is used, and its performance is evaluated through sensitivity, specificity, accuracy, and area under the ROC curve (AUC). EXPECTED RESULTS: The study aims to assess whether the predictive model can reliably anticipate the onset of nosocomial infections, allowing for early intervention. As a conclusion, it is proposed that the use of big data and artificial intelligence could become a tool to optimize decision-making, improve patient safety, and reduce the incidence of infections in critical care settings. KEYWORDS: big data, machine learning, decision trees, artificial intelligence, data mining, nosocomial infections, intensive care unit, adult patient, quantitative study.